本文件规定了机器学习算法在设计开发、验证测试、部署运行、维护升级、退役下线等阶段的安全 要求和证实方法，以及机器学习算法的安全评估实施。 本文件适用于对机器学习系统中的算法进行安全评估，也适用于机器学习系统开发者和运营者在算 法开发运营过程中进行自评估和改进安全措施。 机器学习算法machine learning algorithm 采用机器学习技术理论求解问题，明确界定的有限且有序的规则集合，并基于输入数据生成分类、推理、预测等的算法。 机器学习算法生命周期machine learning algorithm lifecycle 机器学习系统的算法从起始到退役的整个演进过程，包括设计开发、验证测试、部署运行、维护升 级、退役下线。 注：在机器学习算法生存周期中，某些活动可出现在不同的过程中，个别过程可重复出现。例如为了修复错误和更 新，需要反复实施开发和部署过程。

常见机器学习算法分类，包括有监督，无监督，还包括各类的优缺点

Predicting_Flight_Delays 该项目旨在通过培训2018年和2019年美国的航班数据来提前一周预测航班延误。

lle+matlab+代码 manifoldAlgorithm 流形学习算法ISOMAP与LLE的matlab代码

MuJoCo的RL 该软件包包含用于用模拟的连续控制任务的各种RL算法的实现 安装 主要的软件包依赖项是MuJoCo ， python=3.7 ， gym>=0.13 ， mujoco-py>=2.0和pytorch>=1.0 。 有关详细的安装说明，请参阅setup/README.md （）。 参考书目 如果您觉得该包装有用，请引用以下文件。 @INPROCEEDINGS{Rajeswaran-NIPS-17, AUTHOR = {Aravind Rajeswaran and Kendall Lowrey and Emanuel Todorov and Sham Kakade}, TITLE = "{Towards Generalization and Simplicity in Continuous Control}", BOOKTITLE =

代码中包含13种强化学习算法，所调用的环境不仅包含gym下面的一些简单环境，还可以自己设计环境（简单的迷宫游戏），简洁明了，适合算法学习的同学使用，其中A3C与PPO还涉及了并行运算的算法。

包括贝叶斯算法，神经网络算法，支持向量机等等相关讲义

为了执行重复性任务，本文针对具有参数不确定性的两连杆刚柔机器人提出了一种自适应边界迭代学习控制（ILC）方案。 利用汉密尔顿原理，建立了系统的常微分方程和偏微分方程（ODE–PDE）耦合动力学模型。为了驱动节点遵循期望的轨迹并同时消除柔性梁的变形，加入了边界控制策略。边界控制方案的自适应迭代学习算法包括比例-微分（PD）反馈结构和迭代项。该新型控制器旨在处理未建模的动力学和其他未知的外部干扰。 提供了数值模拟，以验证所提出的控制器在MATLAB中的性能。

EasyRL强化学习算法入门与实践.pdf

赛马 赛马是将常见机器学习算法应用于数据集并评估哪个表现最佳的最简单方法。 Horserace 支持以下类型的问题： 分类 回归 聚类 降维 推荐 用法 $ pip install horserace $ from horserace.run_race import Race $ race = Race(pandas_df, x_cols, y_cols, problem_type) $ race.go() |||||||||||||||||||| And they're off! |||||||||||||||||||| Logistic regression: Accuracy: 0.50 (+/- 0.63) KNN: Accuracy: 0.83 (+/- 0.28) Random forest: Accuracy: 0.73 (+/- 0.32) ####使用的算法