颜色分类leetcode mlrose：机器学习、随机优化和搜索 mlrose 是一个 Python 包，用于将一些最常见的随机优化和搜索算法应用于一系列不同的优化问题，包括离散值和连续值参数空间。 项目背景 mlrose 最初是为了支持佐治亚理工学院 OMSCS/OMSA 课程 CS 7641：机器学习的学生而开发的。 它包括本课程中教授的所有随机优化算法的实现，以及将这些算法应用于整数字符串优化问题的功能，例如 N-Queens 和背包问题； 连续值优化问题，如神经网络权重问题； 和旅游优化问题，例如旅行商问题。 它还具有解决用户定义的优化问题的灵活性。 在开发时，不存在将所有这些功能集中在一个位置的单个 Python 包。 主要特点 随机优化算法 实现：爬山、随机爬山、模拟退火、遗传算法和（离散）MIMIC； 解决最大化和最小化问题； 定义算法的初始状态或从随机状态开始； 定义您自己的模拟退火衰减计划或使用三种预定义的可自定义衰减计划之一：几何衰减、算术衰减或指数衰减。 问题类型 解决离散值（位串和整数串）、连续值和旅游优化（旅行销售员）问题； 定义您自己的适应度函数以进行优化或

K-近邻算法 文章目录K-近邻算法学习目标1.10 交叉验证，网格搜索1 什么是交叉验证(cross validation)1.1 分析1.2 为什么需要交叉验证**问题：那么这个只是对于参数得出更好的结果，那么怎么选择或者调优参数呢？**2 什么是网格搜索(Grid Search)3 交叉验证，网格搜索（模型选择与调优）API：4 鸢尾花案例增加K值调优 学习目标 掌握K-近邻算法实现过程 知道K-近邻算法的距离公式 知道K-近邻算法的超参数K值以及取值问题 知道kd树实现搜索的过程 应用KNeighborsClassifier实现分类 知道K-近邻算法的优缺点 知道交叉验证实现过程 知道超

在绘画领域，AI应用发展得越来越常见也越来越成熟，不论你会不会绘画，只要在文本框内输入一句话甚至是几个简单的关键词，AI就会在几十秒内替你画出一幅画。 分享常见ai作画资源 ai作画资源-从Stable DiffusionNovelAI到NovelAI再到Naifu

prml一书中文版，不多说，看不惯英文版的可以下载

#资源达人分享计划#

关于机器学习的能量管理系统，非常值得学习。虽然我还没有认真细度

自驾车sp20 2020年Spring，在伯克利加州大学伯克利分校由机器学习教授的自动驾驶汽车贴花。 快速链接： 匿名反馈： : 每周结帐： : //forms.gle/9DfNj87bd9cFiSKh9 群组： : 广场： : Anaconda命令： : 第八周控制理论： 演讲幻灯片： : usp 缩放记录： ： 熟悉带有航点的控制回路。 通过3维状态和2维动作实现PID。 探索迭代LQR并为我们的系统选择一个合适的二次成本。 确保您已经安装了diffopt pip install git+http://github.com/brandontrabucco/diffopt.git 看着： 滑梯 演示/周8 / PID_demo.ipynb 硬件/控制/control_loop.py 写进： hw / control / pid.py（

Customer-segmentation:用于银行客户细分的无监督机器学习项目

引入了ReLU和dropout，引入数据增强、池化相互之间有覆盖，三个卷积一个最大池化+三个全连接层采用1*1和3*3的卷积核以及2*2的最大池化使得层数变得更

机器学习入门专栏笔记对应jupyter notebook以及封装的各种算法。 包含：jupyter notebook、numpy、matplotlib的使用以及常见函数，KNN算法，线性回归算法，梯度下降算法（随机梯度下降算法），PCA与梯度上升法，多项式回归与模型泛化，逻辑回归，评价分类，SVM，决策树，集成学习与随机森林等机器学习的基础算法。 笔记还在更新中 个人笔记，如有错误，感谢指出！