详细的介绍了当前机器学习流行的库——scikit-learn,对于从事机器学习的小伙伴很有用，包含分类、回归、聚类等流行的方法的实现。

星际争霸AI 希望路过的同学，顺手给JStarCraft框架点个Star，算是对作者的一种鼓励吧！ JStarCraft AI是一个机器学习的轻量级框架。遵循Apache 2.0协议。 在学术界，大规模研究人员使用的编程语言是Python。 在工业界，大规模开发人员使用的编程语言是Java。 JStarCraft AI是一个基于Java语言的机器学习工具包，由一系列的数据结构，算法和模型组成。 目标是作为在学术界与工业界的机器机器研究研发的相关人员之间的主轴。 作者 洪钊桦 电子邮件 ， JStarCraft AI架构 JStarCraft AI框架各个模块之间的关系： JStarCraft AI特性 属性与特征 连续 离散 模块与实例 选择，排序与切割 2.环境（environment） 串行计算 并行计算 CPU计算 GPU计算 3.数学（数学） 算法（算法） 微积分（微积分） 相关性（correlation） 距离（distance） 相似度 分解（分解） 核技巧（内核） 概率 标量 方法 矩阵 张量 单元 表单 4.调制标准（调制解调器） 线性模型（linear） 近邻

Scikit学习 使用Python进行预测数据分析的机器学习库 Y = X * B1 + B0 系数 B1：坡度 渐变| 陡度线| 线方向| 重量 B0：拦截 偏差| 常数| 回归线与Y轴相交的位置（当X = 0时Y的值） R 2 ：测定系数 模型捕获的数据的方差（0.7到0.9是R 2的好值） 大的R 2表示较好的拟合度（模型可以用更好的方法解释预测值与实际值的差异） R 2 = 1对应于SSR = 0（完美拟合） R 2低会导致拟合不足 高R 2导致过度拟合 残差 实际-预测 线性回归 学习一个线性回归模型来估计系数的值 根据另一个要素的值预测要素的值。 简单线性回归 多元线性回归 多项式线性回归 高级线性回归

使用SIMD的C ++图像处理库：SSE，SSE2，SSE3，SSSE3，SSE4.1，SSE4.2，AVX，AVX2，AVX-512，VMX（Altivec）和VSX（Power7），NEON for ARM。 简介Simd库是一个免费的开源图像处理和机器学习库，专为C和C ++程序员设计。 它为图像处理提供了许多有用的高性能算法，例如：像素格式转换，图像缩放和过滤，从图像中提取统计信息，运动检测，对象检测（HAAR和LBP分类器级联）和分类，神经网络。 通过使用不同的SIMD CPU扩展来优化算法。

格维特格法尔 GewitterGefahr 是一个端到端的机器学习库，用于预测雷暴灾害，主要是龙卷风和破坏性直线风。 机器学习方法以风暴为中心，这意味着每个案例都是一个风暴对象（一个时间步长的一个风暴单元）。 “端到端”是指该库包含数据采集和预处理的代码； 机器学习模型的训练、验证和测试； 和机器学习输出的后处理。 外部文档仍在进行中（此 README 是目前唯一的外部文档）。 尽管缺乏外部文档，但存在三种类型的内部文档。 首先，每个方法的顶部都有一个文档字符串，解释输入和输出及其格式（例如，数字、字符串、列表、numpy 数组等）。 其次，变量和方法名称很冗长，并在适用的情况下包括单位（例如， DRY_AIR_GAS_CONSTANT_J_KG01_K01 、 specific_humidities_kg_kg01 ），因此代码在某种程度上是自文档化的。 第三，大多数模块（Python

本文来自csdn，本文将介绍sklearn中如何使用集成学习,模块还支持树的并行构建和预测结果的并行计算，希望对您的学习有所帮助。集成方法的目标是把多个使用给定学习算法构建的基估计器的预测结果结合起来，从而获得比单个估计器更好的泛化能力/鲁棒性。在scikit-learn中，bagging方法使用统一的BaggingClassifier元估计器（或者BaggingRegressor），输入的参数和随机子集抽取策略由用户指定。max_samples和max_features控制着子集的大小（对于样例和特征），bootstrap和bootstrap_features控制着样例和特征的抽取是有放回还

NBA数据分析 签出已。 概要 传球：根据球员传球数据创建图表，随机游走以模拟前端完成的控球 职位：根据赛季统计数据使用KNearestNeighbors分类器将NBA球员分类为职位 风格：根据比赛类型的频率确定NBA球队和球员的风格 等级：使用高级统计数据的k-means聚类算法将NBA球员分为多个等级 数据 所有数据均摘自 入门 可以使用存储库目录中的pip install -r requirements.txt安装所有所需的库。 使用python setup.py install软件包。 除非您具有必需的数据库URI，否则将软件包config.py文件更改为具有data_source

从数据到麻省理工学院AI实验室的开源项目。 猎户座 执照： 发展状况： 主页： ： 文档： : 概述 Orion是为无监督时间序列异常检测而构建的机器学习库。 利用给定的时间序列数据，我们提供了许多“已验证”的ML管道（也称为Orion管道），这些管道可以识别稀有模式并将其标记以供专家审核。 该库利用了在下开发的许多自动机器学习工具。 最新消息：在博客系列中了解有关在纽约出租车数据集上使用Orion管道的信息： 第1部分：了解无监督时间序列异常检测 第2部分：了解我们如何使用GAN解决问题？ 第3部分：如何评估异常检测管道？ 笔记本：启动我们的笔记本，通过colab发现Orion ！ 快速开始 用pip安装 安装Orion的最简单和推荐的方法是使用pip ： pip install orion-ml 这将从PyPi中拉出并安装最新的稳定版本。 在下面的示例中

Simd：使用以下SIMD的C ++图像处理和机器学习库：SSE，SSE2，SSE3，SSSE3，SSE4.1，SSE4.2，AVX，AVX2，AVX-512，VMX（Altivec）和VSX（Power7），NEON臂

Price-prediction-and-recommendation-of-second-hand-housing-in-Shanghai Price prediction and recommendation of second-hand housing in Shanghai（上海地区二手房价格预测及推荐） 先上系统运行的截图： 1、本系统为本人读研数据课课程project。 2、本系统主要功能：爬取链家上海地区二手房信息，使用postgresql的机器学习库MADlib，采用KNN算法对用户输入的需求信息预测房价及推荐五个相似房源。 3、开发环境：centos7 64位、PostgreSQL9.5、MadLib1.13、pgAdmin4.2、Python2.7（web部分）、python3.6（数据爬取及处理部分） 本系统web显示界面在好友蒋雯协助下完成，其他工作由我完成。 da