什么是机器学习 （Machine Learning）       机器学习是研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。它是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域。 机器学习的大致分类： 1）分类（模式识别）：要求系统依据已知的分类知识对输入的未知模式（该模式的描述）作分析，以确定输入模式的类属，例如手写识别（识别是不是这个数）。 2）问题求解：要求对于给定的目标状态,寻找一个将当前状态转换为目标状态的动作序列。 SVM一般是用来分类的（一般先分为两类，再向多类推广一生二，二生三，三生万物哈）

好用的Windows界面工具 训练、模式识别和回归的速度都很快。

SVM理论，包含libsvm、关联规则、matlab支持向量机工具箱，相关程序等

支持向量机（SVM）是一种分类模型，它的基本模型是定义在特征空间上的间隔最大的线性分类器，学习策略是间隔最大化，最终可转化为一个凸二次规划问题的求解。包含三个由简至繁的模型：线性可分支持向量机、线性支持向量机、非线性支持向量机。学习支持向量机一个比较高效的方法是序列最小最优算法。

颜色分类leetcode cnn-svm-分类器 此示例使用来自 Caltech 图像集 () 的 48 个标记图像的子集，每个标签限制在 40 到 80 个图像之间。 图像被馈送到 Inception V3 的 TensorFlow 实现，其中移除了分类层，以生成一组标记的特征向量。 使用 t 分布随机邻域嵌入 (t-SNE) 对 2048 维特征进行降维，将它们转换为易于可视化的二维特征。 请注意，t-SNE 用作信息步骤。 如果相同的颜色/标签点大多聚集在一起，那么我们很有可能使用这些特征来训练具有高精度的分类器。 将 2048-d 标记的特征呈现给多个分类器。 该项目最初是训练支持向量机对图像进行分类，但为了比较，这已扩展到以下内容： 支持向量机 (SVM) 额外的树 (ET) 随机森林 (RF) K-最近邻 (KNN) 多层感知器 (ML) 高斯朴素贝叶斯 (GNB) 线性判别分析 (LDA) 二次判别分析 (QDA) 显示训练和验证时间，以及每个分类器的准确率。 大多数分类器都使用其默认调整值运行，但在可能的情况下，对那些其默认值远低于 90% 准确率的分类器进行了调整，例

巴特沃斯带通滤波器的matlab代码EEG-P300Speller_Model-util 该存储库包含3部分。 包括PYTHON代码和MATLAB代码。 第一部分：具有深度学习模型（堆叠的CNN和RNN）-Keras的EEG信号分类 P300_CNN_1_GRU_A.py：一个Python文件，其中是CNN和GRU的组合模型，用于确定EEG信号序列是否包含P300波。 模型1的摘要（堆叠式CNN和RNN）：1，CNN负责空间域特征提取。 如图2所示，GRU负责时域特征提取。 3，引入了Dropout，以防止过度拟合并提高精度。 模型2（堆叠式CNN）的摘要-未包含在存储库中：1，CNN负责空间域特征提取。 如图2所示，CNN负责时域特征提取。 3，引入了Dropout，以防止过度拟合并提高精度。 第二部分：用于EEG信号预处理的工具包。 列表和简要说明：1，EEG_Preprocessor.py：一个python文件，其中包含一系列EEG Signals预处理程序的代码。 包括：load_data，extract_eegdata，extract_feature等。 分类前的操作： 1)

针对传统机器视觉的手势识别方法识别准确率低，抗干扰能力差等问题，提出了一种基于支持向量机（Support Vector Machine，SVM）手势分割和迁移学习的静态手势识别方法.本文使用SVM和迁移学习方法相结合构建新的手势识别模型，利用SVM对样本进行手势分割，将Inception-v3模型作为卷积神经网络模型基础，对网络参数进行fine-tuning，将预先经过手势分割处理后的样本导入模型训练，调整超参数得到新的最优手势识别模型，并在一定干扰环境下测试，得到测试结果.测试结果表明该方法识别准确率和实时反馈效率均高于传统方法，能高效识别手势，满足实际应用需求.

本代码提供了一个将多个字符图片用SVM进行分类的Demo，另外使用的库为OpenCV3.4.0，在OpenCV3.x的版本上应该都可以使用。其中附带训练数据和测试数据，只需要下载，用vs2015打开并执行即可~

这篇文章介绿了matlab 中SVM工具箱的使用说明,很强大!

基于HOG+SVM的行人检测算法实现代码和设计报告