1. 使用迁移学习+集成学习的思想来实现对于常见水果的好坏进行分类，使用Pytorch官方基于imageNet所训练好成熟框架体系，选择了机器学习界十分流行的四大网络架构densenet， googlenet，resnet，efficientnet使用迁移学习的办法，只修改其输出层的相关参数,进行冻结训练，在迭代训练过10次之后，对模型进行了解冻训练，使其可以修改整个网络结构参数，让我们的网络结构更加的贴合我们实际所使用的分类图像，同时四个网络训练框架训练完成之后，采用集成学习的思想，将四个框架模型进行了集成得到了最终的网络架构 2. 同时为了提升数据的泛化性，对实验数据进行了随机的裁剪，色调调节，归一化标准化，随机放射变化等一系列图像的预处理和图像增广 3. 使用了PyQt工具包进行了应用拓展,可以使用网上自由选择一张图片来进行水果的识别. 4.训练过程中使用了tesorboard对训练集和验证集的参数进行记录,保存已经训练好的模型参数,最后测试模型时绘制多分类的ROC曲线,与混淆矩阵 5.文件有相关的代码,预训练好的模型,相关的文档,还有ppt,数据集,和使用说明

该部分涉及特征变量编码、特征相关性分析、训练集测试集拆分、PCA主成分分析、自动化特征选择及K-means聚类分析。

系统集成项目管理工程师2019年上半年真题 集成学习+系统集成项目管理工程师+软考中级 推荐刷题小程序（科科过）

系统集成项目管理工程师2021年上半年真题 集成学习+系统集成项目管理工程师+软考中级 推荐刷题小程序（科科过）

如何使用随机森林，Bagging等机器学习中的类，并且其相关的操作原理及流程， 重要参数说明。

对跨项目缺陷预测问题展开了深入研究，在源项目实例选择时，考虑了三种不同的实例相似度计算方法，并发现这些方法的缺陷预测结果存在多样性，因此提出了一种基于Box-Cox转换的集成跨项目软件缺陷预测方法BCEL。具体来说，基于不同的实例相似度计算方法，从候选集中选出不同的训练集；针对这些数据集，进行有针对性的Box-Cox转换，并借助特定分类方法构造出不同的基分类器，最后将这三个基分类器进行有效集成。基于实际项目的数据集，验证了BCEL方法的有效性，并深入分析了BCEL方法内的影响因素对缺陷预测性能的影响。

详细讲解了集成学习的主要方法：Voting、Bagging、Boosting和Stacking。每一种集成方法都配有详细的代码讲解。能够使用集成模型完成分类或回归任务。

这里的资源是百面机器学习中及集成学习部分的内容，大家可以自由下载来阅读学习哈！里边主要是关于Xgboost和GBDT之间的区别和联系。

机器学习房价预测实战案例：输入数据集，train和test分别是训练集和测试集，关注房价分布，剔除离群样本；进行特征工程，训练回归模型，stacking 集成学习以及多模型线性融合。

帮助同学快速回顾监督型算法的主要步骤。 包含机器学习监督类算法+集成学习模型（内容来自：《统计机器学习》+《集成学习》+集成学习论文梗概+知乎答主内容总结） 机器学习理论基础+朴素贝叶斯+感知机+决策树+SVM+随机森林+K近邻+GBDT+Adaboost+XGBoost+LightGBM