读取数据集，通过特征工程，绘制特征相关性，构建模型，分析得知决策树回归和随机森林回归模型较好，以此实现票价预测。

细粒度分析学科领域热点主题发展脉络并对利用机器学习算法对未来发展趋势进行准确预测研究。防法/过程」提出一种基于机器学习算法的研究热点趋势预测方法与分析框架，以基因工程领域为例利用主题概率模型识别WOS核心集中论文摘要数据研究热点主题并进行主题演化关联构建，然后选取BP神经网络、支持向量机及LSTM模型等3种典型机器学习算法进行预测分析，最后利用RE指标和精准度指标评价机器学习算法预测效果并对基因工程领域在医药卫生、农业食品等方面研究趋势进行分析。实验表明基于LSTM模型对热点主题未来发展趋势预测准确度最高，支持向量机预测效果次之，BP神经网络预测效果较差且预测稳定性不足，同时结合专家咨询和文献调研表明本文方法可快速识别基因领域研究主题及发展趋势，可为我国学科领域大势研判和架构调整提供决策支持和参考。

数据集记录了示范光伏电站10个方阵各3台逆变器1个月的5min间隔有功功率运行数据，主要给出时间戳信息、逆变器所属区块和方阵信息等。可利用10个方阵的各3台光伏逆变器功率数据结合机器学习无监督算法技术，建立鲁棒的光伏功率异常数据检测模型，用于识别并剔除潜在的异常数据。 termNum: 期数 distNum: 区块号 blockNum: 方阵号 Time: 测点时间 powerNum: 逆变器编号 Power: 有功功率值

人工智能_CNN_验证码识别_使用机器学习算法完成对12306验证码的自动识别 两个必要的数据集： 文字识别，model.h5 图片识别，12306.image.model.h5

10种机器学习算法介绍

机器_学习_代码_实现 基于NumPy的机器学习算法的Python代码实现。

CudaLearn C# 中的高级机器学习算法 机器学习是人工智能的一个分支，专注于识别数据中的模式和规律。 在许多情况下，这些模式是从标记的“训练”数据（监督学习）中学习的，但是当没有可用的标记数据时，可以使用其他算法来发现以前未知的模式（无监督学习）。 大多数高性能机器学习算法都是用 C++ 或 Python 编写的。 其他如 Apache Mahout 使用 Hadoop 在整个集群中分配训练模型的成本。 CudaLearn 采用混合方法。 在需要高性能的地方，我们遵循 C++/Python 路线，通过 GPU 加速计算实现垂直可扩展性，并旨在将这种计算分布在整个集群中。 这种方法还利用算法在计算复杂度方面的不对称性，CPU 实现将可用于计算需求较低的阶段。 第一个版本将包含： 深度学习算法卷积神经网络 (CNN) 使用 CUDA 内核支持 GPU 加速。 将来： 深度

本次资源包括pca的python代码，以及测试数据集。 降维是指采用某种映射方法，将原高维空间中的数据点映射到低维度的空间中。通过降维可以减少 冗余信息所造成的误差,提高识别的精度，或者通过降维算法来寻找数据内部的本质结构特征。

该资源为人工智能-机器学习相关算法详细讲解，包括K-近邻算法、线性回归、逻辑回归、决策树算法、集成学习、聚类算法以及拓展的理论和实践案例。

该资源为机器学习算法2详细讲解，包括朴素贝叶斯、支持向量机、EM算法、HMM模型、集成学习进阶以及拓展理论和实践案例等详细讲解。