包含4个文档：机器人学习简介、机器学习快速入门、应用无监督学习、应用监督式学习

自监督学习由于能够避免标注大规模数据集的成本而受到欢迎。它能够采用自定义的伪标签作为监督，并将学习到的表示用于几个下游任务。具体来说，对比学习最近已成为计算机视觉、自然语言处理(NLP)等领域的自主监督学习方法的主要组成部分。它的目的是将同一个样本的增广版本嵌入到一起，同时试图将不同样本中的嵌入推开。

PG学习 一种用于半监督学习的高效有效的学习图算法。 （MATLAB代码） 说明：运行代码和示例 在使用代码之前，您应该编译util / lib / mtimesx /文件夹中的mtimesx lib。 请参考 。 对于Mac OS用户，您可以首先使用Homebrew安装openblas库，然后运行 bias_lib = 'path to libblas.dylib' mex('-DDEFINEUNIX','-largeArrayDims','mtimesx.c',blas_lib) 安装所需的库后，您应该在根文件夹EXCUTE的main.m。 之后，您可以在根文件夹下运行所有​​的matlab文件。 在示例文件夹中，我们提供了有关单线程版本PG-Learn，超宽带并行版本PG-Learn以及一些基线的示例，其中包括网格搜索，随机搜索，MinEnt，AEW和IDML。 此外，我们还提供

Hands-On Unsupervised Learning Using Python How to Build Applied Machine Learning Solutions from Unlabeled Data Ankur A. Patel

无监督学习 五个不同聚类算法之间的比较 有关报告和结果的信息，请阅读“无监督学习的中期工作.pdf”文件

SfM学习者 该代码库实现了本文所述的系统： 通过视频无监督地学习深度和自我运动 ，，， 在CVPR 2017（口头）中。 有关更多详细信息，请参见。 如有任何疑问，请联系（ ）。 先决条件 该代码库是使用Tensorflow 1.0，CUDA 8.0和Ubuntu 16.04开发和测试的。 运行单视图深度演示 我们提供了用于运行我们的单视图深度预测模型的演示代码。 首先，通过运行以下命令下载预训练的模型 bash ./models/download_depth_model.sh 然后，您可以使用提供的ipython-notebook demo.ipynb来运行演示。 准备训练数据 为

使用DEAP数据集中记录的EEG信号对情绪进行分类，以使用机器学习算法（如支持向量机和K - 最近邻）实现高精度得分。 1）将数据集存储在文件夹中 - > data/ 2）运行 runFile.py 文件

参阅吴祖增教授译注的《游戏编程中的人工智能技术》而拾慧的学习ppt， 增加了对问题的更浅显的个人看法。

毕业设计 毕业设计-基于监督学习的网络入侵检测系统（0day收集器）##机器学习方面用的技术比较低，只是scikit-learn里面的svm用了一下，开始的时候用knn来着，当现在样本##数据方面发现陈讲的“在大公司里”百分之八十的时间都在洗数据，卧槽我现在简直是花了百分之九十SQL注入样本还好，正常请求是火狐插件代理日志中正则匹配出来的。搞出来一千多条……

简洁毛利率自动计算方式