1基于遗传算法的TSP算法（王辉）2基于遗传算法和非线性规划的函数寻优算法（史峰）3基于遗传算法的BP神经网络优化算法（王辉）4设菲尔德大学的MATLAB遗传算法工具箱（王辉）5基于遗传算法的LQR控制优化算法（胡斐）6遗传算法工具箱详解及应用（胡斐）7多种群遗传算法的函数优化算法（王辉）8基于量子遗传算法的函数寻优算法（王辉）9多目标Pareto最优解搜索算法（胡斐）10基于多目标Pareto的二维背包搜索算法（史峰）11基于免疫算法的柔性车间调度算法（史峰）12基于免疫算法的运输中心规划算法（史峰）13基于粒子群算法的函数寻优算法（史峰）14基于粒子群算法的PID控制优化算法（史峰）15基于混合粒子群算法的TSP寻优算法（史峰）16基于动态粒子群算法的动态环境寻优算法（史峰）17粒子群算法工具箱（史峰）18基于鱼群算法的函数寻优算法（王辉）19基于模拟退火算法的TSP算法（王辉）20基于遗传模拟退火算法的聚类算法（王辉）21基于模拟退火算法的HEV能量管理策略参数优化（胡斐）22蚁群算法的优化计算——旅行商问题（TSP）优化（郁磊）23基于蚁群算法的二维路径规划算法（史峰）24基于蚁群算法的三维路径规划算法（史峰）25有导师学习神经网络的回归拟合——基于近红外光谱的汽油辛烷值预测（郁磊）26有导师学习神经网络的分类——鸢尾花种类识别（郁磊）27无导师学习神经网络的分类——矿井突水水源判别（郁磊）28支持向量机的分类——基于乳腺组织电阻抗特性的乳腺癌诊断（郁磊）29支持向量机的回归拟合——混凝土抗压强度预测（郁磊）30极限学习机的回归拟合及分类——对比实验研究（郁磊）

实现svm对鸢尾花进行分类，3个不同品种的花每个50个数据进行分类，鸢尾花数据：archive.ics.uci.edu/ml/datasets/Ilis

利用感知器算法进行鸢尾花数据分类，还包含一个异或算法，可以解决非线性分类问题

利用Python和MATLAB语言分别对机器学习中的线性分类器做了详解，其中分类的数据来源于三类鸢尾花的4维特征向量，主要利用了Fisher分类器的方法

上述代码是利用python内置的k-means聚类算法对鸢尾花数据的聚类效果展示，注意在运行该代码时需要采用pip或者其他方式为自己的python安装sklearn以及iris扩展包，其中X=iris.data[:]表示我们采用了鸢尾花数据的四个特征进行聚类，如果仅仅采用后两个（效果最佳）则应该修改代码为X=iris.data[2:]

文件为iris数据集，包括txt和csv格式，可用于机器学习分类学习。

matlabPCA的m文件。
数据集Iris是常用的分类实验数据集，由Fisher,1936收集整理。
CSDN上原来有一个arff格式的鸢尾花数据集，不方便matlab直接调用。
我的这个数据集是txt格式的，在matlab下可以直接一句命令“load('iris.txt')”加载。
iris以鸢尾花的特征作为数据来源，常用在分类操作中。
该数据集由3种不同类型的鸢尾花的50个样本数据构成。
其中的一个种类与另外两个种类是线性可分离的，后两个种类是非线性可分离的。
该数据集包含了5个属性：&Sepal.Length（花萼长度），单位是cm;&Sepal.Width（花萼宽度），单位是cm;&Petal.Length（花瓣长度），单位是cm;&Petal.Width（花瓣宽度），单位是cm;&种类：IrisSetosa（山鸢尾）、IrisVersicolour（杂色鸢尾），以及IrisVirginica（维吉尼亚鸢尾

将鸢尾花数据python绘制散点图，雷达图，轮廓图，调和曲线图等

knn的python代码#样本数据150*4二维数据，代表150个样本，#每个样本4个属性分别为花瓣和花萼的长、宽

机器学习，神经网络多层感知器实现，稍事修改即可实现手写数字识别，鸢尾花识别实验等

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。