机器学习实践指南

机器学习-吴恩达第二次作业源码

吴恩达机器学习课程作业，第二次，已经补全代码，经过验证

吴恩达机器学习第二周编程作业（包括附加题）

吴恩达机器学习第二周编程作业（包括附加题）

（全）2020吴恩达机器学习MachineLearning第二周编程作业ex1

压缩包内含吴恩达老师《Machine Learning》课程第二周的编程作业ex1所需完成的四个m文件以及可选择完成的四个m文件。压缩包中所有编程作业均为本人独立完成，并尽量使用向量化计算，全部满分通过。

吴恩达机器学习编程题即部分答案

Programming Exercise 1: Linear Regression Machine Learning Introduction In this exercise, you will implement linear regression and get to see it work on data. Before starting on this programming exercise, we strongly recom- mend watching the video lectures and completing the review questions for the associated topics. To get started with the exercise, you will need to download the starter code and unzip its contents to the directory where you wish to complete the exercise. If needed, use the cd command in Octave/MATLAB to change to this directory before starting this exercise. You can also find instructions for installing Octave/MATLAB in the “En- vironment Setup Instructions” of the course website. Files included in this exercise ex1.m - Octave/MATLAB script that steps you through the exercise ex1 multi.m - Octave/MATLAB script for the later parts of the exercise ex1data1.txt - Dataset for linear regression with one variable ex1data2.txt - Dataset for linear regression with multiple variables submit.m - Submission script that sends your solutions to our servers [?] warmUpExercise.m - Simple example function in Octave/MATLAB [?] plotData.m - Function to display the dataset [?] computeCost.m - Function to compute the cost of linear regression [?] gradientDescent.m - Function to run gradient descent [†] computeCostMulti.m - Cost function for multiple variables [†] gradientDescentMulti.m - Gradient descent for multiple variables [†] featureNormalize.m - Function to normalize features [†] normalEqn.m - Function to compute the normal equations ? indicates files you will need to complete † indicates optional exercises

吴恩达机器学习第二次编程作业原创答案源码machine-learning-ex2-finished.zip

该代码为matlab代码，由小编独立编写，非转载，可以直接运行，亲测提交成绩满分，供大家参考。PS：另外在提交时出现问题的同学，可以尝试用octave4.2.1提交，亲测win10下成功提交。

吴恩达机器学习第二章答案ex2.rar

吴恩达机器学习第二章作业答案，包含答案，题目解析和原始数据。本博客为作者自行完成的吴恩达机器学习课后练习题目，使用的是matlab语言。

coursera斯坦福机器学习编程题答案

coursera上的吴恩达教授斯坦福大学机器学习课程编程题全部参考答案，已经过验证完全可以提交，供机器学习初学者参考或取得学分，重点在于理解课程内容。

机器学习训练秘籍

《机器学习训练秘籍》为吴恩达未发表的作品，作为内部开发教学使用，中文版，分享给大家。

训练机器学习模型代码

训练机器学习模型代码，训练机器学习模型代码，训练机器学习模型代码

机器学习吴恩达

有关机器学习网课笔记week1-2，可能会有错误，希望能够指出。

吴恩达机器学习编程作业

吴恩达机器学习编程作业，Coursera-机器学习-吴恩达-课后习题答案-编程练习全部答案（ex1-ex8），可信度高

机器学习 吴恩达

吴恩达 机器学习最新教程。pdf版31-32.Machine learning is the foundation of countless important applications, including web search, email anti-spam, speech recognition, product recommendations, and more. I assume that you or your team is working on a machine learning application, and that you want to make rapid progress. This book will help you do so.

机器学习-吴恩达作业练习

斯坦福大学吴恩达教授的课件上的同步练习题，每个章节都有对应的习题。

吴恩达 机器学习

吴恩达机器学习，含有作业 ，可用IPV6下载，需要的看过来

吴恩达机器学习

吴恩达机器学习全程视频，想学习的可以来抓紧跟大师学习哟。

Matlab 基于支持向量机(SVM)的数据回归预测 SVM回归

1. Matlab实现支持向量机的数据回归预测（完整源码和数据) 2. 多变量输入，单变量输出，数据回归预测 3. 评价指标包括：R2、MAE、MSE、RMSE 4. 包括拟合效果图和散点图 5. Excel数据，暂无版本限制，推荐2018B及以上版本 注：采用 Libsvm 工具箱（无需安装，可直接运行），仅支持 Windows 64位系统

配电网光伏储能双层优化配置模型（选址定容）的matlab代码

参考文献：   [1]  刘自发,于普洋,李颉雨.  计及运行特性的配电网分布式电源与广义储能规划    [J].  电力自动化设备,  2023,  43  (03):  72-79.     [2]  任智君,郭红霞,杨苹,等.  含高比例可再生能源配电网灵活资源双层优化配置    [J].  太阳能学报,  2021,  42  (09):  33-38.     [3]  高红均,刘俊勇.  考虑不同类型DG和负荷建模的主动配电网协同规划    [J].  中国电机工程学报,  2016,  36  (18):  4911-4922+5115.           分析系统灵活性供需关系，建立灵活资源运行-规划联合优化双层配置模型。运行层引入灵活性不足率作为系统灵活性评价指标，将网损和弃风弃光量计入经济惩罚，以系统年运行成本最优为目标；规划层引入系统综合安全性指标对系统安全性进行评估，以系统年综合成本最优为目标。采用粒子群优化算法对双层配置模型进行求解。最后，利用IEEE 33节点配网系统对算例进行仿真，结果验证了所提运行-规划联合双层配置模型能有效减少网损和

Matlab 基于BP神经网络的数据分类预测 BP分类

1. Matlab实现BP神经网络的数据分类预测（完整源码和数据) 2. 多变量输入，单变量输出（类别），数据分类预测 3. 评价指标包括：准确率 和 混淆矩阵 4. 包括拟合效果图 和 混淆矩阵 5. Excel数据，要求 Matlab 2018B及以上版本

LSTM时间序列神经网络预测MATLAB代码

MATLAB代码，直接运行，可以换数据。

ADRC控制器仿真 simulink 2017a版本

ADRC控制器仿真 simulink 2017a版本

matlab2020b ubuntu.txt

matlab2020b ubuntu 安装文件，有教程，看我博客。

2022建模国赛代码(三天坚持不易) 包括K-meas算法、bp预测、回归预测,(python和matlab做的).zip

2022建模国赛代码(三天坚持不易) 包括K-meas算法、bp预测、回归预测,(python和matlab做的).zip

matlab绘制三维球面及球面曲线

基于matlab绘制三维球面，并通过参数方程绘制各种球面曲线，可用于科研绘图，例如光学中偏振态在庞加莱球面的演化路径描述

基于蚁群算法的三维路径规划(matlab实现)

  三维路径规划指在已知三维地图中，规划出一条从出发点到目标点满足某项指标最优，并且避开了所有三维障碍物的三维最优路径。现有的路径规划算法中，大部分算法是在二维规划平面或准二维规划平面中进行路径规划。一般的三维路径规划算法具有计算过程复杂、信息存储量大、难以直接进行全局规划等问题。已有的三维路径规划算法主要包括A*算法、遗传算法、粒子群算法等，但是A*算法的计算量会随着维数的增加而急剧增加，遗传算法和粒子群算法只是准三维规划算法。         蚁群算法具有分布计算、群体智能等优势，在路径规划上具有很大潜力，在成功用于二维路径规划的同时也可用于三维路径规划，代码采用蚁群算法进行水下机器人三维路径规划。

基于智能优化算法的双层优化求解(matlab代码)

除了数学规划方法之外，还可采用智能优化算法求解双层优化问题，一般在上层优化中采用智能优化算法，下层优化使用数学规划方法；也可以在上下层优化中都采用智能优化算法，这篇博客将进行详细介绍。算例依旧使用上面两篇博客中的线性双层优化问题，由于这个优化问题比较简单，我们采用最基础的粒子群算法进行求解。​ 资源包括三个部分： 1.基础粒子群算法的matlab代码 2.采用粒子群算法求解带约束的优化问题matlab代码 3.采用粒子群算法求解双层优化问题的matlab代码 智能优化算法无法避免的问题，即使是一个非常简单的目标函数，求出的结果也无法保证是全局最优，那么当目标函数变复杂时，情况将会更糟糕。现在对智能优化算法的研究非常多，各种动植物园算法、各种改进都层出不穷，但还是无法从根本上解决算法无法保证全局收敛的问题。         所以，只有在数学模型比较复杂，非线性条件很多，而且对结果的误差是可以接受的情况下，才建议使用智能优化算法进行求解。