资源内包含新冠肺炎的原始数据，测试集、训练集等，以及进行数据可视化分析及算法预测分析的源码文件（ipynb格式） 这份分析代码主要分为以下几个部分： - 全球趋势分析 - 国家（地区）增长 - 省份情况 - 放大美国：现在美国正在发生什么？ - 欧洲 - 亚洲 - 现在哪个国家正在复苏？ - 什么时候会收敛？通过S型拟合进行预测

随机森林图像matlab代码步步森林 StepForest：使用局部强度和纹理特征分割结肠组织学图像中腺体的机器学习方法 为在结肠组织学图像中进行腺体分割而创建的基于机器学习的图像分割算法，可以针对其他图像分割问题进行修改。 该算法使用一种新颖的分层随机森林方法，其中使用3个级别的随机森林beeen来进行更好的分割。 为了测试该算法，使用了GlaS @ MICCAI'2015：腺体分割挑战赛（）的数据集。 可在上述网站的“下载”标签下下载。 使用的第三方工具箱/代码（由相应作者提供的许可控制）：- haralickTextureFeatures由Rune Monzel（） Matlab的污点归一化工具箱，作者是Warwick大学的Nicholas Trahearn和Adnan Khan（），这些第三方工具箱/代码的源代码已上传到“工具箱”文件夹下。 可以下载最新版本，并可以从给定的网站获取许可证信息 这项研究是由Rupali Khatun进行的。 这项工作最初是在加尔各答的印度统计研究所（ISI）的电子和通信科学部门（ECSU）以及印度统计研究所（ISI）的印度模式识别和人工智能部门（

matlab行列式的代码行列式点过程学习 (DPPL) 论文“机器学习遇到随机几何：无线网络的行列式子集选择”的 Matlab 脚本 作者：Chiranjib Saha 和 Harpreet S. Dhillon 通信电子邮件： 论文链接： 该存储库包含论文“机器学习满足随机几何：无线网络的确定子集选择”中提出的 DPPL 的 matlab 脚本。 运行“TrainDPP.m”以生成结果。 在“GenerateTrainingSet”文件夹下，使用 generateTrainingSet.m 生成新的训练集。 如果代码被重用，请引用以下论文。 @article{saha2019load, title={Machine Learning meets Stochastic Geometry: {D}eterminantal Subset Selection for Wireless Networks}, author={Saha, Chiranjib and Dhillon, Harpreet S}, note={available online: arxiv.org/abs/1905.0

机器学习之K近邻（KNN）模型-附件资源

金融机器学习练习的进展 所著《 》一书中选定练习的实验解决方案 确保在您的环境中使用python setup.py install ，以便jupyter笔记本和您可能开发的其他脚本可以找到包括bars.py和snippets.py的src脚本。 其他AFML项目和资源 人们共享的其他github项目和链接也受到这本书的启发。 我想在这里收集它们，以便本着协作和思想共享的精神与他人共享。 如果您要添加的内容更多，请告诉我。 Github项目 文章链接 项目组织 ├── LICENSE ├── Makefile <- Makefile with commands like `make data` or `make train` ├── README.md <- The top-level README for developers using this p

恶意URL检测，对应与机器学习是个分类问题，这里分别用逻辑回归和SVM支持向量机分类模型进行模型实现。 恶意URL检测的方法很多，这里介绍通过机器学习分析URL文本分词词频来检测恶意URL。训练的数据集为开源数据集，通过机器学习训练检测模型，然后做了部分工程化的应用，将模型持久化，在应用的时候加载进来直接应用，不用重新进行训练。通过接口调用实现恶意URL检测预测判断。 恶意URL检测，对应与机器学习是个分类问题，这里分别用逻辑回归和SVM支持向量机分类模型进行模型实现。 本资源包括机器学习实现恶意URL检测实战的代码和数据集

1.欧氏距离 2.曼哈顿距离 3.切比雪夫距离 4.闵可夫斯基距离 5.标准化欧氏距离 6.马氏距离 7.夹角余弦 8.汉明距离 9.杰卡德距离&杰卡德相似系数

算法处理，图像处理，机器学习，深度学习图像批量修改名称必备软件，批量命名实用软件，下载直接运行，免安装！

PhishingEmailDetection:基于机器学习的网络钓鱼电子邮件检测工具

The Bayesian method is the natural approach to inference, yet it is hidden from readers behind chapters of slow, mathematical analysis. The typical text on Bayesian inference involves two to three chapters on probability theory, then enters what Bayesian inference is. Unfortunately, due to mathematical intractability of most Bayesian models, the reader is only shown simple, artificial examples. This can leave the user with a so-what feeling about Bayesian inference. In fact, this was the author's own prior opinion.