资源特点：基于北京交通大学《机器学习》课程作业，一共有4个案例 1.1 一元线性回归 1.2 1.2 多元线性回归/对数线性回归 1.3 对数几率回归 1.4 线性判别分析 每个案例配有详细的代码和解释，都能测试通过。 机器学习线性回归实验内容 一、实验内容 1.1 一元线性回归 使用Kaggle房价预测数据集： 1.打乱数据顺序，取前70%的数据作为训练集，后30%的数据作为测试集 2.分别以LotArea, BsmtUnfSF, GarageArea三种特征作为模型的输入，SalePrice作为模型的输出 3.在训练集上，使用最小二乘法求解模型参数（需自己实现，不允许第三方库完成） 4.计算三个模型在测试集上的MAE和RMSE这两种指标的大小（需自己实现，不允许第三方库完成） 5.分别绘制模型的在训练集和测试集上的曲线 6.选做：尝试去除训练集中的异常值或离群值后再次训练模型，绘制模型的预测曲线，观察模型在测试集上预测能力的变化 1.2 多元线

Simhash的算法简单的来说就是，从海量文本中快速搜索和已知simhash相差小于k位的simhash集合，这里每个文本都可以用一个simhash值来代表，一个simhash有64bit，相似的文本，64bit也相似，论文中k的经验值为3。该方法的缺点如优点一样明显，主要有两点，对于短文本，k值很敏感；另一个是由于算法是以空间换时间，系统内存吃不消。 复制代码 代码如下:#!/usr/bin/python# coding=utf-8class simhash:    #构造函数    def __init__(self, tokens=”, hashbits=128):          

回归问题它预测的是一个连续值而不是离散的标签。 本次要预测的是波士顿郊区房屋价格的中位数。 首先，我们通过keras加载数据集 from keras.datasets import boston_housing (train_data,train_targets),(test_data,test_targets) = boston_housing.load_data() 我们有404个训练样本和102个测试样本。每个样本都有13个特征值。 print(train_data.shape,'\n',test_data.shape) 目标是房屋价格的中位数 print(train_targets)

1、内容：calibration_0.py是使用张正友标定法对棋盘图片标定的python程序，import内是测试使用的棋盘图片，export是程序运行完保存标定棋盘的文件夹。 2、学习目标：了解张正友标定法的过程及实现，可以对摄像机进行标定并矫正其畸变 3、应用场景：工业机器人的视觉标定，使用机器视觉的第一步

近小编遇到一个生存问题，女朋友让我给她翻译英文化妆品标签。美其名曰：”程序猿每天英语开发,英文一定很好吧，来帮我翻译翻译化妆品成分”，”来，帮我看看这个面膜建议敷几分钟“。。。。看来斥巨资买化妆品不算完，还需要会各种英文介绍。 默默收起大学考的一摞429分的四级证书，我打开了IDE。。。我打算开发一个能批量翻译的图片的demo，把家里的各种化妆品都翻译好。机智如我，是不会自己从训练模型做起的，打开有道智云的友好的AI接口页面 ，果然有图片翻译服务，体验了一下可是真不错，于是果断使用。 效果展示 Demo在这里，一起来看看效果吧： 识别过程如下： 逐个看看效果哈！make up for ev

UWB_TOA_带数据集——python实现

1.资源内容：粒子群算法的python实现代码 2.粒子群优化算法是一种演化计算技术，来源于对一个简化社会模型的模拟，可用于优化问题 3.可在建模过程中使用 4.适合算法初学者和有相关需求者使用或改进 5.针对不同的目标函数，更改fitness函数即可

python手动实现使用遗传算法进行图片拟合，有利于对智能优化算法的理解和实现，详细的解释和介绍可参照我的博客 https://blog.csdn.net/DuLNode/article/details/123023288

1.文件内包含python代码、Harr人脸级联分类器xml文件（新版本的OpenCV安装后不带分类器需自行寻找下载，这里一并放进去省的四处找了） 2.python代码里的级联分类器文件路径自己放哪里了就改成哪里。 3.内含python环境资源版本说明，我自己装的比较杂，可参考用得到的资源包版本。

布林带突破策略（基于掘金客户端的python实现），本策略采用布林线进行均值回归交易。当价格触及布林线上轨的时候进行卖出，当触及下轨的时候，进行买入。