在监督学习中，给定一组数据，我们知道正确的输出结果应该是什么样子，并且知道在输入和输出之间有着一个特定的关系。
这么说可能理解起来不是很清晰，没关系，后面有具体的例子。
监督学习可分为“回归”和“分类”问题。
监督学习分类在回归问题中，我们会预测一个连续值。
也就是说我们试图将输入变量和输出用一个连续函数对应起来；
而在分类问题中，我们会预测一个离散值，我们试图将输入变量与离散的类别对应起来。
下面举两个例子，就会非常清楚这几个概念了。
通过房地产市场的数据，预测一个给定面积的房屋的价格就是一个回归问题。
这里我们可以把价格看成是面积的函数，它是一个连续的输出值。
但是，当把上面的问题改为“预测一个给定面积的房
这么说可能理解起来不是很清晰，没关系，后面有具体的例子。
监督学习可分为“回归”和“分类”问题。
监督学习分类在回归问题中，我们会预测一个连续值。
也就是说我们试图将输入变量和输出用一个连续函数对应起来；
而在分类问题中，我们会预测一个离散值，我们试图将输入变量与离散的类别对应起来。
下面举两个例子，就会非常清楚这几个概念了。
通过房地产市场的数据，预测一个给定面积的房屋的价格就是一个回归问题。
这里我们可以把价格看成是面积的函数，它是一个连续的输出值。
但是，当把上面的问题改为“预测一个给定面积的房
2024/3/17 0:37:54
452KB
1
在线随机森林算法包（online-random-forests），在linux系统下安装调试。
可用于机器学习研究。
可用于机器学习研究。
2024/3/16 16:50:25
131KB
1
python预测分析核心算法（含大量实例代码）在学习和研究机器学习的时候，面临令人眼花缭乱的算法，机器学习新手往往会不知所措。
本书从算法和Python语言实现的角度，帮助读者认识机器学习。
本书专注于两类核心的“算法族”，即惩罚线性回归和集成方法，并通过代码实例来展示所讨论的算法的使用原则。
全书共分为7章，详细讨论了预测模型的两类核心算法、预测模型的构建、惩罚线性回归和集成方法的具体应用和实现。
本书主要针对想提高机器学习技能的Python开发人员，帮助他们解决某一特定的项目或是提升相关的技能
本书从算法和Python语言实现的角度，帮助读者认识机器学习。
本书专注于两类核心的“算法族”，即惩罚线性回归和集成方法，并通过代码实例来展示所讨论的算法的使用原则。
全书共分为7章，详细讨论了预测模型的两类核心算法、预测模型的构建、惩罚线性回归和集成方法的具体应用和实现。
本书主要针对想提高机器学习技能的Python开发人员，帮助他们解决某一特定的项目或是提升相关的技能
2024/3/13 4:49:50
16.38MB
1
《模式分类》(原书第2版)的第1版《模式分类与场景分析》出版于1973年，是模式识别和场景分析领域奠基性的经曲名著。
在第2版中，除了保留了第1版的关于统计模式识别和结构模式识别的主要内容以外，读者将会发现新增了许多近25年来的新理论和新方法，其中包括神经网络、机器学习、数据挖掘、进化计算、不变量理论、隐马尔可夫模型、统计学习理论和支持向量机等。
作者还为未来25年的模式识别的发展指明了方向。
书中包含许多实例，各种不同方法的对比，丰富的图表，以及大量的课后习题和计算机练习。
在第2版中，除了保留了第1版的关于统计模式识别和结构模式识别的主要内容以外，读者将会发现新增了许多近25年来的新理论和新方法，其中包括神经网络、机器学习、数据挖掘、进化计算、不变量理论、隐马尔可夫模型、统计学习理论和支持向量机等。
作者还为未来25年的模式识别的发展指明了方向。
书中包含许多实例，各种不同方法的对比，丰富的图表，以及大量的课后习题和计算机练习。
2024/3/11 15:11:36
17.09MB
1
kaggle中的stumbleupon数据集，需要许多步骤才能下载到，上传方便各位下载
2024/3/11 15:55:15
165.24MB
1
决策树方法在分类、预测、规则提取等领域有着广泛应用。
在20世纪70年代后期和80年代初期，机器学习研究者J.RossQuinilan提出了ID3[5-2]算法以后，决策树在机器学习、数据挖掘邻域得到极大的发展。
Quinilan后来又提出了C4.5，成为新的监督学习算法。
1984年几位统计学家提出了CART分类算法。
ID3和ART算法大约同时被提出，但都是采用类似的方法从训练样本中学习决策树。
在20世纪70年代后期和80年代初期，机器学习研究者J.RossQuinilan提出了ID3[5-2]算法以后，决策树在机器学习、数据挖掘邻域得到极大的发展。
Quinilan后来又提出了C4.5，成为新的监督学习算法。
1984年几位统计学家提出了CART分类算法。
ID3和ART算法大约同时被提出，但都是采用类似的方法从训练样本中学习决策树。
2024/3/11 4:56:35
1.4MB
1
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。
2024-04-09 15:03
15KB