python与机器学习实战的源代码

1. 实验目的 1） 掌握搜索算法的基本设计思想与方法，  2） 掌握A*算法的设计思想与方法，  3） 熟练使用高级编程语言实现搜索算法，  4） 利用实验测试给出的搜索算法的正确性。   1. 实验问题  寻路问题。以图1为例，输入一个方格表示的地图，要求用A*算法找到并输出从起点（在方格中标示字母S）到终点（在方格中标示字母T）的代价最小的路径。有如下条件及要求：   1） 每一步都落在方格中，而不是横竖线的交叉点。 2） 灰色格子表示障碍，无法通行。 3） 在每个格子处，若无障碍，下一步可以达到八个相邻的格子，并且只可以到达无障碍的相邻格子。其中，向上、下、左、右四个方向移动的代价为1，向四个斜角方向移动的代价为 √2。 4） 在一些特殊格子上行走要花费额外的地形代价。比如，黄色格子代表沙 漠，经过它的代价为4；蓝色格子代表溪流，经过它的代价为2；白色格子为普通地形，经过它的代价为0。 5） 经过一条路径总的代价为移动代价 地形代价。其中移动代价是路径上所做的所有移动的代价的总和；地形代价为路径上除起点外所有格子的地形代价的总和。

说明：  机器学习的鸢尾花数据集的应用逻辑回归算法分类(Classification of iris data set by logical regression algorithm)

用python写爬虫,抓取央文新闻点评部分，多线程，超时处理(Write a crawler with Python, part of Wang grab news comment threads, timeout processing)

我们被要求设计三个分类器：KNN分类器，感知器分类器，SVM分类器；和无监督的维数缩减方法：PCA；并在两个数据集：手写数字图像（MNIST数据集）和一组文本（SST数据集）上测试这些学习算法。 需要实现的任务是从图形源中识别0-9的手写数字以获取文本信息，以及判断文本的情绪。

softmaxregression，即多分类的逻辑斯特回归算法，python编写(softmaxregression, namely multi-classification logistic regression algorithm, python write)

PyQt5对txt简单增删查改管理学生信息

一些常见算法实现和牛客网以及leetcode刷题(Some Common Algorithms Implementing and Title Brushing)

基于Python编写的用于曲线拟合，最小二乘法(Based on Python for curve fitting, least squares method.)

年会抽奖 示例源码(带音效，python已打包成exe)

用Python语言写的多目标进化算法库（2017年最新版本），包含常见的多目标进化算法以及当前最新文献中的最新算法，能够实现不同算法之间的性能比较（包含常见的GD, IGD, HV等评价指标自动生成）。可以供进化计算、多目标优化、单目标优化算法的学习参考。Python语言版本简单易懂，实用性强。(Library of multi-objective evolutionary algorithm written in Python language (the latest version in 2017), including multi-objective evolutionary algorithm and the most common new literature in the new algorithm, can realize the performance between different methods (including the common GD, IGD, HV and other evaluation index generation). It can be used as a reference for evolutionary computation, multi-objective optimization and single objective optimization. Python language version is simple and easy to understand, practical.)