高斯过程回归是基于贝叶斯理论和统计学习理论发展起来的一种全新机器学习方法, 适于处理高维数、小
样本和非线性等复杂回归问题. 在阐述该方法原理的基础上, 分析了其存在的计算量大、噪声必须服从高斯分布等
问题, 给出了改进方法. 与神经网络和支持向量机相比, 该方法具有容易实现、超参数自适应获取以及输出具有概率
意义等优点, 方便与预测控制、自适应控制、贝叶斯滤波等相结合. 最后总结了其应用情况并展望了未来发展方向.

机器学习 回归篇（1）——多元线性回归摘要线性回归简介python实现运行结果及可视化 摘要 本文介绍了最基础的回归问题——多元线性回归，并通过python进行实现及可视化展示运行结果。 线性回归简介 线性回归问题的重点在于如何求解回归函数的截距和系数。 1、构建代价函数（也叫损失函数）：平均平方误差。 2、通过最小二乘法或其他优化算法进行求解，因为线性回归的代价函数为凸函数，所以一般的经典优化算法用于求解都是适用的，如梯度下降法、单纯形法等等。 python实现 CyrusLinearRegression类的有如下方法和属性： 1、fit()：用于拟合模型。 2、predict()：用于模型

iris鸢尾花数据集，提供机器学习分类模型原始数据集

极限学习机的python程序，可用于学习极限学习机的入门，通过代码理解论文

本文实例讲述了Python机器学习k-近邻算法。分享给大家供大家参考，具体如下： 工作原理 存在一份训练样本集，并且每个样本都有属于自己的标签，即我们知道每个样本集中所属于的类别。输入没有标签的新数据后，将新数据的每个特征与样本集中数据对应的特征进行比较，然后提取样本集中与之最相近的k个样本。观察并统计这k个样本的标签，选择数量最大的标签作为这个新数据的标签。 用以下这幅图可以很好的解释kNN算法： 不同形状的点，为不同标签的点。其中绿色点为未知标签的数据点。现在要对绿色点进行预测。由图不难得出： 如果k=3，那么离绿色点最近的有2个红色三角形和1个蓝色的正方形，这3个点投票，于是绿色的

数据科学技术 开创性的研究。竞争优势。一个更美好的世界。 Anaconda提供了在单台机器上执行Python/R数据科学和机器学习的最简单方法。现在就开始使用成千上万的开源包和库吧。

可用于分割神经网络的训练测试等，共3400张图，1700个人像及对应mask

初步回归法matlab代码很棒的机器学习 精选的很棒的机器学习框架，库和软件的列表（按语言）。 受到awesome-php启发。 如果您想为该列表做出贡献（请这样做），请向我发送拉取请求或与我联系。 另外，在以下情况下，不建议使用列出的存储库： 存储库的所有者明确表示“未维护此库”。 长时间（2〜3年）未提交。 更多资源： 有关可下载的免费机器学习书籍列表，请访问。 有关在线可用的（主要是）免费的机器学习课程的列表，请访问。 有关数据科学和机器学习的博客列表，请访问。 有关免费参加的聚会和本地活动的列表，请访问。 目录 写个脚本把它们爬下来- 杀伤人员地雷 通用机器学习 -APL中的朴素贝叶斯分类器实现。 C 通用机器学习 -Darknet是一个用C和CUDA编写的开源神经网络框架。 它快速，易于安装，并支持CPU和GPU计算。 -使用协作过滤（CF）的产品推荐/建议的AC库。 -基于scikit-learn算法的混合推荐系统。 -neonrvm是基于RVM技术的开源机器学习库。 它是用C编程语言编写的，并带有Python编程语言绑定。 计算机视觉 -基于C /缓存/核心的计算机视觉库

英国贝尔法斯特女王大学2021年6月机器学习试卷 内含5个和神经网络相关的题目 涉及题目包括forward pass 和learning rate等

机器学习期末复习资料（江里）