妹子图

通过优化的k-means算法 采用了密度和优化评测函数实现了对Iris等数据集的聚类。 

Numerical Recipes Software 提供的算法子程序集,一共有上千种算法,部分算法可以在书店买到书()

分类器的性能比较与调优: 使用scikit-learn 包中的tree，贝叶斯，knn，对数据进行模型训练，尽量了解其原理及运用。 使用不同分析三种分类器在实验中的性能比较，分析它们的特点。 本实验采用的数据集为house与segment。(Performance comparison and optimization of classifiers: We use tree, Bayesian and KNN in scikit-learnpackage to train the data model and try to understand its principle and application. The performances of three classifiers are compared and their characteristics are analyzed. The data set used in this experiment is house and segment.)

说明：  实现了无监督AP聚类 其优势在于不用知道聚类个数(The advantage of unsupervised AP clustering is that the number of clusters is not known)

基于matlab实现的一个在线迁移学习算法OTL,(Based on matlab to achieve an online migration learning algorithm OTL,)

说明：  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.)

说明：  将数据集转换为拉普拉斯矩阵，然后利用基于图论的谱聚类进行聚类。拉普拉斯矩阵采用高斯核函数，全连接方法计算。谱聚类擅长处理高维数据或非凸数据集。(The data set is transformed into Laplacian matrix, and then clustered by spectral clustering based on graph theory. The Laplacian matrix is calculated by using the Gauss kernel function and the full connection method. Spectral clustering is good at dealing with high-dimensional or non-convex data sets.)

kNN算法的核心思想是如果一个样本在特征空间中的k个最相邻的样本中的大多数属于某一个类别，则该样本也属于这个类别，并具有这个类别上样本的特性。该方法在确定分类决策上只依据最邻近的一个或者几个样本的类别来决定待分样本所属的类别。 kNN方法在类别决策时，只与极少量的相邻样本有关。由于kNN方法主要靠周围有限的邻近的样本，而不是靠判别类域的方法来确定所属类别的，因此对于类域的交叉或重叠较多的待分样本集来说，kNN方法较其他方法更为适合。(Basic source application)

利用urllib.request进行爬虫， 下载百度视频页面的所有图片保存到本地(Use urllib.request for crawl. Download all the pictures from Baidu video page to local.)

工程算法 这是一个很有用的工程数值算法集锦(Engineering algorithm this is a useful collection of engineering numerical algorithms.)