3.1.1特征值和特征向量习题集2.pdf，这是一份不错的文件

基于Jeffries-Matusita距离和有向无环图的多类支持向量机分类器

人脸识别仿真,提取ORL人脸数据库的协方差矩阵S的特征值和特征向量,通过PCA降维后人脸识别+含代码操作演示视频 运行注意事项：使用matlab2021a或者更高版本测试，运行里面的Runme.m文件，不要直接运行子函数文件。运行时注意matlab左侧的当前文件夹窗口必须是当前工程所在路径。具体可观看提供的操作录像视频跟着操作。

Word2Vec 采用Word2Vec训练词向量，数据集：STS

1、python程序 2、有数据集 3、里面进行了三种算法对比，遗传算法、粒子群算法和布谷鸟算法 4、有一篇类似论文

此函数基于 Gabriel Ruiz Martinez 的 UTM.m 函数，但它不提供 GUI，而是使用坐标向量。 [x,y,utmzone] = deg2utm(Lat,Lon) % 示例 1： % 纬度=[40.3154333; 46.283900； 37.577833； 28.645650； 38.855550； 25.061783]； % Lon=[-3.4857166; 7.8012333； -119.95525； -17.759533； -94.7990166； 121.640266]； % [x,y,utmzone] = deg2utm(Lat,Lon); % fprintf('%7.0f',x) E8731407653239027230253343898362850 % fprintf('%7.0f',y) D628815126290416308

1、python程序 2、有数据集可直接运行

1、python代码 2、有数据集，直接运行

基于Python和sklearn机器学习库实现的支持向量机算法使用的实战案例。 使用jupyter notebook环境开发。 支持向量机：支持向量机（Support Vector Machine, SVM）是一类按监督学习（supervised learning）方式对数据进行二元分类的广义线性分类器（generalized linear classifier），其决策边界是对学习样本求解的最大边距超平面（maximum-margin hyperplane） [1-3] 。 SVM使用铰链损失函数（hinge loss）计算经验风险（empirical risk）并在求解系统中加入了正则化项以优化结构风险（structural risk），是一个具有稀疏性和稳健性的分类器 [2] 。SVM可以通过核方法（kernel method）进行非线性分类，是常见的核学习（kernel learning）方法之一。

这里有一些支持向量机（svm）的程序例子，有分类也有回归的，分类有二维分类、还有多维分类的，在用之前安装一个svm的工具箱就行