保护隐私的机器学习方法、挑战和方向_Privacy-Preserving Machine Learning Methods, Challenges and Directions.pdf

网络入侵的异常检测 资料资讯 该数据集可以从下载 降维 数据集的PCA维数减少 无监督学习 在无人监督的设置中，训练集的班级标签不可用。 在当前问题中，为了反映实际情况，在训练过程中忽略了真实标签。 因此，无监督分类模型用于预测每个记录的真实标签。 我们训练了隔离林，基于聚类的局部离群因子（CBLOF），主成分分析（PCA）和椭圆形信封。 在现实世界中无监督的问题中，由于缺乏事实依据，企业必须验证预测结果。 但是，在此问题中，预测标签已使用真实标签进行了验证，并且以下结果表明，无监督模型预测了很多正面阳性。 半监督学习 在半监督设置中，给出了一个较大的未标记数据集和一个较小的标记数据集。 目标是在整个数据集上训练分类器，该分类器将预测未标记数据点的标记。 在当前问题中，我们创建了84％的未标记数据和16％的标记数据点。 使用自我训练的半监督学习方法，我们训练了Logistic回归和随机森林

用机器学习中有监督学习模型支持向量机SVM来进行强对流天气的识别和预报。 强对流天气的发生可以看作是小概率事件，因此强对流天气的预警问题可以作为不平衡数据分类问题来处理。在SVM的应用上结合判别准则来对不平衡数据进行处理，更好的对强对流天气进行预警。本文从数据的获取、训练算法的选择、算法的应用、实验结果的评估几个方面进行了详细的描述。通过采用丹佛地区的数据进行大量试验，排除了不平衡数据对分类的干扰，提高了强对流天气识别的准确度。

mstar_with_machine_learning 先决条件 该存储库使用python 3.6和scikit-learn API给出了带有机器学习的公共MSTAR数据集上的SAR ATR的示例。 建议直接安装Anaconda 3，它提供了numpy，matplotlib和scipy等常见软件包以及scikit-learn。 说明 该示例支持大多数机器学习方法的实现，包括逻辑回归，神经网络，支持向量机等。 为了减少计算量，它使用主成分分析来减少特征。 数据处理和模型声明分别在data.py和model.py中定义。 当然，您可以添加您自己的操作。

CBCT_seg 具有图像处理和机器学习方法的CBCT分割

学生学业成绩等级分类 使用不同的机器学习方法可视化学生的学术数据和对学生水平进行分类 灵感 开发资料库的目的是可视化学生的学术活动和影响学生整体学习成绩的其他因素，并根据学生的学习成绩和其他相关信息对学生的水平进行分类。 用于分析的数据集是从集中收集的。 数据集文件包含480名学生的数据，包括17个属性。出于分析目的，从数据文件中选取了10个属性（包括``班级''属性）。为了将不同的机器学习方法应用于分类，将总数据集划分为400个训练集＆80测试仪。 全可视化和分析的描述可以在这里找到 数据集信息 数据集特征：多变量 实例数：480 领域：电子学习，教育，预测模型，教育数据挖掘 属性特征：整数/类别 属性数：10 相关任务：分类 缺少价值？ 不 档案格式：xAPI-Edu-Data.csv 属性 性别-学生的性别（名义：“男”或“女”） 教育阶段-受教育水平的学生所属（名义：“低

音乐流派分类器 目录 Python包mysvm 特征 虚拟机 acc 结果 结论 执照 介绍 音乐分为主观类别，称为流派。 随着Internet和多媒体系统的发展，处理音乐数据库的应用程序变得越来越重要，对音乐信息检索（MIR）应用程序的需求也在增加。 音乐类型没有严格的定义和界限，因为它们是通过公众，市场，历史和文化因素之间的复杂相互作用而产生的。 这是将音乐分类为流派的Web应用程序。 要求 Django（1.11） 脾气暴躁（1.12.1） Scikit-Learn（0.18.1） Scipy（0.19.0） Python语音功能（0.5） 毕达（0.18.0） 安装 git clone https://github.com/indrajithi/mgc-django.git pip install -r requirements.txt python man

伯克利人工智能先导课cs188作业，朴素贝叶斯模型和KNN算法实现手写数字识别，准确率都达到很高水平，有说明文件，有训练结果绘图，适合新手入门

针对弱监督机器学习方法，系统阐述了小样本学习、零样本学习、零—小样本学习的问题定义、当前主要方法以及主流实验设计，最后基于当前研究中出现的问题，对下一阶段研究方向进行了总结展望。

纵向数据与生存数据的联合模型—基于机器学习方法.pdf