经典版机器学习英文课件，里面有很多流行的算法，内容简介，逻辑清晰，学习的好材料。

机器学习算法的案例代码+数据

机器学习代码编写 机器学习算法的数学推导和纯Python代码实现。

【为什么学习机器学习算法？】 人工智能是国家发展的战略，未来发展的必然趋势。 将来很多岗位终将被人工智能所代替，但人工智能人才只会越来越吃香。 中国人工智能人才缺口超过500万，人才供不应求。 要想掌握人工智能，机器学习是基础、是必经之路，也是极其重要的一步。 【课程简介】 很多人认为机器学习难学，主要是因为其过于关注各种复杂数学公式的推导，从而忽略了公式的本质。 本课程通过对课件的精心编排，课程内容的不断打磨，重磅推出机器学习8大经典模型算法，对晦涩难懂的数学公式， 通过图形展示其特点和本质，快速掌握机器学习模型的核心理论，将重点回归到机器学习算法本身。 本课程选取了机器学习经典的8大模型： 线性回归、逻辑回归、决策树、贝叶斯分类器、支持向量机(SVM)、集成学习、聚类以及降维 再也不用东拼西凑，一门课程真正掌握机器学习核心技术。 它们是人工智能必经之路，机器学习必学技术，企业面试必备技能。   《深度学习与神经网络从原理到实践》课程现已上线，这使得人工智能学习路径更加完备， 地址：https://edu.csdn.net/course/detail/29539

机器学习算法案例代码--用于自己学习

基于机器学习算法的特征值分类(MATLABR2019b)：特征值分类 (EigenClass)。 在这项研究中，提出了一种精确高效的基于特征值的机器学习算法，特别是特征值分类（EigenClass）算法，用于处理分类问题。 使用具有不同属性和类别的 20 个不同数据集的数量进行比较。每个算法都经过 5 折交叉验证训练和测试 30 次。然后根据最常用的度量（例如准确度、精确度、召回率、微观 F 度量和宏观 F 度量）将结果相互比较。

电动汽车目标销售策略研究：内容包括训练集与测试集，数据处理方法，模型使用，模型评价，可视化等方面。处理数据中的异常值、缺失值，使用不同的可视化方法可视化数据中的预测变量、根据不同的品牌汇总数据的变量。可视化图例包括：雷达图、热图、散点图。柱形图、条形图。模型方面包括glmnet模型，SCAD模型，集成模型。可视化方面包括可视化混淆矩阵，ROC曲线等等。 电动车目标销售策略为类失衡建模，针对类失衡建模的处理，可以参考本人博客中对于类失衡问题的解释，算作是对于该项目的一个扩展。 模型方面也可供各位下载者进行扩展：神经网络、C50、svm、随机森林等。

机器学习算法基础资料和代码

smote的matlab代码信用卡欺诈检测 在这个项目中，我们将分析包含来自 Kaggle () 的 284,807 笔交易中的 492 笔欺诈的数据集。 这些交易是由欧洲信用卡持有人于 2013 年 9 月进行的。我们这个项目的目标是将数据集放入我们的机器学习模型中，以便在处理该数据集高度不平衡的问题的同时进行精确预测。 由于有28个变量是主成分分析（PCA）变换的结果，并且没有给出变量的信息，我们将删除具有相似分布的变量。 我们的下一步是处理不平衡的问题。 我们将使用合成少数过采样技术 (SMOTE) 对数据集进行重新采样，以使欺诈和正常交易的数量均匀。 最后一步是比较机器学习方法，我们发现 Xgboost 返回了最高的 AUC 分数。

一、机器学习的分类： 监督学习（supervised learning）：线性回归，逻辑回归，KNN，神经网络，决策树，集成学习，SVM，贝叶斯，协同过滤，LDA 无监督学习（unsupervised learning）：聚类、关联规则，PCA降维 …… 二、机器学习中主要解决问题包括：分类，回归，聚类，降维 ……