k-近邻学习是一种常用的监督学习方法，其工作机制非常简单：给定测试样本，基于某种距离度量找出训练集中与其靠近的......

机器学习--贷款违约行为预测（基于逻辑回归和朴素贝叶斯和随机森林及SVM四种方法实现，资源包含完成则代码及数据，数据3万余条记录

预测基于机器学习的时间序列价格预测

成都理工大学-人工智能与机器学习-往届期末试题

1. Matlab实现随机森林算法的数据分类预测（完整源码和数据) 2. 多变量输入，单变量输出（类别），数据分类预测 3. 评价指标包括：准确率 和 混淆矩阵 4. 包括拟合效果图 和 混淆矩阵 和 重要性结果图 5. Excel数据，要求 Matlab 2018B及以上版本

该课件为中科院一位仁兄在学习斯坦福大学吴恩达机器学习课程时候所做的学习笔记，非常好，吴老师上课略过的一些内容笔记都详细给出，并且还做了适当补充。强烈推荐。

K-means 对 iris 数据进行聚类并显示聚类中心，聚类结果等，附注释

python机器学习教程_从零开始掌握Python机器学习：⼗四步 教程 Python 可以说是现在最流⾏的机器学习语⾔，⽽且你也能在⽹上找到⼤量的资源。你现在也在考虑从 Python ⼊门机器学习吗？本教程或 许能帮你成功上⼿，从 0 到 1 掌握 Python 机器学习，⾄于后⾯再从 1 到 100 变成机器学习专家，就要看你⾃⼰的努⼒了。本教程原⽂ 分为两个部分，机器之⼼在本⽂中将其进⾏了整合，原⽂可参阅：7 Steps to Mastering Machine Learning With Python 和 7 More Steps to Mastering Machine Learning With Python。本教程的作者为 KDnuggets 副主编兼数据科学家 Matthew Mayo。 「开始」往往是最难的，尤其是当选择太多的时候，⼀个⼈往往很难下定决定做出选择。本教程的⽬的是帮助⼏乎没有 Python 机器学习背 景的新⼿成长为知识渊博的实践者，⽽且这个过程中仅需要使⽤免费的材料和资源即可。这个⼤纲的主要⽬标是带你了解那些数量繁多的可 ⽤资源。毫⽆疑问，资源确实有很

南瓜书旨在对西瓜书里比较难理解的公式加以解析

每当提到机器学习，大家总是被其中的各种各样的算法和方法搞晕，觉得无从下手。确实，机器学习的各种套路确实不少，但是如果掌握了正确的路径和方法，其实还是有迹可循的，这里我推荐SAS的LiHui的这篇博客，讲述了如何选择机器学习的各种方法。另外，Scikit-learn也提供了一幅清晰的路线图给大家选择：其实机器学习的基本算法都很简单，下面我们就利用二维数据和交互图形来看看机器学习中的一些基本算法以及它们的原理。（另外向BretVictor致敬，他的Inventingonprinciple深深的影响了我）所有的代码即演示可以在我的Codepen的这个Collection中找到。首先，机器学习最大的分