浙大概率论基础。浙江大学概率论基础的公开课，要好好学习机器学习的话，概率论是基础中的基础。而对于其他的算法来说，也是必不可少的。

作者：詹姆斯·狄更斯（James Dickens），锡7118781 最终项目-CSI 5155：机器学习，Herna Viktor博士教授的课程。 这是我针对数据的二进制分类的机器学习任务的代码，该代码可从，该数据由从1994年提取的加权普查数据组成1995年由美国人口普查局进行的当前人口调查。 目标是评估五个常用的机器学习模型（包括半监督神经网络！），以对给定实例每年赚取超过50K进行分类，也就是二进制分类任务。 我的代码组织如下： Preprocess.py接收初始的census-income.data文件和census-income.test文件，然后 打印有关数据及其属性的信息 从训练数据中删除重复项 处理实例重量冲突 将缺失的值替换为其默认值 将结果写入文件：“ census-income.data/training_data_preprocess1”，“ census

ExploratoryDataProject1 说明该作业使用来自UC Irvine机器学习存储库的数据，该存储库是机器学习数据集的流行存储库。 特别是，我们将使用我在课程网站上提供的“个人家庭用电量数据集”：数据集：电力消耗[20Mb]说明：测量一个家庭中一个家庭的电力消耗的方法-在近4年内的分钟采样率。 提供不同的电量和一些子计量值。 数据集中9个变量的以下描述来自UCI网站：日期：以dd / mm / yyyy格式表示的时间时间：以hh：mm：ss格式表示的时间Global_active_power：家庭全球分钟平均有功功率（以千瓦为单位） ）Global_reactive_power：家庭全球平均每分钟平均无功功率（以千瓦为单位）电压：每分钟平均平均电压（以伏特为单位）Global_intensity：家庭全球每分钟的平均平均电流强度（以安培为单位）Sub_metering_1：

可以参考以下里面关于最小二乘法解包裹的内容

特征选择+分类

kmeans 聚类问题实例，用kmeans聚类算法将数据分成三类，实现三分类问题，并将分类结果进行储存

ICML 2013国际会议论文集论文，机器学习，深度学习领域，比较热

机器学习系类必学的经典论文，学习机器学习首先得了解的相关资讯。第二弹接上。

本文来自于infoq，文章介绍了机器学习的各个业务方各个痛点，Kubeflow以及Kubeflow核心组件等相关知识。随着机器学习和人工智能的迅猛发展，业界出现了许多开源的机器学习平台。由于机器学习与大数据天然的紧密结合，基于 HadoopYarn的分布式任务调度仍是业界主流，但是随着容器化的发展，Docker+Kubernetes 的云原生组合，也展现出了很强的生命力。表1.互联网业界机器学习平台架构对比

用于图片识别、图片分类的训练集