数据标准化（Normalization）是指：将数据按照一定的比例进行缩放，使其落入一个特定的小区间。 为什么要进行数据标准化呢？ 去除数据的单位限制，将其转化为无量纲的纯数值，便于不同量级、不同单位或不同范围的数据转化为统一的标准数值，以便进行比较分析和加权。 通过手写Python代码对海伦约会对象数据集完成数据标准化归一化的预处理。 其中包含： （1）Min-Max标准化 （2）Z-Score标准化 （3）小数定标标准化 （4）均值归一化法 （5）向量归一化 （6）指数转换

实验内容： 1）下载人脸识别数据库； 2）测试主成分分析PCA算法分类精度； 3）编写、运行程序并查看结果； 4）调节参数主成分分析PCA算法相关参数，分析其对模型效果的影响。

本文拟对kaggle上的一篇关于随机森林模型的文章进行案例调研，对文章的各个环节，包括案例描述、数据检视、特征工程、模型训练和模型优化使用的方法进行梳理并对文章的亮点与不足做出相应的反思。该文章的任务是基于随机森林模型，结合人的15项特征来预测该人年收入是否超过5万美元。数据源是美国人口普查局1994年的普查数据，调查对象数量为32561。这篇文章的亮点有：1.特征工程使用了简单而且容易理解的方法；2.进行充分的数据检视，对后续数据处理有了启示性作用；3、通过计算特征重要度过滤不重要的特征，展现了模型可以不断优化的可能性。主要不足有：1、没有解决高基数问题；2.并没有优化模型参数；3.没有处理离群值。

PageRank代码实战-人物重要度

吴恩达机器学习课程课后习题资料和代码资料

大华工业相机SDK，里面不仅有相机运行程序，还有一些视觉识别等人工智能算法。安装目录下有实例程序，可根据需要进行二次开发。

机器学习人脸识别简单项目，有数据集，可运行代码，说明文档

《数字图像处理与机器视觉--Visual C++与MATLAB实现》第2版DVD内容 内容推荐 　　《数字图像处理与机器视觉——Visual C++与Matlab实现(第2版)》将理论知识、科学研究和工程实践有机结合起来，内容涉及数字图像处理和识别技术的方方面面，包括图像的点运算、几何变换、空域和频域滤波、小波变换、图像复原、彩色图像处理、形态学处理、图像分割、图像压缩以及图像特征提取等；同时对机器视觉进行了前导性的探究，重点介绍了3种目前在工程技术领域非常流行的分类技术——人工神经网络(ANN)、支持向量机(SVM)和AdaBoost，并在配套给出的识别案例中直击光学字符识别(OCR)、人脸识别和性别分类等热点问题。 　　《数字图像处理与机器视觉——Visual C++与Matlab实现(第2版)》结构紧凑，内容深入浅出，讲解图文并茂，适合于计算机、通信和自动化等相关专业的本科生、研究生，以及工作在图像处理和识别领域一线的广大工程技术人员阅读参考。 共2个文件。z01和zip

机器学习sklearn

主要用于数据集的制作，要点在于图片的resize和由彩色图到灰度图的转换，以及随机划分测试与训练集