提供多个数据集、规则集（分类模型）生成、规则集测试等

机器学习周志华西瓜数据集2.0.csv

机器学习课上构建神经网络实现显著性提取

基于机器视觉实现昆虫识别计数系统python源码+数据集+模型+详细项目说明.zip 【项目任务】 图片中昆虫虫体计数 PyQt和OpenCV结合做出基本界面 摄像头Frame中检测虫体数目，并在界面中显示标出 学习昆虫图像特征的提取，参考论文中提出的几个特征量 提取特征量并进行保存 按照神经网络方法搭建训练模型 搭建了线性SVM分类训练器 将特征提取和UI界面建立连接，实现拍照和预测判断一体 【机器学习训练算法】

机器学习是问题学习和决策的核心论证和人工方面分类。 因此，科学家们引入了机器学习，通常用于人工思维。 使人脑等各种活动自动化的重要方法是人工智能准备框架。 机器学习技术需要一个规划程序来自动获得对不同应用程序信息的搜索控制。 机器学习在机器人领域发挥着重要作用。 它有助于决策并提高机器效率。 机器学习在大量应用中得到应用。 正是智能系统的原理概念有助于巧妙地引入人工智能，也使人工智能非常先进。

基于深度学习和机器学习的恶意软件检测算法 内含数据集以及训练预测脚本

基于机器学习和深度学习的恶意域名检测算法 DGA：恶意域名生成算法 内含数据集以及训练脚本

基于xgboost的用户行为分析UBA，内含原理说明以及训练验证脚本，以及数据集

python实现机器学习K-means聚类算法.zip对数据进行聚类并绘图。原理 ​ K-means算法属于八大经典的机器学习算法中的其中一种，是一种无监督的聚类算法。其中无监督是机器学习领域中一个专业名词，和有监督是相对的，两者最本质的区别就在于研究的样本是否包含标签。比如猫狗分类这个问题中，猫和狗就是标签。对于聚类，其实是和分类相对应的，其中分类就是之有标签的。而聚类则是只没有标签的，我们需要将这些无标签的数据，按照各自的属性将他们会聚成不同的类别，从而将他们区分开。 ​ 在k-means算法中，存在着质心和簇。在进行算法之前，我们需要人工的指定将数据分为K个簇，并随便选取K个质心。就拿认知实习学习中的例子举例，假如我们又8个数据，分别为a1-a8，我们需要将这八个数据分为三个簇，也就是说k=3。这是我们就需要在a1-a8中随机选取三个数据点作为质心我们将质心记为b11，b12，b13。确定了质心后，我们需要计算a1-a8和三个质心的距离，并将距离最短的归为一类。比如a5到b11距离为2，到b12距离为3，到b13距离为1，那么就将a5和质心b13归为同一个簇。如此一次计算8个数

基于机器学习的量化投资策略demo.zip这是一个demo程序，旨在帮大家快速入门基于机器学习的量化投资方法。适于人群：有一定python基础，对炒股和量化投资一无所知的人。 运行程序 首先，通过以下命令安装必需的python依赖库。 pip install -r requirements.txt 调用tusare，获取股票的历史价格数据。每支股票的数据会保存在file/data目录下，所有股票的代码保存在文件file/stock_list.txt中，作为demo我只往里面放了10支股票，实战中应该尽可能地多放一些。 python data.py 根据基础的价格数据，生成机器学习模型所需要的高级特征。最终的特征文件是pickle二进制格式，存放在目录file/feature下。 python feature.py 训练lightGBM模型。模型文件是file/model.lgb.txt。 python model.py 根据历史数据回测模型效果。每天应该买入哪支股票以及对应的收益会存储在文件file/record.csv中，同时会计算量化投资最经常关注的三个指标：累积收益、最大回