Stanford CS229 Python机器学习 该存储库包含问题集以及Stanford CS229-在Coursera上用Python 3编写的机器学习课程的解决方案。我还记了一些其他注释。 请查看和。 请注意，您的解决方案将不会获得评分，也不会以任何方式隶属于Coursera。 如果您的答案与我的不同，并且您认为自己的答案更好，请在创建一个问题。 安装 确保已安装jupyter笔记本。 您可以在找到说明。 使用以下Python软件包： 您可以使用以下命令安装所有依赖项： python3 -m pip install -r requirements.txt 使用说明 请从Coursera课程下载练习（pdf）。 笔记本电脑中包含一些说明。 在练习笔记本中完成练习。 将您的答案与解决方案笔记本中的代码进行比较。 内容 线性回归 逻辑回归与正则化 多类分类和神经网络 神经网络学习 正则化线性回归与偏差与方差 支持向量机 K-均值聚类和主成分分析 异常检测和推荐系统 版权声明 此仓库中的所有代码，练习，数据和其他文件均为:copyright:Stanford Universi

Python的DeepSuperLearner（2018） 这是机器学习的DeepSuperLearner算法（一种用于分类问题的深度集成方法）的实现。 有关DeepSuperLearner的详细信息，请参阅 Super Learner：有关分类问题的深度合集，作者是Steven Young，Tamer Abdou和Ayse Bener。 安装和演示 克隆此存储库 git clone https://github.com/levyben/DeepSuperLearner.git 安装python库 cd DeepSuperLearner python setup.py install 例子： ERT_learner = ExtremeRandomizedTrees ( n_estimators = 200 , max_depth = None , max_features =

Python Machine Learning 第二版 Sebastian Raschka著 高清带书签

语义KITTI的API 此存储库包含帮助程序脚本，用于打开、可视化、处理和评估来自 SemanticKITTI 数据集的点云和标签的结果。 链接到原始数据集 链接到。 链接到 SemanticKITTI 基准。 链接到 SemanticKITTI MOS 基准（在 SemanticKITTI 网站添加 MOS 后可能会删除）。 序列 13 中的 3D 点云示例： 序列 13 中的 2D 球面投影示例： 用于语义场景完成的体素化点云示例： 数据组织 数据按以下格式组织： /kitti/dataset/ └── sequences/ ├── 00/ │   ├── poses.txt │ ├── image_2/ │

Suvrit Sra, Sebastian Nowozin, and Stephen J. Wright, "Optimization for Machine Learning", The MIT Press Cambridge, Massachusetts London, England, 2012

梯度集中TensorFlow 这个Python套件在TensorFlow中实现了梯度集中，这是Yong等人建议的一种简单有效的针对深度神经网络的优化技术。 。 它既可以加速训练过程，又可以提高DNN的最终泛化性能。 安装 运行以下命令进行安装： pip install gradient-centralization-tf 用法 为指定的优化器创建集中式渐变函数。 参数： optimizer ：一个tf.keras.optimizers.Optimizer object 。 您正在使用的优化程序。 例子： >> > opt = tf . keras . optimizers . Adam ( learning_rate = 0.1 ) >> > optimizer . get_gradients = gctf . centralized_gradients_for_optimize

《Python Machine Learning Blueprints》的一些代码和数据集，方便下载 因为原始网站不好施行，所以给出下载链接

Python机器学习蓝图 这是Packt发布的的代码存储库。 它包含从头到尾完成本书所必需的所有支持项目文件。 说明和导航： 所有代码都组织在文件夹中。 每个文件夹均以数字开头，后跟应用程序名称。 例如， Chapter02 。 要安装用于代码测试的软件，请参考“软件和硬件要求”部分。 要运行代码包中给出的代码，请按照本书中给出的步骤/说明进行操作。 软件和硬件要求： 软件： 全部（示例）： 第3章：无 硬件： 约350MB的磁盘空间。 16-23MB的磁盘空间。 操作系统：Mac OS X，Windows或Linux 相关的Python书籍和视频： [使用Python设计机器学习系统]（ ） [Functional Python Programming]（ ） [Python入门[视频]]（ ）

发现之前已为我们提供了很棒的ISLR python版本 带有Python的ISLR R（ISLR）中的统计学习简介으Python으로 슬라이드나가자료 1장-简介 인공지능，머신러닝，데이터사이언스，예측분석을... 2장-统计学习 监督学习소개 3장-线性回归 statsmodel패키지사용하여 scikit-learn의OLS估计器사용하여 4장-分类 Logistic回归：scikit-learn estimator统计模型라이브러리사용하여， KNN回归分类：scikit-learn estimator사용하여， 回归指标（评估指标）：MAE，MSE，RMSE 分类器평가

Basics of Linear Algebra for Machine Learning.zip 机器学习的线性代数基础 课程代码