《计算机视觉：算法与应用》-Richard Szeliski 中文版+英文版

Hands-on-Machine-Learning-with-Scikit-learn, Keras & Tensorflow英文书

卷积神经网络代码 Matlab ML here will show some code about machine learning by using python. 个人博客： 欢迎来访和留言 文件说明 matlab 吴恩达机器学习教程个人代码总结和学习记录 模型实现 cross_validate : split one dateset to two datesets - train and test ； Accuracy   Linear model : 线性回归和逻辑回归  + CNN_mnist : 利用tensorflow实现一个2层卷积神经网络 decision_tree: ’原生‘决策树 KNN: K 近邻 nbayes: 朴素贝叶斯和其他实现 preceptron: 线性模型的感知机 simple_stacking：利用几种集成学习模型作为子学习器，运用stacking方法构造一个更加强大的分类器 数据集说明： 里面有些是利用了mnist数据集，mnist_data文件可以读取mnist数据集，导入即可 kaggle getting start 的 赛题

机器学习贷款贷款俱乐部 我们正在一家银行工作，正在考虑在Lending club进行投资。 由于没有标准模型，因此我们希望构建预测模型，以帮助您根据用户输入的各种参数来预测利率。 第1部分：数据整理和探索性数据分析 数据下载和预处理 我们的第一个挑战是从以编程方式下载数据。我们的目标是从网站以编程方式下载数据并为整个数据库创建一个数据集。 探索性数据分析： 使用R / Python编写Jupyter笔记本以图形方式表示不同的数据摘要。在此笔记本中总结您的发现。 总结关于不同用户配置文件，状态，贷款金额等的关键见解。创建Power BI仪表板的数据科学家视图以说明您的关键见解 第二部分：

교과서3판 2019년5月출간，출판사 Se Se Se（Sebastian Raschka）미자리리리（Vahid Mirjalili）셀러베트스베셀러“ ” 。 주세요이나오류가있다블면이그블로그블로 알려주세요주세요주세요주세요 주세요주세요주세요 교과서1저장소는다음과다（1판이판에다2）。 노트북 도움말은 에장의장의 을을 하세요。 open_dir 폴더로이동합니다。 또는 ipynb 바로바있습니다있습니다。 nbviewer 뷰어로뷰어링크입니다。 colab （Colab）링크입니다。 [이터에서배운다[] [ ] [ ] [ ] open

MNIST / CIFAR10的预训练GAN，VAE +分类器 在pytorch中使用GAN / VAE建模的简单起点。 包括模型类定义+培训脚本 包括笔记本电脑，其中显示了如何加载预训练的网络/如何使用它们 用pytorch 1.0+测试 生成与数据集图像大小相同的图像 mnist 使用基于的体系结构生成MNIST数据集（28x28）大小的图像。 训练了100个纪元。 重量。 数据样本 dcgan样本 样品 为了与不那么复杂的体系结构进行比较，我还在文件夹中包含了一个预训练的非卷积GAN，它基于代码（训练了300个纪元）。 我还基于在文件夹中包含了经过预训练的LeNet分类器，该分类器可实现99％的测试准确性。 cifar10 cifar10 gan来自pytorch示例回购，并实现了DCGAN论文。 它只需要很小的改动就可以生成大小为cifar10数据集（32x32x3）的

Faster and Better: A Machine Learning Approach to Corner Detection C代码 角点 识别 边缘检测

McGrawHill Machine Learning Tom_Mitchell 课后完整版答案

3D-MICE：横截面和纵向插补的整合 要求 代码是用R编写的。 开始使用 要训​​练，跑步（最好以R减价跑步） source('tempMICEGPEvalTr.R') 这是一个包装器代码，调用各种子例程来生成训练数据，掩盖缺失值并执行3D-MICE插补，每个步骤都包装在其自己的R源文件中，并且应该是不言自明的。 同样地，进行训练，跑步（最好以R降级的方式跑步） source('tempMICEGPEvalTe.R') 引文 @article{luo20173d, title={3D-MICE: integration of cross-sectional and longitudinal imputation for multi-analyte longitudinal clinical data}, author={Luo, Yuan and Szolovits, Pe

UCM《机器学习导论笔记》，80页pdf CSE176 Introduction to Machine Learning 从经验中学习的软件开发和分析技术综述。具体主题包括:监督学习(分类、回归);无监督学习(聚类、降维);强化学习;计算学习理论。具体的技术包括:贝叶斯方法、混合模型、决策树、基于实例的方法、神经网络、内核机器、集成等等。