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

压缩包中包含了机器学习基础的知识，有线性模型、梯度下降、逻辑回归、神经网络、模型选择、决策树等知识。每一部分内容都有概念讲解和公式的推导。

1：主要机器视觉中的一些基本概念，镜头，光源，图像处理基础 2：使用准备入门的广大同学，或者从事相关工作的工程师 3：这是培训资料，介绍的非常透彻 4：我相信认真看完后能对整个机器视觉行业有一个初步的认知

本书是关于机器人学和机器视觉的实用参考书， 第一部分“基础知识”（第2章和第3章）介绍机器人及其操作对象的位置和姿态描述，以及机器人路径和运动的表示方法；第二部分“移动机器人”（第4章至第6章）介绍其基本运动控制模式及其导航和定位方法；第三部分“臂型机器人”（第7章至第9章）介绍其运动学、动力学和控制方面的知识；第四部分“计算机视觉”（第10章至第14章）包括光照与色彩，图像形成和处理技术，图像特征提取，以及基于多幅图像的立体视觉技术；第五部分“机器人学、 视学与控制”（第15章和第16章）分别讨论基于位置和基于图像的视觉伺服及更先进的混合视觉伺服方法。本书将机器人学与机器视觉知识有机结合，给出了实例算法和程序。作者有完备的代码可下载，用于验证书中知识点和实例，注重如何利用视觉信息控制机器人的运动。[1]

是用于高光谱遥感影像分类的机器学习脚本，其中使用了MLP算法（Multilayer Perceptron Algorithm）对Salinas数据集进行分类。 Salinas数据集是一个常用的高光谱遥感影像数据集，包含了来自13种不同作物和地物的224个像素。在你的Python脚本中，使用了MLP算法对这些像素进行分类。MLP算法是一种基于神经网络的分类算法，其通过多层神经元对特征进行抽象和表达，从而实现高效的分类。在该算法中，使用了反向传播算法对网络进行训练，以便调整网络中的权重和偏置，从而提高分类的准确性。

## 关于数据集 - 数据集名称：SQuAD - 发布机构：斯坦福大学 Stanford University - 网址：https://rajpurkar.github.io/SQuAD-explorer/ - 大小：0.0341 GB - 简介：斯坦福问答数据集（The Stanford Question Answering Dataset，简称SQuAD）是一个阅读理解数据集，由群众工作者在维基百科文章中提出的问题组成，其中每个问题的答案是来自相应阅读段落的一段文本或跨度，共有500多篇文章中有10万多个问答配对。 斯坦福问答数据集（2.0版本）于2018年由斯坦福大学发布，相关论文为Know What You Don't Know: Unanswerable Questions for SQuAD。