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！

用各种机器学习算法预测上海房价，从链家网爬取的上海市各二手房数据进行训练，非线性决策树优于线性回归优于神经网络 摘要: 本文主要分析影响房价的因素，数据来源为链家网，机器学习模型的使用中，采用了三种线性模型，一种非线性模型，最后得出的结论是房子的大小，房子的位置，房子的建造年份以及房子的高度对房价影响较大。 问题描述 现在房价居高不下，特别是上海等一线城市，房价更是高的离谱，那么在决定一个房子的价格中，哪些因素占了主要的地位，如何让想买房的人快速获取大概的房价信息。那么本文介绍的就是如何用机器学习去训练上海房价信息并生成模型然后进行分析的过程。 数据收集及处理 数据源选择 经过在网上对几个房价信息网的比较，

机器视觉是人工智能正在快速发展的一个分支。简单说来，机器视觉就是用机器代替人眼来做测量和判断。机器视觉系统是通过机器视觉产品(即图像摄取装置，分CMOS和CCD两种)将被摄取目标转换成图像信号，传送给专用的图像处理系统，得到被摄目标的形态信息，根据像素分布和亮度、颜色等信息，转变成数字化信号;图像系统对这些信号进行各种运算来抽取目标的特征，进而根据判别的结果来控制现场的设备动作。本文不是详细的实现过程和原理，而是一个设计方案，由艾孜尔江·艾尔斯兰撰稿。转载请标明出处。

PyTorch主动学习 常见的主动学习方法库包括： 环环相扣的机器学习罗伯特·蒙罗（Robert Munro） 曼宁出版物 该代码是独立的，可以与本书一起使用。 库中的主动学习方法 该代码当前包含用于以下目的的方法： 最低置信度抽样 置信度抽样 置信度采样率 熵（分类熵） 基于模型的离群抽样 基于聚类的采样 代表性抽样 自适应代表性抽样 主动转移学习以进行不确定性采样 主动转移学习以进行代表性抽样 自适应采样的主动转移学习（ATLAS） 本书介绍了如何在计算机视觉和自然语言处理中将它们独立地，组合地应用以及用于不同的用例。 它还涵盖了针对现实世界多样性进行抽样以避免偏见的策略。 安装： 如果您克隆此仓库并且已经安装了PyTorch，则应该能够立即开始： git clone https://github.com/rmunro/pytorch_active_learning cd

1. 参数 2. 第个问题是单个斯分布是单峰的，对有多个峰的数据分布不能得到好的结果 2. 同样的， 3. 对于两个条件概率，我们引三个量： 4. 同样： 1.

#资源达人分享计划#

数据挖掘十大经典机器学习算法，国际权威的学术组织 the IEEE International Conference on Data Mining (ICDM) 2006 年 12 月评选出了数据挖掘领域的十大经典算法： C4.5, k-Means, SVM, Apriori, EM, PageRank, AdaBoost,kNN, Naive Bayes, and CART.