淘宝爬虫示例，爬取前100页手机商家信息

利用传统的SVM-HOG算法，进行行人检测(HOG-SVM algorithm for pedestrian detection)

决策树算法是一种逼近离散函数值的方法。它是一种典型的分类方法，首先对数据进行处理，利用归纳算法生成可读的规则和决策树，然后使用决策对新数据进行分析。本质上决策树是通过一系列规则对数据进行分类的过程。 决策树方法最早产生于上世纪60年代，到70年代末。由J Ross Quinlan提出了ID3算法，此算法的目的在于减少树的深度。但是忽略了叶子数目的研究。C4.5算法在ID3算法的基础上进行了改进，对于预测变量的缺值处理、剪枝技术、派生规则等方面作了较大改进，既适合于分类问题，又适合于回归问题。 决策树算法构造决策树来发现数据中蕴涵的分类规则．如何构造精度高、规模小的决策树是决策树算法的核心内容。决策树构造可以分两步进行。第一步，决策树的生成：由训练样本集生成决策树的过程。一般情况下，训练样本数据集是根据实际需要有历史的、有一定综合程度的，用于数据分析处理的数据集。第二步，决策树的剪枝：决策树的剪枝是对上一阶段生成的决策树进行检验、校正和修下的过程，主要是用新的样本数据集（称为测试数据集）中的数据校验决策树生成过程中产生的初步规则，将那些影响预衡准确性的分枝剪除。

说明：  高斯羽烟模型python代码，模拟中质气体的连续泄漏扩散，瞬时源的是高斯烟团模型(Gaussion plume model in Python.)

说明：  目前一种快速稳健的卷积神经网络yolov3的代码，在protorch平台上运行(At present, the code of yolov3, a fast and robust convolutional neural network, runs on the platform of protorch)

Python实现Adaboost算法，数据集为horseColic马疝气病数据集，准确率和sklearn库中的adaboost算法一样。(Python implementation adaboost algorithm, the data set is horseColic horse hernia disease data collection, accuracy and sklearn library adaboost the same algorithm.)

说明：  可以利用python opencv实现获取图像上鼠标点击的点的像素的坐标(Python opencv can be used to obtain the coordinates of the pixels clicked by the mouse on the image)

说明：  多线程lock版生产者模式和消费者模式，爬虫(Multi-threaded lock version producer mode and consumer mode, crawler)

《Python学习手册(第3版)》是作者根据过去10年用于教学而广为人知的培训课程的材料编写而成的。除了有许多详实说明和每章小结之外，每章还包括一个头脑风暴：这是《Python学习手册(第3版)》独特的一部分，配合以实用的练习题和复习题，让读者练习新学的技巧并测试自己的理解程度。(The Python Learning Manual (3rd Edition) was compiled by the author on the basis of well-known training materials for teaching in the past 10 years. In addition to many detailed explanations and summaries of each chapter, each chapter also includes a brainstorming: this is a unique part of Python Learning Manual (3rd edition), with practical exercises and review questions, allowing readers to practice new learning skills and test their understanding.)

说明：  筛选出发生在TCP层的Dos流量和normal流量 `get_train_data.py` 其中Dos流量的标签`'back.', 'land.', 'neptune.','smurf.', 'teardrop.', 'pod.'` normal流量的标签`'normal.'` 生成文件`dos.kddcup.data.corrected.csv` * 通过统计特征进行数据筛选 `wrap_up.py` * 随机森林对特征重要性进行排序 折交叉验证(Filter out DOS traffic and normal traffic in TCP layer ` get_ train_ data.py ` The labels of DOS traffic are 'back', 'land', 'Neptune', 'Smurf', 'teardrop.'pod.'` Label of normal traffic ''normal.'` Generating files` dos.kddcup.data . corrected.csv ` *Data filtering through statistical features ` wrap_ up.py ` *Random forests rank the importance of features Fold cross validation)

说明：  文本聚类项目，包含用Python实现kmeans算法的代码，以及kmean算法的各种优化方向(Text clustering project, including the code to implement the kmeans algorithm in Python, and various optimization directions for the kmean algorithm)