自述文件 薪水预测 数据挖掘项目 #DATA可以在项目/数据中找到

1.掌握深度学习图像处理（基于keras、tensorflow、opencv）2.掌握web前后端设计（基 于flask框架）3.开发基于web端的深度学习图像，把web端应用与人工智能相结合 代码路径：https://github.com/gdit-ai/deep-learning-of-web QQ群：971601256

pagerank matlab代码

数据挖掘 (DM) 涉及一种核心算法，它使数据比基本见解和知识更深入。 事实上，数据挖掘更多是知识发现过程的一部分。 信用卡 (CC) 提供商为其客户提供多张卡。 所有信用卡用户必须是真实和真诚的。 任何类型的错误都可能导致金融危机。 由于无现金交易的快速增长，不太可能，虚假交易也可以增加。 欺诈交易可以通过研究各种行为的信用卡作为先前的交易历史数据集来识别。 如果与可用成本模式有任何偏差，则为虚假交易。 DM 和机器学习技术 (MLT) 广泛应用于信用卡欺诈检测 (CCFD)。 在这份调查报告中，我们展示了各种广泛使用的 DM 和 MLT 检测信用卡欺诈的迹象。

人工智能深度学习算法评估规范完整版

本文总结博客中关于机器学习十大算法的详细过程，进行汇总，包括广义线性模型、softmax 回归 、逻辑回归、梯度下降法、Logistic 回归与牛顿迭代法、两种梯度下降法、相对熵（KL 散度）、K-Means 聚类算法 、朴素贝叶斯分类、决策树之 ID3 算法 、决策树之 C4.5 算法、 决策树之 CART 算法、随机森林、K-D 树、KNN 算法、BFGS 算法、L-BFGS 算法、文本特征属性选择。 十九、矩阵求导解最小二乘问题 二十、局部加权回归 二十一、最小二乘的概率解释

本资源包括 线性回归，Logistic回归和一般回归，K-means聚类分析，独立分析，线性判别分析，增强学习，还有混合高斯模型和EM算法的的学习笔记，往后还有更新。

机器学习应用于cfd 大纲 贡献者 介绍 该存储库包含有关如何在计算流体动力学（CFD）领域中使用机器学习（ML）算法的示例。 在基于CFD的研究过程中，可以将ML算法应用于不同的步骤： 预处理，例如，用于几何或网格生成 运行时，例如，作为动态边界条件或作为子网格规模模型 后处理，例如，创建替代模型或分析结果 另一种可能的分类是区分机器学习算法的类型，例如 监督学习：算法在给定的特征和标签之间创建映射，例如在卡车的形状和作用在卡车上的拖曳力之间 无监督学习：算法在数据中查找标签，例如，如果两个粒子p1和p2由其表面上的某些点表示（只有点列表，但不知道它们属于哪个粒子），则该算法将为每个点弄清楚它是属于p1还是p2 强化学习：在环境中活动的代理试图最大化（累积）奖励，例如，设置模拟解决方案控制的代理尝试尽快完成模拟，从而学习找到给定集合的优化解决方案控制-up（代理：某些程序修改求解器

里面有比较全的机器学习的算法ppt适合大家入门学习，算法描述的挺好的

机器学习算法详解▪ 一、线性回归 ◦ 1、代价函数 ◦ 2、梯度下降算法 ◦ 3、均值归一化 ◦ 4、最终运行结果 ◦ 5、使用scikit-learn库中的线性模型实现 ▪ 二、逻辑回归 ◦ 1、代价函数 ◦ 2、梯度 ◦ 3、正则化 ◦ 4、S型函数（即） ◦ 5、映射为多项式 ◦ 6、使用的优化方法 ◦ 7、运行结果 ◦ 8、使用scikit-learn库中的逻辑回归模型实现 ▪ 逻辑回归_手写数字识别_OneVsAll ◦ 1、随机显示100个数字 ◦ 2、OneVsAll ◦ 3、手写数字识别 ◦ 4、预测 ◦ 5、运行结果 ◦ 6、使用scikit-learn库中的逻辑回归模型实现 ▪ 三、BP神经网络 ◦ 1、神经网络model ◦ 2、代价函数 ◦ 3、正则化 ◦ 4、反向传播BP ◦ 5、BP可以求梯度的原因 ◦ 6、梯度检查 ◦ 7、权重的随机初始化 ◦ 8、预测 ◦ 9、输出结果 ▪ 四、SVM支持向量机 ◦ 1、代价函数 ◦ 2、Large Margin ◦ 3、SVM Kernel（核函数） ◦ 4、使用中的模型代码 ◦ 5、运行结果 ▪ 五、K-Means聚类算法 ◦ 1、聚类过程 ◦ 2、目标函数 ◦ 3、聚类中心的选择 ◦ 4、聚类个数K的选择 ◦ 5、应用——图片压缩 ◦ 6、使用scikit-learn库中的线性模型实现聚类 ◦ 7、运行结果 ▪ 六、PCA主成分分析（降维） ◦ 1、用处 ◦ 2、2D-->1D，nD-->kD ◦ 3、主成分分析PCA与线性回归的区别 ◦ 4、PCA降维过程 ◦ 5、数据恢复 ◦ 6、主成分个数的选择（即要降的维度） ◦ 7、使用建议 ◦ 8、运行结果 ◦ 9、使用scikit-learn库中的PCA实现降维 ▪ 七、异常检测 Anomaly Detection ◦ 1、高斯分布（正态分布） ◦ 2、异常检测算法 ◦ 3、评价的好坏，以及的选取 ◦ 4、选择使用什么样的feature（单元高斯分布） ◦ 5、多元高斯分布 ◦ 6、单元和多元高斯分布特点 ◦ 7、程序运行结果