机器学习领域，聚类算法，kmeans自动计算gap，自动确定k值

机器学习领域涉及多种算法，其中聚类算法是一个重要分支，常见的聚类算法有kmeans，虽然原理简单，简单易用，但通常需要事先确定K值，k值选取与具体数据和业务场景紧密相关，一旦k值选取不合理会导致模型效果出现明显问题，一般k值确定通过在不同k值下多次聚类对比选取出最优k值，但对于计算量有巨大挑战，尤其是当数据量非常大的时候每次聚类花费的时间也很长，另一种常见方式是基于专家经验事前设置k值，但这种方式受限于人工知识，有可能人工知识给算法引入误导，本资源通过算法层面不依赖于人工经验，可以结合具体数据样本实际情况，计算聚类gap评价指标，通过指标变化曲率定位到最优k值，直接输出最优k值，解决了kmeans算法k值选取难的问题，实验验证该方式选区的k值能够表征业务场景实际意义，符合物理世界聚类描述，极大提高了聚类效果，减少了选取k值的人工成本和时间成本 语言：python 算法：kmaens 平台：windows 涉及的库：scipy，sklearn 适用人群：机器学习，数据挖掘，数据分析相关的聚类问题和实践

Java语言基于eclipse导入隐马尔可夫模型教程

一般做机器学习使用python语言，那么在某些场景下需要使用Java语言，该资源是基于java语言的指导教程，算法是HMM（隐马尔科夫模型），隐马尔科夫模型不同于传统机器学习算法，其诞生更早，在深度学习和传统机器学习出现之前隐马尔科夫模型在机器学习领域占了大半江山，包括天气预测，模式识别，语音识别，文本翻译，异常检测等领域，现如今虽然出现了深度学习，但了解和学习隐马尔科夫模型依然具有深远意义，我们可以将其与现阶段深度学习相结合做更多的应用，也可以借助其巧妙原理优化和改进当前大热的深度学习算法，甚至可以与大数据，人工智能相结合发挥更大能力。 适用范围：该资源是一份基于java语言使用eclipse平台对隐马尔可夫算法的导入和封装，方便非算法专业的java开发人员快速学习隐马尔可夫模型，也可以作为算法专业人员将隐马尔科夫模型应用于Java环境下的工程落地实践。 平台：pc windows；eclipse 语言：java 算法：HMM 欢迎交流学习，有疑问可以私信我！

windows虚拟环境环境安装pytorch教程，包含虚拟机安装+pytorch安装全流程

做深度学习或人工智能开发可以使用tensorflow或者pytorch，由于pytorch面向流式编程，对于初学者更加友好，该资源是一份面向初学者的pytorch环境搭建教程，从安装windows虚拟机开始到pytorch安装全流程介绍，图文并茂，读者只需要跟随教程图文描述的步骤一步一步操作即可快速搭建windows虚拟环境下的pytorch开发环境 适用人群：深度学习或人工智能初学者，有搭建pytorch环境的需求 平台：PC，windows，pytorch 资源特点：基于Windows虚拟机上的pytorch搭建教程 编程语言：python 特殊说明：由于虚拟机软件和pytorch更新迭代很快，教程文档的核心步骤是确定的，如果与最新官方步骤有差异请按照最新指导来操作，资源也会不断更新，有疑问可以即使留言咨询，乐于给初学者解疑答惑，欢迎一起交流！

Notepad++8.5安装包

notepad++安装包，notepad++软件相信对于软件开发人员来说并不陌生，其界面简约功能强大，依托插件市场可以满足用户99%的文本及代码编辑工作，对于不同编程语言学习和编辑工作提供便利，但由于多数电脑管家和应用市场并不提供安装包下载，官网下载缓慢等问题，该资源提供notepad++安装包下载，方便自行取用，资源进攻学习交流，请勿用于其他商业活动。 适用人群：代码开发人员，文本编辑人员 支持语言：C，C++，shell，java，python，js，sql，json等大部分编程语言和脚本格式 特殊功能：按语言类型高亮关键字，格式化代码，关联解释器执行代码，快速对比文本差异等； 版本：8.5 平台：PC，windows

python脚本实现将英文翻译成中文

通常我们对英文文本进行翻译需要借助软件或者翻译api，但前者使用不够灵活，后者需要付费，且对于访问次数和流量有限制，本人尝试了谷歌，百度，腾讯，有道翻译api之后，发现除了访问资费比较贵之外其实翻译的质量也是参差不齐，于是该脚本使用了谷歌翻译的python库，实现免费的，高质量的，不限制访问频次的，免注册的快速翻译，可以嵌入到自己的代码中将英文文本翻译成中文。 适用人群：有翻译需求的，没有经费预算的，对翻译时效要求较高的 请勿用于商业活动，以免造成开源库丧失访问功能 环境：python

爬虫和网络安全领域+对网络漏洞CVE描述信息进行爬虫+获得关键字段+用于做网络安全方面防护研究方面的数据分析及算法研发作用

该脚本是本人自主开发，实现对网络漏洞CVE数据进行爬取，主要涉及爬虫和网络访问功能，实现对CVE网络漏洞描述的关键字段进行获取，包含CVE编号，危害等级，漏洞类型，供应商，型号，设备类型，固件版本号等信息。爬取数据均来自于开放数据平台，实现自动翻页及关键字位置自动定位功能，主要用于网络安全防护方面的数据分析，算法开发及CVE漏洞描述信息整合梳理。脚本可以根据具体需求新增或删减关键字段，爬虫结果将以表格形式存储，脚本代码以python实现，爬虫过程中时间跨度可以自行设置，最早可以到1999年，支持断点续传，不涉及登录账号密码。 实用人群：从事网络防护或漏洞分析人员或学生，帮助其从整合规范化表格数据，用于后续数据分析或算法开发流程，解决了网络防护领域数据量少获取难度高等问题。 技术栈：python 核心库：requests，BeautifulSoup 核心功能点：跨页爬虫，动态获取页面结构，时间跨度可自定义设置，CVE漏洞描述信息关键字提取

神经网络与深度学习中文版

国外完备的深度学习用书，新鲜出炉的中文版，是神经网络，深度学习入门最佳配备

深度学习 21天实战Caffe

最火爆caffe框架实践教程，手把手完美示范各种神经网络搭建过程

机器学习实践指南：案例应用解析（第二版）

通过详尽案例从理论上到实践完美阐述机器学习实践过程

Python机器学习（预测分析核心算法）

通过完善例子从理论到实践介绍在机器学习领域怎样预测