生长神经气体 (GNG) 神经网络属于拓扑表示网络 (TRN) 类。 它可以学习有监督和无监督。 在这里，实现并演示了在线无监督学习模式。 它的学习方法结合了改良的 Kohonen 学习来调整神经元的位置，并结合竞争性赫布学习 (CHL) 来进行连接。 有关详细信息，请参阅参考文献。 [1]。 为了使主脚本 (gng_lax.m) 发挥作用，您必须首先使用相应的数据生成器选择并生成流形（数据）。 欲获得有关竞争性学习方法系列的详尽报告，请咨询参考。 [2]。 参考[1] Fritzke B. “A Growing Neural Gas Network Learns Topologies”，神经信息处理系统进展 7，麻省理工学院出版社，马萨诸塞州剑桥，1995 年。 [2] Fritzke B.“一些竞争性学习方法”，1997 年可在： https ://pdfs.semanticsch

针对基于卷积神经网络（CNNs）的物体分类问题，文中旨在探索一种最佳的输入组合，使得分类效果达到最佳。本文首先介绍了相关的RGB-D数据集，然后在该数据集中提取部分图片组成训练、验证和测试集。然后对这些选取的图片进行预处理，包括去除RGB-D图片的背景，和补齐深度（D）图片的深度信息。利用深度信息图和转换到不同色彩空间下的图片预先训练多个CNNs。由于每一组彩色图和深度图的内容都是相同的，他们共享相似的特征，这些预先训练的网络可以互相取长补短，本文将这些CNNs的概率向量对应元素相加并再次归一化，用这个概率向量作为最终分类的依据。实验结果表明，在本文的CNNs结构下，RGB信息、D信息、RGB-D信息三者的组合能够达到最高的分类准确率95.0%，比起仅使用其中任何一种高出至少5%。对于其他的色彩空间，预先训练的网络无法收敛，侧面印证了基于图片的深度学习工作大多使用RGB色彩空间的合理性。

学习

学习

CoForest is a semi-supervised algorithm, which exploits the power of ensemble learning and large amount of unlabeled data available to produce hypothesis with better performance.

利用K均值聚类算法对灰度图像进行聚类，四维数组存储和运算数据，运行时间慢

压缩包中包含算法的Python实现代码、测试数据集及运行结果，可供感兴趣的同学参考。因为现在的实现并不能对所有的数据集都得到良好的效果，所以如果哪位同学有更好的想法，希望能不吝赐教。

半监督学习生成对抗网络的Tensorflow实现

Airbnb定价预测 在Python中监督学习模型，以预测Airbnb房源的每晚价格。 决策树，随机森林，XGBoost，AdaBoost和堆栈。

模式识别方法首先要解决的一个问题就是特征选择,目前许多方法考虑了有监督学习的特征选择问题,对无监督学习的特征选择问题却涉及得很少。依据特征对分类结果的影响和特征之间相关性分析两个方面提出了一种基于K-均值聚类方法的特征选择算法,用于无监督学习的特征选择问题。