搜索资源列表
Untitled
- 手写体数字辨别,样本数据与训练数据均来自UCI 机器学习数据库网站：http://archive.ics.uci.edu/ml/datasets.html 采用BP多学习率算法-BP algorithm of neuro network
classification
- 机器学习中几种典型的分类算法，SVM, ML, Gaussian Mixture Model等-typical classifiers(SVM, ML) in ,machine learning.
finds
- 机器学习(Machine Learning, ML)是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。 它是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域，它主要使用归纳、综合而不是演绎。-Implementation and optimization of find-s algorithm in machine lea
ml
- 机器学习基本算法，深度学习基本算法、python语言实现-the machine learning，deeplearning ，pythonlearning
ML-algorithm-
- 机器学习的十大经典算法，附有详细原理说明，有助于机器学习的学习和运用。-Top 10 classic machine learning algorithms, a detailed theory suggests that helps to study and application of machine learning.
ml-py
- 机器学习算法(kNN、逻辑回归、线性回归、朴素贝叶斯)python实现。-machine learning by python
ml
- AdaBoost算法原理介绍、实现与应用，AdaBoost是机器学习领域的一个重要思想，欢迎感兴趣的朋友下载。-AdaBoost algorithm principle introduction, implementation and application, AdaBoost is an important idea in the field of machine learning, welcome interested friends to download.
gzcjhxju
- 是机器学习的例程，matlab编写的元胞自动机，最大似然（ML）准则和最大后验概率（MAP）准则，部分实现了追踪测速迭代松弛算法，基于人工神经网络的常用数字信号调制，是一种双隐层反向传播神经网络。-Machine learning routines, matlab prepared cellular automata, Maximum Likelihood (ML) criteria and maximum a posteriori (MAP) criterion, Partially achi
dfykugjs
- 一种流形学习算法（很好用），对信号进行频谱分析及滤波，阵列信号处理的高分辨率估计，是机器学习的例程，本科毕设要求参见标准测试模型，最大似然（ML）准则和最大后验概率（MAP）准则。- A fluid manifold learning algorithm (good use), The signal spectral analysis and filtering, High-resolution array signal processing estimates, Machine learnin
pjiuxxvs
- 最大似然（ML）准则和最大后验概率（MAP）准则，使用matlab实现智能预测控制算法，有小波分析的盲信号处理，是机器学习的例程，针对EMD方法的不足,应用小区域方差对比，程序简单。- Maximum Likelihood (ML) criteria and maximum a posteriori (MAP) criterion, Use matlab intelligent predictive control algorithm, There Wavelet Analysis Blind
tcpkdtjk
- 使用大量的有限元法求解偏微分方程，是机器学习的例程，本程序的性能已经超过其他算法，最大似然（ML）准则和最大后验概率（MAP）准则，加入重复控制，一种噪声辅助数据分析方法。- Using a large number of finite element method to solve partial differential equations, Machine learning routines, This program has exceeded the performance of oth
machingLearning-ML-Navie-Baye
- 机器学习相关算法研究，里面有参考文档和运行的小例子-Machine learning algorithms related research, there are reference documents and run a small example
mnist
- 机器学习(Machine Learning, ML)是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。(Machine learning (Machine Learning, ML) is a multidisciplinary interdisciplinary field, involving many disciplines, such as p
ml-startup-1
- 线型模型的学习资料 python源码，依赖sk-lean库实现(Linear model of learning materials Python source code, relying on sk-lean library implementation)
机器学习实践指南代码及资源
- 机器学习(Machine Learning, ML)是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。 它是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域，它主要使用归纳、综合而不是演绎。(Machine Learning (ML) is a multi domain cross discipline, involving
Machine learning an algorithmic perspective
- 机器学习(Machine Learning, ML)是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能(Machine learning (Machine Learning ML) is an interdisciplinary subject, involving probability and statistics, approximation th
机器学习基础
- 机器学习英文版，机器学习(Machine Learning, ML)是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。(machine learning English edition)
机器学习实战 _试读
- 机器学习(Machine Learning, ML)是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。(Machine Learning (ML) is a multidisciplinary interdisciplinary subject, involving probability theory, statistics, approximati
ML
- 关于机器学习分类算法应用的一个例子，主要是根据给定数据对良/恶性乳腺癌肿瘤预测的实际应用，如何使用分类算法(An example of the application of the machine learning classification algorithm is mainly based on the practical application of the given data to the prediction of benign / malignant breast cancer,
ML
- 系统介绍MATLAB机器学习相关工具箱及算法的书籍(MATLAB machine learning toolbox and algorithm books are introduced systematically. @BOOK{barberBRML2012, author = {Barber, D.}, title= {{Bayesian Reasoning and Machine Learning}}, publisher = {{Cambridge University Pre