机器学习课程术语表 来源：https://www.aminer.cn/ml_taxonomy

机器学习课程 2014，ITMO，CT 一、KNN的实现 用其中一种编程语言实现 KNN。 如有必要，对数据集中的数据进行归一化，并通过某种方式（例如，交叉验证）为 KNN 选择 k 参数。 在测试样本和训练样本上计算分类器的 F 度量。 2.识别垃圾邮件 您需要训练贝叶斯分类器来识别垃圾邮件。 样本已经分为 10 个部分。 每个文件代表一条消息。 如果文件名包含 spmsg，则这是垃圾邮件，否则 (合法) 是正常消息。 3. 使用 SVM 拆分数据集 使用 SVM 划分数据集（有一些噪音，但通常它是线性可分的）。 作为答案，在y = kx + b 形式的分界线上打印近似系数k 和b。 此外，作为任务的第二部分，您需要在 KNN 任务中使用的同一数据集上应用 SVM。 但是对于此任务，您将不得不使用内核。 4. 线性回归的构建 构建线性回归。 该数据集的每个对象都由三个数字组成：公寓的居住

k-means聚类算法及matlab代码适用于Coursera机器学习的Python代码 此仓库为Andrew NG教授的Coursera机器学习课程提供了基于python的解决方案。 解决方案模仿Coursera提供的MATLAB / Octave代码。 scikit-learn模块为每种算法提供了固定的实现，但是以理解它们如何工作为代价。 这些基本版本用于巩固概念并熟悉Python科学计算堆栈。 回购组织 与课程课程不同，单个功能不是用单独的脚本编写的。 而是包含一个脚本来存储每个练习的所有帮助程序功能。 练习1：线性回归（有效） 练习2：逻辑回归（有效） 练习3：多类分类和神经网络（有效） 练习4：神经网络学习（工作中） 练习5：正则线性回归和偏差/方差（有效） 练习6：支持向量机（未启动） 练习7： K均值聚类和PCA（有效） 练习8：异常检测和推荐系统（正常运行）

和声2 Momentum-AI-机器学习课程 这个 Momentum AI 的机器学习课程，教你如何使用最新的深度学习技术。 了解更多信息 Google 文档，概述了如何开始使用深度学习。 关于人工智能和机器学习的演讲。 本课程将教您如何使用不同的机器学习模型，重点是人工神经网络。 您将学习如何从头开始构建自己的人工神经网络，以及如何使用 Tensorflow 和 Keras 创建可以创建语言和理解视觉的机器学习模型。 本课程还将重点介绍如何建立训练有素的模型并在网络上工作。 训练你的第一个人工神经网络 在第一课中，您将学习如何使用 Keras 和 Tensorflow 开始深度学习。 你可以训练你自己的深度神经网络，它可以处理大脑成像数据。 这是 Keras 中深度神经网络的代码。 激动人心的东西！ # Visualize training history from keras . models import Sequential from keras . layers import Dense , BatchNormalization from keras . layers imp

里斯本大学机器学习课程的讲义.

皇家理工的机器学习论文作业，使用的是心脏病数据集进行研究，用到的方法有线性回归、决策树、支持向量机、神经网络、K近邻算法、SGDClassifier梯度下降分类以及XGBoost方法，完全可以满足课程要求，然后代码有注释，结果还算详细，文档写了8000+字

（含实验代码）采用密集连接网络分别从两个方面进行预测，一方面是没有使用K折验证，预测结果不好，另一方面是加入K折验证改进后的结果，最后预测的房价与真实值基本符合。

人脸性别检测

吴恩达在深度学习课程中所提及，建议大家阅读的经典论文。

通过学习我的收获了很多东西： 1、了解Linux操作系统基本操作。 2、知道构造嵌入式LINUX操作系统的方法。 3、接触开发环境的配置方法。 4、掌握编译器使用的方法。 在上课的的过程中，我发现单单的linux是一个很有意思的操作系统， 而 linux嵌入式系统是软件和硬件的综合体，还可以涵盖机械等附属装置。这两个是不同的概念。现在我根据个人理解和网上资料说一下Linux内核的概念和启动过程。以及在linux的启动过程中Boot Loader的执行流程。和Linux文件系统的相关知识。然后再分析一下keyboard键盘实验的整体原理和试验中用到的一些函数的功能。