这是笔记配套的代码，详细说明看本人博文，上面有详细介绍

健康保险交叉销售 EDA 和机器学习建模 这是一本关于健康保险客户交叉销售车辆保险产品并使用机器学习预测客户是否对车辆保险感兴趣的探索性数据分析笔记本 背景资料： 向客户提供健康保险的保险公司，通常他们通过不同类型的营销渠道向客户提供其他保险产品。在这种情况下，我们将建立一个模型来预测过去一年的保单持有人（客户）是否也会对公司提供的车辆保险感兴趣。 问题陈述： 未优化客户联系流程，许多保险工作者花费大量时间与潜在客户会面，却不知道该客户购买保险产品的可能性 业务目标： 建立一个模型来预测客户是否会对车辆保险感兴趣，这对公司非常有帮助，因为它可以相应地规划其沟通策略以接触这些客户并优化其业务模型和收入 业务问题： 车龄如何决定车险广告反应 如何吸引不同世代的顾客 使健康保险客户对车辆保险不感兴趣的主要因素是什么 这个交叉销售案例的最佳机器学习建模是什么 工作流程： 数据清洗 重新分类数据 分级 探索性数据分析以回答业务问题 机器学习过程的特征工程和选择 编码所有分类特征 检查因变量和独立变量之间的相关性 特征选择 建筑模型 ： 将数据拆分为训练和测试 由于数据不平衡，将SMOT

MapReduce-机器学习 一些机器学习算法的 Map-Reduce 实现

如果要推荐《机器学习》的学习课程，那必然首选吴恩达的《机器学习》课程，无论是国内还是国外，这是最火的机器学习入门课程，没有之一。吴恩达老师用易于理解、逻辑清晰的语言对机器学习算法进行介绍，无数新手正是通过这门课程了解了机器学习。 吴恩达老师的《机器学习》课程主要有两门，一门是Cousera上的课程，另一门是斯坦福大学的课程CS229: Machine Learning。这两门课程各有侧重点： 1、Cousera Machine Learning课程  这门课最大的特点，是它侧重于概念理解而不是数学。数学推导过程基本被略过，重点放在让初学者理解这背后的思路。另外，它还十分重视联系实际和经验总结：课程中吴恩达老师列举了许多算法实际应用的例子；他提到当年他们入门 AI 时面临的许多问题，以及处理这些难题的经验。 吴恩达教授在Coursera上的课程基本上完全没有触及到高深的数学知识（几乎不用具备太多数学知识），吴老师解释道：“这门课没有使用过多数学的原因就是考虑到其受众广泛，因此用直觉式的解释大家有信心继续坚持学习”。 这门课程内容丰富，可在Cousera网站上在线观看（需要注册，可申请免费观看）

从网上收集的质量高的SVM资料合集，并且根据自己的学习经验给出大量注释，同时通过txt文件给出学习路线（阅读各文档的先后顺序）以及各文档的依附关系。使得读者快速入门

深度对象姿态估计（DOPE） - ROS推断（CoRL 2018） Deep Object Pose Estimation - ROS Inference 这是官方的 DOPE ROS 包，用于检测和 6-DoF 对来自 RGB 相机的已知物体的姿态估计。 该网络已经在以下 YCB 对象上进行了训练：饼干盒、糖盒、番茄汤罐、芥末瓶、盆栽肉罐和明胶盒。 有关更多详细信息，请参阅我们的 CoRL 2018 论文和视频。 注意：以下说明仅适用于推理。 还提供了培训代码，但不支持。 2020 年 3 月 16 日更新 - 添加了一个 wiki（感谢 @saratrajput） 03/07/2019 - ROS 界面更新（感谢 Martin Günther） 11/06/2019 - 添加了漂白 YCB 权重安装 我们已经在 Ubuntu 16.04 和 18.04 上进行了测试使用 ROS Kinetic 和 Lunar，使用 NVIDIA Titan X 和 RTX 2080ti，使用 python 2.7。 该代码可能适用于其他系统。 以下步骤描述了本机安装。 或者，使用

机器学习无疑是当前数据分析领域的一个热点内容。很多人在平时的工作中都或多或少会用到机器学习的算法。这里我们将为您总结一下常见的机器学习算法，以供您在工作和学习中参考。机器学习的算法很多。很多时候困惑人们都是，很多算法是一类算法，而有些算法又是从其他算法中延伸出来的。这里，我们从两个方面来给大家介绍，第一个方面是学习的方式，第二个方面是算法的类似性。根据数据类型的不同，对一个问题的建模有不同的方式。在机器学习或者人工智能领域，人们首先会考虑算法的学习方式。在机器学习领域，有几种主要的学习方式。将算法按照学习方式分类是一个不错的想法，这样可以让人们在建模和算法选择的时候考虑能根据输入数据来选择最合

可以保存加载模型、有评价指标和训练过程的损失正确率图像，预测值和真实值对比等、正确率很高 绝对不是垃圾代码！！！！

汇总了计算机研究生复试有关机器学习各章节简答题，使用了易于口头表达的语言进行了总结。包括了机器学习的常用概念及相关算法内容。可供研究生复试或相关专业岗位面试使用。 1. 什么是梯度爆炸和梯度消失？如何解决梯度消失、梯度爆炸？ 2. 数据挖掘是干什么的？ 3. 回归模型 4. k-means算法（k均值算法） 5. kNN （k近邻）学习 6. 决策树（ID3算法和C4.5算法） 7. 随机森林模型 8. SVM（支持向量机） 9. 朴素贝叶斯(naive Bayes) 1. 基础神经网络架构及常用名词 2. BP(back propagation，多层前馈)神经网络 3. 循环神经网络RNN、LSTM 网络： 4. CNN 网络 5. Hopfield 神经网络

实现使用GAN进行纹理合成的代码