搜索资源列表
LibSVM
- 机器学习支持向量机的代码libsvm 2.36版-Lib source code of Machine study supporting Vector machine
SNoW_v3.2.1.tar
- 基于稀疏网络的精选机器学习模型，相比SVM有更快和更精确的学习效果。-Selected based on the sparse network machine learning model, compared with SVM are faster and more accurate learning.
dtkirsch-hmm-v0.2.0-0-g7feffa1
- 这是一个Ruby机器学习项目中本地实现广义隐马尔可夫模型的分类。目前，它能够监督学习和Viterbi解码。-This project is a Ruby gem ( hmm ) for machine learning that natively implements a (somewhat) generalized Hidden Markov Model classifier. At present, it is capable of supervised learning (using la
2
- 机器狗检测提示 ,很不错的易语言源码，适合易语言爱好者学习。-The robot detection tips, very good source of easy language for easy language enthusiasts to learn.
The-programming-collective-wisdom
- 《集体智慧编程》(programming collective intelligence building smart web 2.0 applications)以机器学习与计算统计为主题背景，专门讲述如何挖掘和分析web上的数据和资源，如何分析用户体验、市场营销、个人品味等诸多信息，并得出有用的结论，通过复杂的算法来从web网站获取、收集并分析用户的数据和反馈信息，以便创造新的用户价值和商业价值。全书内容翔实，包括协作过滤技术（实现关联产品推荐功能）、集群数据分析（在大规模数据集中发掘相似的数
music
- 1、合并喜欢和播放两个列表，实现基于喜欢听的推荐排序算法，实现所听即所爱；下一版本将推出基于用户行为分析的机器学习算法。 2、优化了歌词算法，当发现歌词乱码时，可以手动纠错；下一版本将继续深度优化算法，提供滚动歌词的支持。 3、实现了桌面歌词，可以决定是否显示桌面歌词；下一版本将进行桌面歌词的自定义设置开发工作。 4、电台模式/播放器模式任意切换，MetroPlayer=豆瓣(本地推荐）+播放器，下一版本考虑网络版本。 5 、使用了基于Li
C4.5
- C4.5 算法是机器学习算法中的一种分类决策树算法,其核心算法是ID3算法. C4.5算法继承了ID3算法的优点，并在以下几方面对ID3算法进行了改进： 1) 用信息增益率来选择属性，克服了用信息增益选择属性时偏向选择取值多的属性的不足； 2) 在树构造过程中进行剪枝； 3) 能够完成对连续属性的离散化处理； 4) 能够对不完整数据进行处理。 C4.5算法有如下优点：产生的分类规则易于理解，准确率较高。其缺点是：在构造树的过程中，需要对数据集进行多次的顺序扫描
mlclass-ex3
- 多分类学习及神经网络，机器学习相关，基于matlab计算-ex3.m- Octave scr ipt that will help step you through part 1 ex3 nn.m- Octave scr ipt that will help step you through part 2 ex3data1.mat- Training set of hand-written digits ex3weights.mat- Initial weights for the
machine-learning-ex2
- 斯坦福大学机器学习第2次作业 可供参考 100分-Stanford Machine Learning for the second job reference 100
liblinear-multicore-2.11-1
- liblinear-multicore-2.11-1，用于机器学习-liblinear-multicore-2.11-1 for machinelearning
henmiu_V1.2
- 是机器学习的例程，非归零型差分相位调制信号建模与仿真分析 ，构成不同频率的调制信号。- Machine learning routines, NRZ type differential phase modulation signal modeling and simulation analysis, Constituting the modulated signals of different frequencies.
funqun_V0.2
- 是机器学习的例程，可以得到很精确的幅值、频率、相位估计，基于负熵最大的独立分量分析。- Machine learning routines, You can get a very accurate amplitude, frequency, phase estimation, Based on negative entropy largest independent component analysis.
bengman-V6.2
- 使用大量的有限元法求解偏微分方程，是机器学习的例程，阵列信号处理的高分辨率估计。- Using a large number of finite element method to solve partial differential equations, Machine learning routines, High-resolution array signal processing estimates.
机器学习个人笔记完整版2.5
- 机器学习的笔记整理版本，有助于初学者学习机器学习(Machine learning notes collation version, help beginners learn machine learning)
AForge.NET Framework-2.2.5
- AForge.NET是一个专门为开发者和研究者基于C#框架设计的，这个框架提供了不同的类库和关于类库的资源，还有很多应用程序例子，包括计算机视觉与人工智能，图像处理，神经网络，遗传算法，机器学习，机器人等领域。 这个框架由一系列的类库组成。主要包括有: AForge.Imaging -- 一些日常的图像处理和过滤器 AForge.Vision -- 计算机视觉应用类库 AForge.Neuro -- 神经网络计算库AForge.Genetic -进化算法编程库 AF
Faster-RCNN_TF-master (2)
- 机器学习 关于 faster r-cnn 进行object detection(This is an experimental Tensorflow implementation of Faster RCNN - a convnet for object detection with a region proposal network. For details about R-CNN please refer to the paper Faster R-CNN: Towards Real-Tim
机器学习实战
- 机器学习入门级书籍，讲述浅显易懂，附带源代码与各种数据样本，Python建议使用2.7版。(Machine Learning&Python)
face_train_use_keras.py
- 1.处理图像 2.机器学习 3.训练 4.生成训练文件(1. processing images 2. machine learning 3. training 4. generate training files)
knn
- #k-近邻算法 实现 KNN 分类算法 # 对未知类别属性的数据集中的每个点依次执行以下操作： # (1)计算已知类别数据集中的点与当前点之间的距离 # (2)按照距离递增次序排序 # (3)选取与当前点距离最小的K个点 # (4)确定前K个点所在类别的出现频率 # (5)返回前K个点出现频率最高的类别作为当前点的预测分类(#k-Nearest Neighbor , KNN)
Clustering
- 1) 使用凝聚型层次聚类算法（即最小生成树算法）对所有数据点进行聚类，最后聚成3类。相异度定义方法可选择single linkage、complete linkage、average linkage或者average group linkage中任意一种。 2) 使用C-Means算法对所有数据点进行聚类。C=3。 任务2（必做）： 使用高斯混合模型（GMM）聚类算法对所有数据点进行聚类。C=3。并请给出得到的混合模型参数（包括比例??、均值??和协方差Σ）。 任务3（全做）： 1) 参考数据文