Apriori-master

频繁项集挖掘算法，能在大量局部特征中发现频繁空间配置，这些空间配置可以作为词语，加入到特征包中进行分类，实现图像分类。

SMOTE插值算法，补全数据的不平衡性。(SMOTE interpolation algorithm to complete the imbalance of data.)

人工智能中,经典的基于小波变换的图像处理和图像去噪的解决办法,可下载后观摩使用(In artificial intelligence, the classical image processing and image denoising based on wavelet transform can be downloaded and used)

说明：  采用机器学习预测房价.使用波士顿房屋信息数据来训练和测试一个模型，并对模型的性能和预测能力进行评估。(Using Machine Learning to Predict House Prices)

通过贝叶斯信息准则确定高斯混合聚类方法的聚类簇数(Determining the Cluster Number of GMM Clusters by BIC)

说明：  从数据库获取车辆在一段时间内的所有行驶记录的相关数据，确定所需数据为GPS经纬度坐标和驾驶时长等，QB模型采用MDF的思想,其基本思想为:通过平均直接翻转距离函数定义两条轨迹之间的距离，两条轨迹需要具有相同的经纬度点数，具有相同点数的轨迹最大的优点是对轨迹距离成对计算，且相同轨迹之间具有更高的分辨率，对于轨迹聚类的结果有一定的优化。(Retrieved from the database cars all over a period of time, record the related data, determine the required data for the GPS latitude and longitude coordinates, and the driving time, QB model by adopting the idea of MDF, its basic idea is: flip directly by the average distance function definition of the distance between two trajectories, two tracks will have the same latitude and longitude points, and has the biggest advantages of the same points of trajectory track distance calculation in pairs, and has higher resolution, between the same trajectory for trajectory clustering results have certain optimization.)

动画演示多种排序算法,包括冒泡排序,选择排序,插入排序,快速排序等,()

说明：  r语言中关联规则代码实现 运用arulesViz包和arules包中的apriori函数(Code Implementation of Association Rule)

资源描述决策树是建立在信息论基础之上，对数据进行分类挖掘的一种方法。其思想是，通过一批已知的训练数据建立一棵决策树，然后利用建好的决策树，对数据进行预测。决策树的建立过程可以看成是数据规则的生成过程。由于基于决策树的分类方法结构简单，本身就是人们能够理解的规则。其次，决策树方法计算复杂度不大，分类效率高，能够处理大数据量的训练集；最后，决策树方法的分类精度较高，对噪声数据有较好的健壮性，符合一般系统的要求。

深度学习框架Keras入门资料，里面的代码包括课件和DEMO有利于新书入门学习，简单易懂(Keras Introductory Information of Deep Learning Framework, which includes courseware and DEMO, is helpful for introductory learning of new books. It is easy to understand.)