实用机器学习

Machine-Learning-In-Action:机器学习实战源代码

行动中的机器学习 这是与Manning Inc.出版的Peter Harrington所著的“机器学习在行动”一起使用的源代码。该书的官方页面可以在这里找到： : 所有代码示例均在Python 2.6上运行，而2.7应该没有任何问题。 大多数示例都需要NumPy。 如果您无法运行我们在论坛上为本书所知的任何示例，： : ?forumID= 。 如果您想在其他版本的Python（例如3.0或IronPython）上运行它们，请随意编写代码。

机器学学习实战 Machine Learning in Action

机器学学习实战 Machine Learning in Action各章的源代码和所需要的数据。

Machine-Learning-in-Action:常见机器学习算法的python实现

机器学习在行动 本书的源代码：Machine Learning in Action by Peter Harrington，总结了 ML 中的一些常见算法

Machine_Learning:机器学习算法源代码

机器学习 机器学习算法的源代码。

Machine-Learning:机器学习练习

机器学习 ML 中的练习。

机器学习-源代码

机器学习实战的配套源代码，按照图书的章节提供。 This is the source code to go with "Machine Learning in Action" by Peter Harrington published by Manning Inc. The official page for this book can be ...

Machine-Learning-in-Action-Python3:《机器学习实战》的python3

机器学习实战一书中的代码是基于python2的，故对书中的代码重新编写整理，全部代码可在python3环境下运行。所有源程序中，文件夹名称的命名规则为：算法名称+对应书中的第几个案例，几个几个案例因为数据量比较大...

Machine-Learning-in-Action:本书取自《机器学习在行动》中的源代码，更正了错误，并根据python 3.X更新了-Source code learning

本书摘自《机器学习在行动》中的源代码。 ipynb格式和html格式，更正了（以及我自己发现的一些错误），并根据python 3.X更新了。 机器学习在行动.pdf：本书的pdf版本 MLiA_SourceCode.zip：（.py格式） 02用k最近...

machinelearninginaction

machinelearninginaction源代码，machinelearninginaction源代码，machinelearninginaction源代码，machinelearninginaction源代码，machinelearninginaction源代码，machinelearninginaction源代码，...

Machine-Learning-in-Action:机器学习实践

机器学习在行动 机器学习实践源码 的Python版本：Python 3.6.2 :: Anaconda，Inc.

Machine-Learning-Python3:机器学习实战

机器学习-Python3 机器学习实战源码 机器学习在实践中Python3 机器学习的过程中拜读了王斌老师翻译的《机器学习实战》一书，书中对算法的原理以及编程实现进行了详细的介绍。 机器学习实战一书中的代码是基于python2的，故对书中的代码重新编写整理，全部代码可在python3环境下运行。 所有源程序中，文件夹名称的命名规则为：算法名称+对应书中的第几个案例，几个几个案例因为数据量比较大所以采用压缩包上传。 版本更新记录 2019/2/9在kNN_Project1文件夹下更新了鸢尾花多分类任务的sklearn包实现，文件命名为Chap_1.py

Machine Learning机器学习讲义

Machine Learning机器学习讲义

Machine-Learning:机器学习

机器学习 机器学习

机器学习实战_Machine_Learning_in_Action.pdf

机器学习实战_Machine_Learning_in_Action.pdf

机器学习技法6 - 4 - Machine Learning in Action (12-59).mp4

机器学习技法6 - 4 - Machine Learning in Action (12-59).mp4

机器学习（Machine Learning）第一天

机器学习第一章（动机与应用） 1.1 应用 1.1.1 数据挖掘 原因之一：网络和自动化技术的增长，巨大的数据集 （1）大量的硅谷公司正在收集web上的单击数据，也称为点击流数据，并尝试使用机器学习算法来分析数据，更好的了解用户，并为用户提供更好的服务。 （2）医疗记录。随着自动化的出现，我们现在有了电子医疗记录。把医疗记录变成医学知识，更好地理解疾病。 （3）计算生物学。还是因为自动化技术，生物学家们收集的大量基因数据序列、DNA序列和等等，机器运行算法让我们更好地了解人类基因组。 （4）工程方面，在工程的所有领域，我们有越来越大、越来越大的数据集，我们试图使用学习算法，来理解这些数据。另外

Machine Learning in Action（机器学习英文原版教材）.pdf

Machine Learning in Action（机器学习英文原版教材）.pdf

Machine-Learning-in-Action:《机器学习在行动》中的演示

Machine-Learning-in-Action 这里使用python3语言实现《机器学习实战》的算法 ch02 : knn    kNN.py ：knn算法的实现    kdTree.py ：kd树以及kd搜索树算法的实现    小例子 ：约会网站预测、数字识别    详解： ch03 : 决策树    ID3_C45.py：ID3以及C4.5算法的实现    小例子 ：预测隐形眼镜类型    详解： ch04 : 朴素贝叶斯    bayes.py ：朴素贝叶斯算法的实现    main.py ：调用bayes进行测试    小例子 ：垃圾邮件分类

Machine-Learning:机器学习概述

机器学习 在此回购中，简要概述了重要的机器学习算法。 内容 机器学习是一种使分析模型构建自动化的数据分析方法。 机器学习专注于从经验中学习并随着时间的推移提高其决策或预测准确性的应用程序。 它是人工智能的一个分支，其基础是系统可以从数据中学习，识别模式并以最少的人工干预做出决策。 机器学习的工作原理 构建机器学习应用程序（或模型）有四个基本步骤。 这些通常由数据科学家与正在为其开发模型的业务专业人员紧密合作来执行。 步骤1：选择并准备训练数据集 训练数据是用于解决潜在问题的数据集。 可以对训练数据进行标记，以指出模型需要识别的分类。 此外，训练数据可以不加标签，模型将需要提取特征并自行分配分类。 无论哪种情况，都需要正确准备培训数据：清理，随机分配并检查可能影响培训的不平衡或偏见。 它还应分为两个子集：训练子集（将用于训练应用程序）和验证子集（用于测试和优化应用程序）。 步骤2：选择要在

ChatGPT教程（终极版）最全整理

这是一篇动了某些人利益的良心教程。 这是一篇姗姗来迟的ChatGPT教程。 纯小白关于ChatGPT入门，你看我这篇文章就够了。 如果你已经用上了ChatGPT，更要恭喜你挖到宝藏，后面的高级技巧一定能让你有收获。 文章包含以下内容： 一、ChatGPT是啥？有什么用； 二、ChatGPT如何注册； 三、ChatGPT使用方法； 四、用ChatGPT搞钱； 五、高级技巧；

博客中Kmeans以及FCM算法数据（免积分）

博客中Kmeans以及FCM算法的数据，包括IRIS鸢尾花数据集、Wine葡萄酒数据集、Seed小麦种子数据集、glass数据集、WDBD乳腺癌数据集，下载在直接存入项目文件夹即可，如果下载不了，可以私信我，看到后会及时回复。

hugging face的models-openai-clip-vit-large-patch14文件夹

用于无法访问hugging face并需要运行stable-diffusion-webui时使用

神经网络回归预测--气温数据集

神经网络回归预测--气温数据集

XGBoost+LightGBM+LSTM-光伏发电量预测

包含比赛代码、数据、训练后的神经网络模型等。 在分析光伏发电原理的基础上，论证了辐照度、光伏板工作温度等影响光伏输出功率的因素，通过实时监测的光伏板运行状态参数和气象参数建立预测模型，预估光伏电站瞬时发电量，根据光伏电站DCS系统提供的实际发电量数据进行对比分析，验证模型的实际应用价值。 1 数据探索与数据预处理 1.1 赛题回顾 1.2 数据探索性分析与异常值处理 1.3 相关性分析 2 特征工程 2.1 光伏发电领域特征 2.2 高阶环境特征 3 模型构建与调试 3.1 预测模型整体结构 3.2 基于LightGBM与XGBoost的构建与调试 3.3 基于LSTM的模型构建与调试 3.4 模型融合与总结 4 总结与展望 参考文献

Mathwork+Matlab+编程手册

Introduction to Programming with MATLAB ~ Vanderbilt University

基于Python+pytorch的图像处理+附完整代码图像处理，能够轻松实现图像的读取、显示、裁剪等还有机器学习等操作

Python+PyTorch：图像处理界的“瑞士军刀” 在图像处理这个充满魔法的世界里，Python和PyTorch这对黄金搭档，就像一位技艺高超的魔法师和一把无所不能的“瑞士军刀”，总能轻松解决各种看似棘手的难题。它们以高效、灵活和强大的特性，引领着图像处理技术的发展潮流，让无数开发者为之倾倒。Python，这位优雅的魔法师，以其简洁易懂的语法和丰富的库资源，赢得了广大开发者喜爱。无论是数据处理、机器学习还是深度学习，Python都能轻松应对，展现出其无与伦比的魅力。在图像处理领域，Python更是如鱼得水，通过OpenCV、PIL等库，能够轻松实现图像的读取、显示、裁剪、缩放、滤波等操作，让图像在指尖起舞。而PyTorch，这把图像处理界的“瑞士军刀”，则以其灵活性和易用性，成为深度学习领域的翘楚。它拥有强大的自动求导功能，能够轻松构建和训练复杂的神经网络模型。在图像处理中，PyTorch能够助力开发者构建出各种高效的图像识别、分割、生成等模型，让图像焕发出新的生机。想象一下，当你掌握了Python和PyTorch这对黄金搭档，就如同掌握了一把魔法杖和一把瑞士军刀。必然大可作为

Stable-Diffusion WEBUI 简体中文语言包（2023.05.30更新）

AI绘图，Stable-Diffusion WEBUI，本地化（简体中文）语言文件。 原始文件来自翻译插件，根据自己实际使用情况，增加和修改了一些翻译。 配合【双语插件】看上去要自然一点，内容还在继续完善中。 本次增加了一些翻译内容，特别是插件。 同时继续合并了其它翻译插件的内容。 最近文字提示修改得有点多啊。 请放入“你的SDWebUI项目位置/localizations/”中。 中文翻译部分删掉了不少括起来的英文原文，所以别直接选它用。 请配合【Bilingual Localization】插件使用，双语同时显示，效果最好。

时间序列预测模型实战案例(Xgboost)(Python)(机器学习)包括时间序列预测和时间序列分类，点击即可运行！

内容概要 资源包括三部分(时间序列预测部分和时间序列分类部分和所需的测试数据集全部包含在内) 在本次实战案例中，我们将使用Xgboost算法进行时间序列预测。Xgboost是一种强大的梯度提升树算法，适用于各种机器学习任务，它最初主要用于解决分类问题，在此基础上也可以应用于时间序列预测。 时间序列预测是通过分析过去的数据模式来预测未来的数值趋势。它在许多领域中都有广泛的应用，包括金融、天气预报、股票市场等。我们将使用Python编程语言来实现这个案例。 其中包括模型训练部分和保存部分，可以将模型保存到本地，一旦我们完成了模型的训练，我们可以使用它来进行预测。我们将选择合适的输入特征，并根据模型的预测结果来生成未来的数值序列。最后，我们会将预测结果与实际观测值进行对比，评估模型的准确性和性能。 适合人群：时间序列预测的学习者,机器学习的学习者， 能学到什么：本模型能够让你对机器学习和时间序列预测有一个清楚的了解，其中还包括数据分析部分和特征工程的代码操作 阅读建议：大家可以仔细阅读代码部分，其中包括每一步的注释帮助读者进行理解，其中涉及到的知识有数据分析部分和特征工程的代码操作。