Introducing-Data-Science-Big-Data-Machine-Learning-and-more-using-Python-tools.pdf

hmm模型matlab代码具有Baum-Welch算法的隐马尔可夫模型 该代码是用Matlab编写的。 输入 数据：N * T矩阵，长度为T的N个数据样本 A_guess：K * K矩阵，其中K是隐藏状态数[对转换矩阵的初始猜测] E_guess：K * E矩阵，其中E是排放量[排放矩阵的初始猜测] 输出 A_estimate：期望最大化的N_iter次迭代后对转换矩阵的估计 E_estimate：期望最大化的N_iter次迭代后的排放矩阵估计 用法 加载（'hmm_data.mat'）; A = [0.7,0.3; 0.3,0.7]； E = [0.25,0.25,0.25,0.25; 0.25,0.25,0.25,0.25]； [A_estimate，E_estimate] = baumwelch（数据，A，E，500）

光谱聚类MATLAB 这是使用MATLAB进行频谱聚类的直观实现。 您可以轻松地完成使用Scikit，了解类似的API（光谱clutsering和其他人之间的比较是频谱聚类分析）。 有关频谱聚类的更多详细信息，您可以阅读以下参考文献或我们撰写。 （GPU加速版即将推出...） 入门 克隆此仓库并运行main.m以查看演示 使用细节 指定数据矩阵X和标签向量y，或获取内置数据 [X, y] = make_digits_dataset(300, true, false); 00examples, balance, no shuffle 在此项目中，我们提供6个数据集，包括3个玩具和3个

机器视觉 Machine Vision （英文版） Automated Visual Inspection: Theroy, Pratice And Applications

学校机器视觉课程教材

Machine Vision Handbook。非常经典的机器视觉手册（宝典）。英文版，带书签，高清。

多机融合 多机同步播放拼接融合系统（多机融合） 此系统是前者是在2012年的一个测试版本中改进而来，经过2年的改进和完善最终达到本系统的1.3.2正式版本。系统中也存在一些暂未完成功能。但是此版本已经满足城市表面的大部分应用，并且在多PC模式下完全很好的调试技术。此软件从问世到现在应用过很多商业领域以及很多扩展领域，并且应用十分稳定。由于本开源系统供参考和研究，不做商业应用则已经将许可使用，保存数据和加载数据部分删除。若有需要可请示作者。 系统的组成和实现细节： 1.使用跨平台Qt完成Ui界面的定制； 2.使用OpenGL实现几何调整，图像的输出，图像混合，图像合成功能； 3.可将平台依赖部分做修改可支持Windows，Linux，Mac，Android，Wayland，Mir 4.当前实现的平台部分支持Windows，Linux 下面是系统的功能基本描述： 1.支持水平，垂直多台计算

pattern recognition and machine learning 英文版本

DS-Take-Home：我对《数据科学实战挑战的合集》一书的解决方案

Hands-On Machine Learning with Scikit-Learn and TensorFlow: Concepts, Tools, and Techniques to Build Intelligent Systems by Aurélien Géron English | 13 Mar. 2017 | ASIN: B06XNKV5TS | 581 Pages | AZW3 | 21.66 MB Through a series of recent breakthroughs, deep learning has boosted the entire field of machine learning. Now, even programmers who know close to nothing about this technology can use simple, efficient tools to implement programs capable of learning from data. This practical book shows you how. By using concrete examples, minimal theory, and two production-ready Python frameworks—scikit-learn and TensorFlow—author Aurélien Géron helps you gain an intuitive understanding of the concepts and tools for building intelligent systems. You’ll learn a range of techniques, starting with simple linear regression and progressing to deep neural networks. With exercises in each chapter to help you apply what you’ve learned, all you need is programming experience to get started. Explore the machine learning landscape, particularly neural nets Use scikit-learn to track an example machine-learning project end-to-end Explore several training models, including support vector machines, decision trees, random forests, and ensemble methods Use the TensorFlow library to build and train neural nets Dive into neural net architectures, including convolutional nets, recurrent nets, and deep reinforcement learning Learn techniques for training and scaling deep neural nets Apply practical code examples without acquiring excessive machine learning theory or algorithm details