主要有如下部分：1.如何安装Python 和相关机器学习的库模块； 2.如何用数据库里面的数据; 3. 用不同的机器学习算法对数据库里的数据进行分类预测并比较各种预测算法的准确性； 4. 选择最优算法进行预测

针对微阵列基因表达数据高维小样本、高冗余且高噪声的问题，提出一种基于FCBF特征选择和集成优化学习的分类算法FICS-EKELM。首先使用快速关联过滤方法FCBF滤除部分不相关特征和噪声，找出与类别相关性较高的特征集合；其次，运用抽样技术生成多个样本子集，在每个训练子集上利用改进乌鸦搜索算法同步实现最优特征子集选择和核极限学习机KELM分类器参数优化；然后基于基分类器构建集成分类模型对目标数据进行分类识别；此外运用多核平台多线程并行方式进一步提高算法计算效率。在六组基因数据集上的实验结果表明，该算法不仅能用较少特征基因达到较优的分类效果，并且分类结果显著高于已有和相似方法，是一种有效的高维数据分类方法。

Drain 提供了一种在线日志分类机制。 该版本提供： 通过 serde json 对排水状态进行序列化/反序列化 支持 GROK 模式以获得更准确的类别和变量过滤 这个特定项目的目标是为原始的排水实施提供一个不错的、快速的、生锈的升级。 原论文： Pinjia He、Jieming Zhu、Zibin Zheng 和 Michael R. Lyu。Drain: An Online Log Parsing Approach with Fixed Depth Tree，第 24 届 Web 服务国际会议 (ICWS) 论文集，2017。 这是一个 WIP，0.3.x

高光谱图像分类是遥感领域的研究热点之一,是对地观测的重要手段,在地物的精细识别等领域具有重要的应用。使用卷积神经网络(CNN)可以有效地从原始图像中提取高级特征,具有较高的分类精度。但CNN计算量巨大,对硬件要求较高。为了提高模型计算效率,可以在图形处理器(GPU)上进行CNN模型的训练。现有的并行算法,比如GCN(GPU based Cube-CNN),无法充分利用GPU的并行能力,算法加速效果并不理想。为了进一步提升算法效率,提出基于通用矩阵乘法(GEMM)算法的GGCN(GPU based Cube-CNN improved by GEMM)并行加速算法,通过G-PNPE(GEMM based Parallel Neighbor Pixels Extraction)对输入数据和卷积核进行重新组织排列,实现卷积的并行计算,有效地提高了GPU的利用率并进一步提升了算法的训练效率。通过分析在三个数据集上的实验结果发现,改进算法的分类精度与原算法保持一致,而且模型的训练时间缩短了30%左右,表明算法的有效性和优越性。

用朴素贝叶斯分类算法做中文文本分类-附件资源

SCARGC.jl 流C分类算法的 Julia 实现，由C聚类- SCARGC -指导，这是一种在具有极端验证延迟的非平稳环境中对数据流进行分类的算法。所考虑的场景是未标记数据的实际标签永远无法用作随着时间推移更新分类模型的指导。

主要介绍了Python语言描述KNN算法与Kd树，具有一定借鉴价值，需要的朋友可以参考下。

数据挖掘 贝叶斯算法 C++ 贝叶斯算法一般都用MATLAB实现，好不容易找到个C++的，可以用到工程中去

一个著名的共享单车数据集，可以用来做神经网络分类器入门练习 一个著名的共享单车数据集，可以用来做神经网络分类器入门练习 一个著名的共享单车数据集，可以用来做神经网络分类器入门练习 一个著名的共享单车数据集，可以用来做神经网络分类器入门练习 一个著名的共享单车数据集，可以用来做神经网络分类器入门练习 一个著名的共享单车数据集，可以用来做神经网络分类器入门练习 一个著名的共享单车数据集，可以用来做神经网络分类器入门练习 一个著名的共享单车数据集，可以用来做神经网络分类器入门练习一个著名的共享单车数据集，可以用来做神经网络分类器入门练习 一个著名的共享单车数据集，可以用来做神经网络分类器入门练习 一个著名的共享单车数据集，可以用来做神经网络分类器入门练习一个著名的共享单车数据集，可以用来做神经网络分类器入门练习一个著名的共享单车数据集，可以用来做神经网络分类器入门练习一个著名的共享单车数据集，可以用来做神经网络分类器入门练习一个著名的共享单车数据集，可以用来做神经网络分类器入门练习一个著名的共享单车数据集，可以用来做神经网络分类器入门练习一个著名的共享单车数据集，可以用来做神经网络分类器入门

为了使用支持向量机(SVM)算法进行多类分类，在SVM二分类基础上，提出使用排序算法中冒泡排序的思想进行SVM多类别数据分类。使用该方法在选取的UCI数据集进行实验，结果表明，在保证较高正确率的情况下，相对传统一对一的多分类方法，该方法较大幅地减少了分类时间，是一种应用性较强的SVM多类分类方法。