某些数据可用于SPSS的描述性分析，线性回归分析、方差分析等SPSS操作，数据较规范，因而可多用于练习。

这是我在《北京交通大学学报》2014年的论文《基于多元线性回归的线性系统形态空间辨识算法》配套MATLAB代码，用来生成论文中的图的。
读者有不明白的，可以联系我。

基于线性回归进行图像插值，恢复受损图像。
言语是python

纯Python3.5代码完成多变量线性回归，参数更新方法采用梯度下降法

多元线性回归MATLAB法式

ThereisanexplosionofinterestinBayesianstatistics,primarilybecauserecentlycreatedcomputationalmethodshavefinallymadeBayesiananalysistractableandaccessibletoawideaudience.DoingBayesianDataAnalysis,ATutorialIntroductionwithRandBUGS,isforfirstyeargraduatestudentsoradvancedundergraduatesandprovidesanaccessibleapproach,asallmathematicsisexplainedintuitivelyandwithconcreteexamples.Itassumesonlyalgebraand‘rusty’calculus.Unlikeothertextbooks,thisbookbeginswiththebasics,includingessentialconceptsofprobabilityandrandomsampling.Thebookgraduallyclimbsallthewaytoadvancedhierarchicalmodelingmethodsforrealisticdata.ThetextprovidescompleteexampleswiththeRprogramminglanguageandBUGSsoftware(bothfreeware),andbeginswithbasicprogrammingexamples,workingupgraduallytocompleteprogramsforcomplexanalysesandpresentationgraphics.Thesetemplatescanbeeasilyadaptedforalargevarietyofstudentsandtheirownresearchneeds.ThetextbookbridgesthestudentsfromtheirundergraduatetrainingintomodernBayesianmethods.Accessible,includingthebasicsofessentialconceptsofprobabilityandrandomsamplingExampleswithRprogramminglanguageandBUGSsoftwareComprehensivecoverageofallscenariosaddressedbynon-bayesiantextbooks-t-tests,analysisofvariance(ANOVA)andcomparisonsinANOVA,multipleregression,andchi-square(contingencytableanalysis).CoverageofexperimentplanningRandBUGScomputerprogrammingcodeonwebsiteExerciseshaveexplicitpurposesandguidelinesforaccomplishment作者从概率统计和编程两方面入手，由浅入深地指点读者如何对实际数据进行贝叶斯分析。
全书分成三部分，第一部分为基础篇：关于参数、概率、贝叶斯法则及R软件，第二部分为二元比例推断的基本理论，第三部分为广义线性模型。
内容包括贝叶斯统计的基本理论、实验设计的有关知识、以层次模型和MCMC为代表的复杂方法等。
同时覆盖所有需要用到非贝叶斯方法的情况，其中包括：t检验，方差分析（ANOVA）和ANOVA中的多重比较法，多元线性回归，Logistic回归，序列回归和卡方（列联表）分析。
针对不同的学习目标（如R、BUGS等）列出了相应的重点章节；
整理出贝叶斯统计中某些与传统统计学可作类比的内容，方便读者快速学习。
本中提出的方法都是可操作的，并且所有涉及数学理论的地方都已经用实际例子非常直观地进行了解释。
由于并不对读者的统计或

人工智能基础视频教程零基础入门课程第十二章人工智能基础视频教程零基础入门课程，不需要编程基础即可学习，共15章，由于整体课程内容太大，无法一次传输，分章节上传。
第一章人工智能开发及远景引见（预科）第二章线性回归深入和代码实现第三章梯度下降和过拟合和归一化第四章逻辑回归详解和应用第五章分类器项目案例和神经网络算法第六章多分类、决策树分类、随机森林分类第七章分类评估、聚类第八章密度聚类、谱聚类第九章深度学习、TensorFlow安装和实现第十章TensorFlow深入、TensorBoard十一章DNN深度神经网络手写图片识别十二章TensorBoard可视化十三章卷积神经网络、CNN识别图片十四章卷积神经网络深入、AlexNet模型十五章Keras深度学习框架

根据boston房价数据，进行训练线性回归模型，并进行标准化数据处理，L1、L2正则化损失函数

支持向量机是数据挖掘中的一个新方法。
支持向量机能非常成功地处理回归问题(时间序列分析)和模式识别(分类问题、判别分析)等诸多问题，并可推广于预测和综合评价等领域，因此可应用于理科、工科和管理等多种学科。
目前国际上支持向量机在理论研究和实际应用两方面都正处于飞速发展阶段。
希望《数据挖掘中的新方法——支持向量机》能促进它在我国的普及与提高。
《数据挖掘中的新方法——支持向量机》对象既包括关心理论的研究工作者，也包括关心应用的实际工作者。
对于有关领域的具有高等数学知识的实际工作者，略去书中的某些理论部分，仍能对支持向量机的本质有一个概括的理解，从而用它解决自己的问题。
《数据挖掘中的新方法——支持向量机》适合高等院校高年级学生、研究生、教师和相关科研人员及相关领域的实际工作者使用。
序言符号表第1章最优化问题及其基本理论1·1最优化问题1·2最优性条件1·3对偶理论1·4注记参考文献第2章求解分类问题和回归问题的直观途径2·1分类问题的提出2·2线性分类学习机2·3支持向量分类机2·4线性回归学习机2·5支持向量回归机2·6注记参考文献第3章核3·1描述相似性的工具——内积3·2多项式空间和多项式核3·3Mercer核3·4正定核3·5核的构造3·6注记参考文献第4章推广能力的理论估计4·1损失函数和期望风险4·2求解分类问题的一种途径和一个算法模型4·3VC维4·4学习算法在概率意义下的近似正确性4·5一致性概念和关键定理4·6结构风险最小化4·7基于间隔的推广估计4·8注记参考文献第5章分类问题5·1最大间隔原则5·2线性可分支持向量分类机5·3线性支持向量分类机5·4支持向量分类机5·5ν-支持向量分类机(ν-SVC)5·6ν-支持向量分类机(ν-SVC)和C-支持向量分类机(C-SVC)的关系5·7多类分类问题5·8一个例子5·9注记参考文献第6章回归估计6·1回归问题6·2ε-支持向量回归机6·3ν-支持向量回归机6·4ε-支持向量回归机(ε-SVR)与ν-支持向量回归机(ν-SVR)的关系6·5其他方式的支持向量回归机6·6其他方式的损失函数6·7一些例子6·8注记参考文献第7章算法7·1无约束问题解法7·2内点算法7·3求解大型问题的算法7·4注记参考文献第8章应用8·1模型选择问题8·2分类问题的线性分划中的特征选择8·3模型选择8·4静态图像中球的识别8·5自由曲面的重建问题8·6应用简介8·7核技巧的应用8·8注记参考文献附录A基础知识A·1基本定义A·2梯度和Hesse矩阵A·3方向导数A·4Taylor展开式A·5分离定理附录BHilbert空间B·1向量空间B·2内积空间B·3Hilbert空间B·4算子、特征值和特征向量附录C概率C·1概率空间C·2随机变量及其分布C·3随机变量的数字特征C·4大数定律附录D鸢尾属植物数据集英汉术语对照表

adaboost演示demo（基于Matlab，学习算法包括决策树、神经网络、线性回归、在线贝叶斯分类器等），动态GUI显示学习进程、vote进程等

在日常工作中，钉钉打卡成了我生活中不可或缺的一部分。然而，有时候这个看似简单的任务却给我带来了不少烦恼。 每天早晚，我总是得牢记打开钉钉应用，点击"工作台"，再找到"考勤打卡"进行签到。有时候因为工作忙碌，会忘记打卡，导致考勤异常，影响当月的工作评价。而且，由于我使用的是苹果手机，有时候系统更新后，钉钉的某些功能会出现异常，使得打卡变得更加麻烦。 另外，我的家人使用的是安卓手机，他们也经常抱怨钉钉打卡的繁琐。尤其是对于那些不太熟悉手机操作的长辈来说，每次打卡都是一次挑战。他们总是担心自己会操作失误，导致打卡失败。 为了解决这些烦恼，我开始思考是否可以通过编写一个全自动化脚本来实现钉钉打卡。经过一段时间的摸索和学习，我终于成功编写出了一个适用于苹果和安卓系统的钉钉打卡脚本。