Foundations and Trends® in Machine Learning Editor-in-chief Michael Jordan University of California, Berkeley Personal homepage Print ISSN: 1935-8237 Online ISSN: 1935-8245 Publisher Mike Casey mike.casey@nowpublishers.com MAL Indexed in: ACM Guide, Cabell's International, Computing Reviews, DBLP, EI Compendex, Electronic Journals Library, Google Scholar, INSPEC, ISI Emerging, PubGet, SCOPUS, Ulrich's, Zentralblatt Math https://www.nowpublishers.com/MAL

斯坦福ML公开课笔记81

回归算法用数据集，加利福尼亚房价预测，longitude，latitude，housingMedianAge，totalRooms，totalBedrooms ，population，households，medianIncome，edianHouseValue几列，20641行数据，数据标准，适合模型训练。

ML-2160_Series_WIN_SPL_V3.13.12.02.35_CDV1.26.exe

李宏毅 2020 ML Homework 2 - Classification

DML algorithm针对DOA估计

ml-100k.zip

多级CFA模型（MLV CFA）建模通过检查因子结构，因子加载和不同层次级别的错误之间的关系，可以进行更复杂的结构有效性研究。 在MLV CFA模型中，一个或多个潜在变量具有两种元素：1）组间元素（级别2或更高级别）和2）组内元素（低级别1）。 组间元素代表模型的一般部分，组内元素代表模型的单独部分。 级别内变化包括单个级别的测量误差方差，这通常将级别内变化的影响扩展到类内相关。 因此，多级CFA生成的结果与通过完全可靠的措施生成的结果相对应。 如果跨级别指定了相同的度量模型，则通过将每个项目的负载定义为跨级别对应项不变，研究人员就可以将跨级别的因子标度等同起来。 因此，不同水平的因素方差可以直接比较。 可以通过将受限制的MLV CFA模型与在每个级别上自由估计的因子负载指定的不受限制的模型进行比较，来评估此受约束的MLV CFA模型的拟合。 在本工作中，将对上述过程的步骤进行全面描述，并详细讨论与MLV CFA的使用有关的其他问题。

YOLOV5【s,n6】 使用 ML.NET ONNX 在C#部署，，，运行yolov5-net-master该示例程序，结合自己的YOLO模型训练参数修改程序中的对应参数运行之后，生成dll文件

机器学习项目 材料科学中的机器学习课程项目 该程序的目的是研究太阳能电池温度和太阳能电池效率之间的关系，以设计和教授用于太阳能电池研究的机器学习（ML）模型。 通过选择第一个正确的目录和正确命名的数据集（可以更改）来调用程序。 该程序将数据集名称视为太阳能电池温度，以便轻松访问特定文件夹中的数据集。 进入OS外壳程序所在的文件夹后，按以下方法运行程序： 如果是Windows-> python。\ solarEfficiency.py 如果是Linux-> python3 solarEfficiency.py 还要检查您是否具有所需的数据集和依赖项。 ML程序使用的数据包和库可以在requirments.txt文件中找到。 如果需要，可以将程序算法用于绘制其他类型的数据集。 src文件夹保存C ++程序的源代码，该代码读取数据集并生成一个输出文件，该文件包含来自读取的数据集中的