MDP-DP-RL 该项目的目标是从头开始开发所有动态编程和强化学习算法（即，除了基本的numpy和scipy工具之外，不使用标准库）。 “从头开始开发”目标是出于教育目的-学习此主题的学生只有在他们开发和使用从头开始开发的代码时才能彻底理解这些概念。 我针对不同的学生背景讲授了该主题的课程，每门此类课程都以技巧/算法的精确编程实现为基础。 特别是，当我教Stanford CME 241：金融中的随机控制问题的强化学习（ ）时，会使用此代码库。 关于代码可读性，性能和错误的任何反馈将不胜感激，因为代码仍相当原始且未经各个部分的测试（2018年8月开始使用此代码，到目前为止主要处于代码增长模式）。 该项目开始于为有限的马尔可夫过程（又名马尔可夫链），马尔可夫奖励过程（MRP）和马尔可夫决策过程（MDP）实现基础数据结构。 其次是动态编程（DP）算法，其重点是在代码内以清晰的数学术语表

mdp（马尔可夫决策过程）2009年matlab源码，非常详细全面，非常实用

决策树(Decision Tree）是在已知各种情况发生概率的基础上，通过构成决策树来求取净现值的期望值大于等于零的概率，评价项目风险，判断其可行性的决策分析方法，是直观运用概率分析的一种图解法。由于这种决策分支画成图形很像一棵树的枝干，故称决策树。在机器学习中，决策树是一个预测模型，他代表的是对象属性与对象值之间的一种映射关系。Entropy = 系统的凌乱程度，使用算法ID3, C4.5和C5.0生成树算法使用熵。这一度量是基于信息学理论中熵的概念。 决策树是一种树形结构，其中每个内部节点表示一个属性上的测试，每个分支代表一个测试输出，每个叶节点代表一种类别。 分类树（决策树）是一种十分常用的分类方法。他是一种监管学习，所谓监管学习就是给定一堆样本，每个样本都有一组属性和一个类别，这些类别是事先确定的，那么通过学习得到一个分类器，这个分类器能够对新出现的对象给出正确的分类。这样的机器学习就被称之为监督学习。

不管对决策树的知识了解有多少，这次通过一个简单的例子来就能够了解它的原理和明白实现的方法。 实际场景 对于一个眼科医生而言，当面对病人是否需要佩戴隐形眼镜时，只需要通过几个问题就能够判断出病人是需要带软，硬还是不能带隐形眼镜。因此我们的数据集就是病人的四个特征（‘age’, ‘prescript’, ‘astigmatic’, ‘tearRate’）的组合以及对应的结论（‘soft’,‘hard’,‘no lenses’），获取数据点击这里，提取码tvj6 先加载数据，如下： # 加载数据 def loadData(): bigString = open(r'路径\lenses.txt

决策树之ID3 算法源码及数据文件，在博客上数据文件格式被打乱，因此直接上传上来

决策树的三种数据挖掘算法，使用了python实现可视化。

Decision_tree-python 决策树分类（ID3，C4.5，CART） 三种算法的区别如下： (1) ID3算法以信息增益为准则来进行选择划分属性，选择信息增益最大的； (2) C4.5算法先从候选划分属性中找出信息增益高于平均水平的属性，再从中选择增益率最高的； (3) CART算法使用“基尼指数”来选择划分属性，选择基尼值最小的属性作为划分属性. 本次实验我的数据集如下所示： 共分为四个属性特征：年龄段，有工作，有自己的房子，信贷情况; 现根据这四种属性特征来决定是否给予贷款 为了方便，我对数据集进行如下处理： 在编写代码之前，我们先对数据集进行属性标注。 （0）年龄：0代表青年，1代表中年，2代表老年； （1）有工作：0代表否，1代表是； （2）有自己的房子：0代表否，1代表是； （3）信贷情况：0代表一般，1代表好，2代表非常好； （4）类别(是否给贷款)：no代表否，

玉米是孟加拉国新兴的重要农作物，因为与水稻和小麦作物相比，它具有很高的单产潜力和经济效益。 有必要了解孟加拉国在不同生产环境中这种作物的生长和产量行为。 诸如农业技术转移决策支持系统（DSSAT）4.6版（以下简称DSSAT）之类的作物模型可以经济有效地用于研究玉米在不同生产环境下的性能。 它需要为孟加拉国常用的玉米栽培品种校准和验证DSSAT模型，然后将该模型带到各种应用中，包括投入和农艺管理选择以及影响分析的气候变化。 因此，本研究旨在首先为流行的四个杂交玉米品种（BARI杂交玉米7，BARI杂交玉米9，Pioneer 30B07和NK-40）校准DSSAT模型。 随后，它使用独立的现场数据集进行了验证，以评估其增长表现。 在第一季试验的基础上，利用DSSAT的基因型系数计算器（GENCALC）和广义似然不确定性估计（GLUE）模块对这些品种的遗传系数进行了评估。 该模型的性能令人满意且在显着范围内。 校准后，使用第二季数据通过验证程序测试模型的性能。 该模型在物候，生物量，叶面积指数（LAI）和谷物产量方面表现令人满意。 从开花开始到成熟的天数估计的物候特性非常一致，尽管与观察值

完整版 大数据的统计学基础 系列课程 第10周 对或错？告别拍脑袋决策：基于正态总体的假设检验 （共47页）.rar

基于博弈模型的网络安全最优攻防决策方法.pdf