GBDT_Simple_Tutorial（梯度提升树简易教程） 简介 利用python实现GBDT算法的回归、二分类以及多分类，将算法流程详情进行展示解读并可视化，便于读者庖丁解牛地理解GBDT。 项目进度： 回归 二分类 多分类 可视化 算法原理以及公式推导请前往blog： 依赖环境 操作系统：Windows/Linux 编程语言：Python3 Python库：pandas、PIL、pydotplus， 其中pydotplus库会自动调用Graphviz，所以需要去下载graphviz的-2.38.msi ，先安装，再将安装目录下的bin添加到系统环境变量，此时如果再报错可以重启计算机。详细过程不再描述，网上很多解答。 文件结构 | - GBDT 主模块文件夹 | --- gbdt.py 梯度提升算法主框架 | --- decision_tree.py 单颗树生成，包括节点划分

两个法国RL大牛所写的经典强化学习Tutorial，算法理论介绍相当严格，文献总结全面

决策模型中的需求函数

用于层次分析法和网络层次分析法的软件，很好用！

医学诊断与深度学习，糖尿病、帕金森、心脏病等通过深度学习网络进行诊断，LSTM、Capsule Network 在面部表情诊断心理疾病、糖尿病视网膜病变的实际应用

决策树癌症预测 使用现有数据通过决策树进行学习来预测乳腺癌的示例（scikit-learn / python） 加工 收集的数据样本已分为测试样本和训练样本。 使用scikit的决策树生成器和转换集，可用于基于ID3生成树。 然后可以将测试数据用于交叉验证生成的树的准确性。 这个小程序还生成pdf，以可视化生成的树。 注意 该程序仅用于演示/实验目的。 以下是依赖项 python numpy scipy scikit-学习pydotplus graphviz 使用说明 安装python版本2.7 要安装上述软件包，请遵循以下命令 点安装numpy 点安装scipy 点安装scikit学

原版pdf效果极差，网上也找了些由epub格式转换过来的，排版不调整就直接发布，一点也不负责。自己动手丰衣足食吧

决策者 决策者是一个React.js应用程序，它根据用户定义的数组进行伪随机选择。 安装 使用软件包管理器安装依赖项。 npm install 或者 使用程序包管理器来安装依赖项。 yarn install 用法 运行使用开发服务器。 npm run dev-server 贡献 该存储库已存档，将不接受拉取请求。

近日，斯坦福大学的 Mykel J. Kochenderfer 等人介绍了合著的新书：《不确定性决策算法（Algorithms for Decision Making）》。本书从计算的角度去讨论这些挑战，旨在提供决策模型和计算方法背后的理论，介绍了不确定情况下决策问题的实例应用，概述了可能的计算方法。

斯坦福Algorithms for Decision Making，非图书无版权，管理员请仔细核对非图书无版权，管理员请仔细核对非图书无版权，管理员请仔细核对非图书无版权，管理员请仔细核对非图书无版权，管理员请仔细核对非图书无版权，管理员请仔细核对