我们描述了如何在理论开发中使用机器学习 (ML) 方法。 与传统的因果推理方法相比，ML 方法对最能代表数据的底层模型的函数形式做出的先验假设要少得多。 鉴于此，研究人员可以使用此类方法来探索数据中可能导致归纳理论构建的新颖而稳健的模式。 ML 的优势包括对数据中新模式的可复制识别。 此外，ML 方法解决了学者提出的与战略和管理领域的实证研究规范相关的几个问题（例如“p-hacking”和混淆局部影响对全局影响）。 我们制定了一个分步路线图，说明如何使用四种 ML 方法（决策树、随机森林、K-最近邻和神经网络）来揭示可用于理论构建的数据模式。 我们还说明了相对于传统方法，ML 方法如何更好地阐明交互和非线性效应。 总之，ML 方法可以作为现有归纳理论创建方法（例如多案例归纳研究）和传统因果推理方法的补充工具。

Bishop - Pattern Recognition And Machine Learning - Springer 2006

Machine Learning Mastery with Python. Understand your data, create accurate models and work projects end to end

斯坦福机器学习公开课编程作业答案，仅供参考

机器学习数学（MML书）-我的自学 按文件夹： Python代码 只是播放我用来更好地理解各种概念的代码。 高斯主义者的混合尤其棘手。 本章习题解答 每章练习的解决方案。 笔记本可能会花费一些时间来渲染所有LaTeX。 第2章解决方案： ， 第3章解决方案： ， 第4章解决方案： ， 第5章解决方案： ， 第6章解决方案： ， 第7章解决方案： ， 杂项 其他：） 知识就是力量。 分享它。

使用MindAR的示例 这是在React中使用的示例项目 react组件位于src/MindARViewer内部。 其他所有内容都是通过create-react-app ，它们无关紧要。 截屏 它表明： 如何将MindAR导入为npm软件包 如何为MindAR创建一个React组件 跑步 > npm install > npm run start

从图像中提取皮肤并发现主要颜色 存储库包含该文章的代码，该文章位于“ ”中，用于“皮肤分段和主色调/颜色提取”文章。 该项目使用OpenCV进行皮肤分割，并使用SciKit-Learn进行主色提取。 阅读该分类的文章和笔记本文件以了解该过程。 入门 如果您已经安装了NumPy，SciKit-Learn，Matplotlib，OpenCV和imutils，则可以克隆该项目并运行python文件或笔记本并在本地运行它。

基于内容的电影推荐系统，使用AJAX进行情感分析 可以在以下位置找到此应用程序的更新版本： : 基于内容的推荐系统推荐与用户喜欢的电影相似的电影，并分析用户对该电影给出的评论的情绪。 电影的详细信息（标题，类型，放映时间，评分，海报等）是通过TMDB使用API​​， //www.themoviedb.org/documentation/api并使用电影中的IMDB ID来获取的。 API，我进行了网络抓取，以使用beautifulsoup4在IMDB站点中获得用户给出的评论，并对这些评论进行了情感分析。 查看现场演示： : 链接到youtube演示： : 注意 电影院 我已经开发了一个类似的应用程序，称为“电影院”，它支持所有语言的电影。 但是与此应用程序唯一不同的是，我在“电影院”中使用了TMDB的推荐引擎。 我在此应用程序中开发的推荐部分不支持多语言电影，因为它消耗了200％的RAM（即使将其部署到Heroku之后）也无法为TMDB中的所有700,000部电影生成Count Vectorizer矩阵。 链接到“电影院”应用程序： : 如果您要查找的电影

The dramatic growth in practical applications for machine learning over the last ten years has been accompanied by many important developments in the underlying algorithms and techniques. For example, Bayesian methods have grown from a specialist niche to become mainstream, while graphical models have emerged as a general framework for describing and applying probabilistic techniques. The practical applicability of Bayesian methods has been greatly enhanced by the development of a range of approximate inference algorithms such as variational Bayes and expectation propagation, while new models based on kernels have had a significant impact on both algorithms and applications. 　　This completely new textbook reflects these recent developments while providing a comprehensive introduction to the fields of pattern recognition and machine learning. It is aimed at advanced undergraduates or first-year PhD students, as well as researchers and practitioners. No previous knowledge of pattern recognition or machine learning concepts is assumed. Familiarity with multivariate calculus and basic linear algebra is required, and some experience in the use of probabilities would be helpful though not essential as the book includes a self-contained introduction to basic probability theory. 　　The book is suitable for courses on machine learning, statistics, computer science, signal processing, computer vision, data mining, and bioinformatics. Extensive support is provided for course instructors, including more than 400 exercises, graded according to difficulty. Example solutions for a subset of the exercises are available from the book web site, while solutions for the remainder can be obtained by instructors from the publisher. The book is supported by a great deal of additional material, and the reader is encouraged to visit the book web site for the latest information.　　

使用英特尔D435实感摄像头，在Opencv DNN框架下基于Yolov3框架实现目标检测，并根据深度信息实现对异物的3D定位。 实时显示摄像机坐标系中的坐标。 异议检测和位置RealsenseD435要求C ++版本Ubuntu18.04或16.04 Opencv 4.x C ++ 11_std至少，我在绝对路径/ usr / local / eigen3中使用了C ++ 17 std Eigen3：Cmake> = 3.17 PCL lib> = 1.7.1 Intel Realsense SDK> = 2.0 Yolov3，由Darknet Python版本pyrealsense2.x Opencv-python numpy与C ++版本相同，必须已安装realsense D435的SDK如何使用C ++ git clone https://github.com / Mazhichaoruya /异议检测和定位Rea