浙江大学的SVM(支持向量机)课件，介绍详细、易懂。

中文、微博、情感分析、SVM模型实现、DNN模型实现。微博评论数据集7962条，其中包含积极和消极情感倾向。主要做法如下： 实现语言：python、tensorflow==1.12、keras==2.2.4 一是基于传统文本特征表示的稀疏性，结合当前成熟技术，设计并实现了基于Word2vec的词向量训练方法，该方法可以将词表示为具有语义关系的特征向量形式，方便模型的使用。 二是采用自然语言处理常用技术完成对文本的预处理操作，既是完成了数据的预处理过程。 三是研究并实现了SVM和DNN两个最具代表性的模型在中文情感分析领的应用，完成了大数据的数据挖掘过程。并在已有的数据集上进行了实验，由具体实验结果我们发现SVM神经网络模型取得了78.03%的F值，较DNN(88%)方法低了9%，但是其训练速度较快。

大数据十大经典算法SVM 讲解PPT

微博评论数据集7962条，其中包含积极和消极情感倾向

libsvm的c#接口，可方便的在c#环境下调用libsvm

本文档包含SVM的详细推导过程和一些别的资料没有记载的理解。非常适合入门和想具体理解一些细微处的同学。

smo算法优化matlab代码从头开始支持向量机 该存储库包含用于在 MATLAB 中训练内核化 SVM（具有多类扩展）的代码，并且特别不依赖于任何优化库（例如用于二次编程）。 SVM 使用两种优化方法实现： 顺序最小优化 (SMO)。 具有可行起点的对数障碍（内点法）。 这两种优化方法都优化了 SVMS 的双目标公式，因此实现很容易内核化。 我们探索高斯核和多项式核。 我们在 MATLAB 客户端中直接可用的历史信用评级数据集上测试实现。 主要关注点是数值优化，因此我们主要分析算法的性能。 实现在./src 中可用，实验显示在experiments.mlx 和multiclass_experiments.mlx 文件中。 project.pdf 中提供了一篇文章（包括 SVM 目标的推导、算法描述和性能分析）。 我发现一些有用的资源： 道具.pdf Boyd, S., & Vandenberghe, L. (2004)。 凸优化

动笔写这个支持向量机(supportvectormachine)是费了不少劲和困难的，原因很简单，一者这个东西本身就并不好懂，要深入学习和研究下去需花费不少时间和精力，二者这个东西也不好讲清楚，尽管网上已经有朋友写得不错了(见文末参考链接)，但在描述数学公式的时候还是显得不够。得益于同学白石的数学证明，我还是想尝试写一下，希望本文在兼顾通俗易懂的基础上，真真正正能足以成为一篇完整概括和介绍支持向量机的导论性的文章。本文在写的过程中，参考了不少资料，包括《支持向量机导论》、《统计学习方法》及网友pluskid的支持向量机系列等等，于此，还是一篇学习笔记，只是加入了自己的理解和总结，有任何不

使用机器学习技术预测肝炎疾病 内容 1.简介2.属性3.框图4.算法和分类器5.获得的结果6.结论 介绍 医学诊断是一项重要且非常复杂的任务，需要准确识别。 重要的是要在适当的时间诊断出疾病并尽早治愈。 肝脏是人体的重要组成部分。 影响肝功能的严重疾病之一是肝炎，它会引起肝脏炎症。 这项工作的主要目的是通过使用不同的ML工具和神经网络体系结构训练同一数据集，并选择那些诊断肝炎疾病的最佳工具来对特定数据集进行比较研究。 属性 属性 价值 年龄 否（1），是（2） 数值 否（1），是（2） 性别 否（1），是（2） 男（1），女（2） 否（1），是（2） 类固醇 否（1），是（2）v 大肝 否（1），是（2） 肝脏公司 否（1），是（2） 蜘蛛网 否（1），是（2） 抗病毒药 否（1），是（2） 疲劳 否（1），是（2） 马拉丝 否（1），是（2） 脾可触及 否

对支持向量机的总结，该小结是本人在阅读了大牛李航的《统计学习方法》之后做的总结，往对读者有所帮助。