搜索资源列表
weka-3-4-12
- weka全名是怀卡托智能分析环境（Waikato Environment for Knowledge Analysis），是一个公开的数据挖掘工作平台，集合了大量能承担数据挖掘任务的机器学习算法，包括对数据进行预处理，分类，回归、聚类、关联规则以及在新的交互式界面上的可视化-full name is weka intelligent analysis environment Waikato (Waikato Environment for Knowledge Analysis), is an o
jqagent
- 多Agent系统的理论与技术，为分布式开放系统的分析、设计和实现提供了一条崭新的途径。然而随着相关领域高新技术的迅猛发展，多Agent系统的运行环境日益趋于大型、开放、动态和不确定，迫切需要采用各种智能技术来构建具有自学习能力的Agent，为多Agent系统引入学习机制使其更好地适应复杂环境，从而导致了多Agent系统学习这一新兴研究领域的产生和迅速发展。多Agent系统学习包括采用机器学习等方法从积累的信息或数据中学习用于支持决策的知识，以及为建立多Agent协作、协调和竞争等机制而进行的对
boost
- boost算法，用于数据模式分析,其原理是机器学习里面的元学习器集成思想，通过弱分类器的集成来实现一个强分类器。-for data pattern analysis.
Applied_Data_Mining
- 《实用数据挖掘》 本书对面向应用的数据挖掘方法进行了清晰的阐述，包括经典的多元统计方法、贝叶斯多元统计方法、基于机器学习的数据挖掘方法和基于计算的数据挖掘方法等。介绍了数据挖掘领域中许多最新的研究成果，如关联规则、序列规则、图示马尔可夫模型、基于存储的推理、信用风险和Web挖掘等。并详细介绍了选自实际工业项目的6个应用实例，强调了数据挖掘方法的实用性。 本书主要面向计算机科学、信息管理、应用统计学和经济学等专业的高年级本科生和研究生。对实际从事海量数据分析和处理的技术人员也有很好的指导作用和
Machine-learning-and-data-mining
- 机器学习与数据挖掘：方法和应用,本书分为5个部分,共18章,较为全面地介绍了机器学习的基本概念,并讨论了数据挖掘和知识发现中的有关问题及多策略学习方法,具体地阐述了机器学习与数据挖掘在工程设计,文本、图像和音乐,网页分析、计算机病毒和计算机控制,医疗诊断、生物医疗信号分析和水质分析中的生物信号处理等方面的应用情况。-Machine learning and data mining: methods and applications, the book is divided into five p
IrisDC06
- 分类是数据挖掘 、机器学习 和模式识别 中一个重要的研究领域。分类的目的是学会一个分类模型 (称作分类器)，该模型能把未知类别的数据项映射到给定类别中。目前发展较成熟的几种分类算法 如决策树、神经网络、贝叶斯方法、遗传算法等。分类具有广泛的应用，例如医学诊断、信用卡系统的信用分级、图像模式识别等。本毕业设计通过使用鸢尾属植物(IRIS)数据集，对当前数据挖掘中具有代表性的优秀分类算法进行分析和比较，总结出了各种算法的特性，为使用者选择算法或研究者改进算法提供了依据。-Classificatio
Kuschner-BayesianNetwork-feature
- Kuschner论文，贝叶斯网络方法在质谱数据特征选择。其中关于机器学习中贝叶斯分类器部分有完整原理分析，可以用于认知无线电网络的频谱感知等新领域。含有matlab程序大于100页，子函数很多。-Kuschner paper, Bayesian network methods of feature selection in mass spectrometry data. One of the Bayes classifier machine learning part of a complete
SVMPCA
- 在机器学习中经常会用到支持向量机，该代码是再使用支持向量机前对数据进行主成分分析的代码-We often meet support vector machine in machine learning , the code is about the principal component analysis befor using support vector machine (SVM).
kmean.tar
- 聚类分析源代码,用C++实现,主要用于机器学习,数据自动分类-K-mean machine learn
大数据下的机器学习算法综述
- 研究大数据环境下的机器学习算法成为学术界和产业界共同关注的话题. 文中主要分析和总结当前用于处理大数据的机器学习算法的研究现状.(Developing machine learning algorithms for big data is a research focus. In this paper, the state of the art machine learning techniques for big data are introduced and analyzed.)
机器学习课程2014源代码
- python数据分析，人工智能，吴恩达课程代码(Python data analysis, artificial intelligence, teacher Wu Enda curriculum code)
机器学习与数据挖掘方法和应用
- 本书分为5个部分，共18章，较为全面地介绍了机器学习的基本概念，并讨论了数据挖掘和知识发现中的有关问题及多策略学习方法，具体地阐述了机器学习与数据挖掘在工程设计，文本、图像和音乐，网页分析、计算机病毒和计算机控制，医疗诊断、生物医疗信号分析和水质分析中的生物信号处理等方面的应用情况。本书收集众多不同领域中数据挖掘的实际案例，以此来说明数据挖掘的具体解决方法，以期为广大读者提供一个更为广阔的数据挖掘(The book is divided into 5 parts, 18 chapters, a
《MATLAB 神经网络43个案例分析》源代码&数据
- mtalab初学者的福音，非常适合学习！！！！！！！！！！！(The gospel of Mtalab beginners)
情感分析
- 分类，用于对情感词的统计、排序、分类等 包括源程序、数据拆分程序、训练集和测试集(Classification for statistics, sorting and classification of emotional words Includes source programs, data split programs, training sets, and test sets)
python数据分析 韩波
- 一本python数据分析的优秀资料 《python数据分析》(python data analysis)，作者【印尼】Ivan Idris，翻译：韩波。 本人制作的PDF图书，带目录和书签。 作为一种高级程序设计语言，Python凭借其简洁、易读及可扩展性日渐成为程序设计领域备受推崇的语言。同时，Python语言的数据分析功能也逐渐为大众所认可。, 本书是一本介绍如何用Python进行数据分析的学习指南。全书共12章，从Python程序库入门、NumPy数组、matplotlib和pa
基于PCA的SVM分类
- 选择“BreastCancer”数据集，使用支持向量机(SVM)对其进行分类。作为对比，第一次对特征集直接进行支持向量机分类，第二次对特征集进行主成分分析法的特征提取后，再对特征提取后的特征集进行支持向量机分类。并且对比和分析了两次分类的结果。(The BreastCancer data set is selected and classified by Support Vector Machine (SVM). For comparison, the first time the featur
基于粒子群优化算法的特征选择SVM分类
- 针对“BreastCancer”数据集，作为对比，第一次对特征集直接进行SVM分类，第二次使用粒子群算法进行特征选择后再进行SVM分类。并且对比和分析了两次分类的结果。(For "BreastCancer" data set, as a comparison, the first time the feature set is directly classified by SVM, and the second time the feature set is selected
k均值聚类
- 通过比较自编MATLAB 的k-means 算法程序和SPSS 中自带的k-means聚类工具，对两个数据集聚类，并分析了聚类结果。(By comparing the k-means algorithm program of self-compiled MATLAB with the K-means clustering tool of SPSS, two data sets are clustered and the clustering results are analyzed.)
Python机器学习基础教程(完整电子版)
- 本书是机器学习入门书，以Python语言介绍。主要内容包括：机器学习的基本概念及其应用；实践中最常用的机器学习算法以及这些算法的优缺点；在机器学习中待处理数据的呈现方式的重要性，以及应重点关注数据的哪些方面；模型评估和调参的高级方法，重点讲解交叉验证和网格搜索；管道的概念；如何将前面各章的方法应用到文本数据上，还介绍了一些文本特有的处理方法。(This book is an introduction to machine learning, introduced in Python langua
python基础数据分析实例
- 假设要分析的数据包括属性age。数据元组的年龄值为（按递增顺序）13、15、16、19、20、20、21、22、22、25、25、25、25、25、30、33、35、35、35、36、40、45、46、52、70。另外，假设一家医院用上述年龄属性对所选样本受试者的年龄和体脂数据进行测试，得到结果，并执行下列操作： 1、将上述数据保存在逗号分隔值文件中。 2、将逗号分隔值文件中的数据读入R中的变量。 3、年龄和脂肪百分比的平均、中等和标准差是多少？ 4、这个时代的模式是什么？评论数据的形式（即双峰