资源包含一个非常详细的机器学习总结xmind源文件，可用xmind打开编辑和学习。非常详细的公式推导，有效帮助快速建立机器学习知识体系，为深度学习打下见识的基础。 总结内容：绪论、模型评估与选择、线性模型、支持向量机、贝叶斯分类器、集成学习、深度学习

七月机器学习算法中和第七部分工作流程与模型调优 以天池数据集泰坦尼克号为例全面的分析和示例机器学习算法 其中包括泰坦尼克问题的excel数据和算法的notebook代码

K最近的NEIGHBOUR-KNN算法 KNN表示K最近邻算法。 KNN是最简单的监督式机器学习算法，主要用于数据分类。 在继续学习KNN之前，让我们简单地看一下机器学习和KNN所属的类别。 机器学习（ML）是对计算机算法的研究，该算法会根据经验和给定的数据集自动改进。 机器学习算法基于样本数据（称为“训练数据”）构建模型，以便进行预测或决策而无需明确地编程。 如今，机器学习一直在解决不同领域类别的问题，例如：计算金融，图像处理和计算机视觉，计算生物学，能源生产，汽车，航空航天和制造，自然语言处理（NLP）。 如今，这些技术发现了数据中的隐藏模式或内在结构。 它有助于我们产生洞察力，并帮助我们做出更好的决策和预测。 在机器学习模型中，它允许用户根据过去的数据进行预测。 阅读更多@

参考机器学习第二章KNN(K比邻算法)，对于实例代码提供相对应的数据集 # 1：约会网站 # 2：将图像转换为测试向量，创建1x1024的Numpy数组，然后打开给定的文件，循环读出文件的前32行， # 并将每行的头32个字符值存储在NumPy数组中，最后返回数组

论文用机器学习算法检测恶意代码，分别针对静态、动态这2 种分析模式下的检测方案进行了讨论，涵盖了恶意代码样本采集、特征提取与选择、机器学习算法分类模型的建立等要点。对机器学习算法下恶意代码检测的未来工作与挑战进行了梳理。为下一代恶意代码检测技术的设计和优化提供了重要的参考。

kaggle 实战 lecture01 机器学习算法、工具与流程概述.zip

目录一、KNN算法Python实现1、导入包2、 画图，展示不同电影在图上的分布3、训练样本和待测样本准备4、计算待测样本点到每个训练样本点的距离5、查找离待测样本点最近的K个训练样本点的类型6、找出数量最多的类7、写成自定义函数二、鸢尾花（iris）数据集测试1、导入包2、导入数据，划分数据集3、调用写好的KNN函数，并计算查准率、查全率和混淆矩阵 KNN是机器学习十大算法之一，因为原理很好理解，有一句话：“Talk is cheap.Show me the code.” 所以用Python来实现一下吧，并在iris数据集上检验模型效果。 算法原理：看新样本与最接近的那个训练集样本属于哪一类

使用机器学习的乐器/音色分类 介绍 基于音频的乐器分类器，基于给定的简短音乐样本，根据音色识别乐器。 使用scikit-learn库中的各种机器学习算法对记录进行分类。 这是多类监督学习分类。 技术领域 的Python：3.7.4 Python库：numpy，matplotlib，pandas，seaborn，scikit-learn，librosa，soundfile 目录 背景 音色描述了独特的音质，即使在相同的音高或响度下也能区分乐器的声音。 这是由于每种仪器的独特频率特性。 测试的乐器是大提琴，教堂风琴，单簧管，长笛，吉他，竖琴，马林巴琴，皮诺琴，小提琴和合成效果器（PerlDrop和SynLead3）。 数据集 模拟各种乐器的电子键盘用于录制各种流派的音乐样本。 有关.wav文件中的录音，请参见“录音”文件夹。 数据预处理 数据清理 录音从立体声转换为单声道，然后重新采样至1

使用机器学习对服务拒绝服务DoS攻击进行有效检测 该研究项目的目的和目标是使用机器学习检测DoS攻击，该问题将解决以下研究问题：“以有效方式利用机器学习检测拒绝服务攻击并与其他使用的机器学习算法进行比较”。 本研究项目中讨论的DoS攻击类型为UDP泛洪攻击，TCP-SYN攻击和ICMP泛洪攻击。 UDP泛洪攻击是一种DoS攻击，其中向目标服务器或客户端发送了大量的用户数据报协议（UDP）数据包，目的是使设备无法处理和响应请求。 TCP-SYN攻击是一种DoS攻击，攻击者利用TCP-SYN请求与服务器进行的三向握手，攻击者向服务器发送重复的SYN请求，从而使服务器对合法流量不响应。 ICMP泛洪攻击是一种攻击类型，其中目标系统被ICMP回显请求泛洪，这导致正常流量无法访问系统。 本研究项目中讨论的机器学习算法是Logistic回归，决策树，多层感知器，K最近邻和光梯度增强机。 该研究项目强

raincell-mla:降雨估计的机器学习算法