压缩包内含吴恩达老师《Machine Learning》课程第八周的编程作业ex7所需完成的六个m文件，解压放进课程作业原始压缩包中即可。压缩包中所有编程作业均为本人独立完成，并尽量使用向量化计算，全部满分通过。

压缩包内含吴恩达老师《Machine Learning》课程第三周的编程作业ex2所需完成的五个m文件。压缩包中所有编程作业均为本人独立完成，并尽量使用向量化计算，全部满分通过。

从机器学习视角学习因果推断的教材。

MachineLearning 机器学习算法代码及个人总结整理，对于算法实现部分，在相应目录中都包含有源码和数据以及测试实例，内容正在不断完善中！如有错误，还望读者指出，非常感谢，若您觉得对你有帮助，可以在右上角给个star哈(#^.^#)。PS:所有代码均符合我们整理出来的这份. Contents 算法部分目前主要包含如下部分： Logistic Regression (二分类): 。包含数据集和源码。 Decision Tree: 决策树，. ROC: 用于绘制ROC曲线，. Naive Bayes：朴素贝叶斯，. K-NearestNeighbor：K最近邻算法，. K-Means均值聚类：. Adaboost组合算法： mRMR特征选择方法， 机器学习算法代码使用汇总， PCA主要成分分析, LDA线性判别分析（Fisher判别）, spark-demo：使用scala编写的s

Hacker’s Guide to Machine Learning with Python 2020

举重练习的定性活动识别 背景 使用 Jawbone Up、Nike FuelBand 和 Fitbit 等设备，现在可以相对便宜地收集大量有关个人活动的数据。 这些类型的设备是量化自我运动的一部分——一群狂热者定期测量自己以改善他们的健康状况，发现他们的行为模式，或者因为他们是技术极客。 人们经常做的一件事是量化他们做了多少特定活动，但他们很少量化他们做得有多好。 在这个项目中，我们将使用来自 6 位参与者的腰带、前臂、手臂和哑铃上的加速度计的数据。 他们被要求以 5 种不同的方式正确和错误地进行杠铃举重： A级：完全符合规范 B类：肘部向前抛 C级：只将哑铃举到一半 D级：将哑铃放下一半 E级：臀部向前抛 更多信息可从以下网站获得： : （参见举重运动数据集部分）。 目标 Coursera 实用机器学习课程的这个项目的目标是预测人们进行练习的方式。 这是训练集中的“classe”

Machine Learning

学习深度学习和强化学的人

压缩包内含吴恩达老师《Machine Learning》课程第四周的编程作业ex3所需完成的四个m文件。压缩包中所有编程作业均为本人独立完成，并尽量使用向量化计算，全部满分通过。

植物病害检测仪 由和创建 我在中的 在经过预处理的数据集上训练模型，可以在下载。 本地设置 当地的： 建议在虚拟环境中设置项目，以保持依赖关系分离。 激活您的虚拟环境。 通过运行pip install -r requirements.txt安装依赖项。 通过运行python app/server.py serve启动服务器。 访问进行探索和测试。 码头工人： 确保Docker已安装在您的本地计算机中。 了解如何安装Docker 。 苹果电脑： $ git clone https://github.com/imskr/Plant_Disease_Detection.git $ cd Plant_Disease_Detection $ docker build -t fastai-v3 . $ docker run --rm -it -p 8080:8080 fastai-v3