MEAN.Web.Development.2nd.Edition.2016.11.pdf

Mean Maximum Discrepancy计算代码，分为线性核和高斯核两种，以pytorch书写的

主要为大家详细介绍了python实现mean-shift聚类算法，文中示例代码介绍的非常详细，具有一定的参考价值，感兴趣的小伙伴们可以参考一下

本文讲述了mean shift的具体实现方法，及其在图像平滑，分割方面的应用。

matlab计算曲率的代码全局表面曲率均值 此函数通过在每个顶点上制作点并计算这些点相对于其相邻点的曲率来评估曲面的曲率。 该函数是与 Bitplane 技术支持团队合作开发的，并在 MATLAB 代码中结合了 Dirk-Jan Kroon 开发的 Patch Curvature 算法。 编写此脚本是为了评估胚胎植入前和植入阶段小鼠子宫腔的 3D 表面曲率。 3D 曲率测量是通过修改旨在计算局部小区域曲率的现有脚本生成的。 该脚本经过修改以计算较大物体（例如子宫）的曲率。 使用在 Imaris 中的 Surface 模式下生成的顶点进行分析。 通过将顶点数量均匀地减少到原始数量的十分之一来降低表面复杂度。 使用每个顶点的每个轴的法线，计算由连接相邻顶点形成的曲线的半径。 对六个相邻顶点计算的半径进行平均以获得曲率平均值并乘以 10 以计算 Cmean。 然后可以将表面的 Cmean 显示为热图。 该脚本还会生成一个条形图，其顶点总数在 Cmean 0-0.1、0.1-0.15、0.15-0.45 和 0.45-0.675 内。 在条形图上，脚本计算折叠因子 (f) 的值，它是高度弯曲表

使用K均值的客户细分 使用K-Means聚类算法根据新近度，频率和货币价值（RFM）指标对客户进行细分

R中的均值漂移聚类算法 在Iris数据库中应用均值漂移模型（msClustering），使用绘图库以图形方式显示此算法中生成的聚类。 与Kmeans（K平均值）不同，我们没有定义聚类的数量，该算法处理这种分类。

基于mean shift图像平滑与分割技术，以及核函数的选取

semi-supervised-learning 深度学习半监督相关算法，主要是文献《Mean teachers are better role models》算法，经测试在一般分类问题上精度都会有几个点的提升。 1.数据存放到data目录，每个类别图片存放到一个文件里面，然后用makelist生成列表文件：path label，把无标签的数据标签设置为：-1 2.运行mean_teacher.py

1、无监督学习 没有目标值（变量）的算法 常见的无监督学习算法： 降维： – 主成分分析PCA降维处理 聚类： – K-means（k均值聚类） 2、主成分分析 应用PCA实现特征的降维 ·定义：高维数据转化为低维数据的过程，在此过程中可能会舍弃原有数据、创造新的变量 ·作用：是数据维散压缩，尽可能降低原数据的维数（复杂度），损失少量信息。 ·应用：回归分析或者聚类分析当中 PCA的APA: ·sklearn.decomposition.PCA（n_components=None） – 将数据分解为较低维数空间 n_components： ·小数：表示保留百分之多少的信息 ·整数：减少到多少特