周志华随机森林

Python密度聚类 最近在Science上的一篇基于密度的聚类算法《Clustering by fast search and find of density peaks》引起了大家的关注(在我的博文“论文中的机器学习算法——基于密度峰值的聚类算法”中也进行了中文的描述)。于是我就想了解下基于密度的聚类算法，熟悉下基于密度的聚类算法与基于距离的聚类算法，如K-Means算法之间的区别。 基于密度的聚类算法主要的目标是寻找被低密度区域分离的高密度区域。与基于距离的聚类算法不同的是，基于距离的聚类算法的聚类结果是球状的簇，而基于密度的聚类算法可以发现任意形状的聚类，这对于带有噪音点的数据起着重要的作用。(The main goal of the density based clustering algorithm is to find high density regions separated by low density regions. Different from distance based clustering algorithm, the clustering results based on distance clustering algorithm are spherical clusters, and density based clustering algorithm can detect clustering of arbitrary shapes, which plays an important role in data with noisy points.)

机器学习实战的源代码集合，第一部分主要介绍机器学习基础，以及如何利用算法进行分类，并逐步介绍了多种经典的监督学习算法，如k近邻算法、朴素贝叶斯算法、Logistic回归算法、支持向量机、AdaBoost集成方法、基于树的回归算法和分类回归树（CART）算法等。第三部分则重点介绍无监督学习及其一些主要算法：k均值聚类算法、Apriori算法、FP-Growth算法。第四部分介绍了机器学习算法的一些附属工具(Machine learning combat source code collection)

1 数据无量纲化处理 2 确定最优指标集 3、计算指标序列与最优序列的关联系数 4、计算灰色关联度

说明：  本文针对滑坡预测预报这一复杂性问题提出一种基于前向反馈传播（BP）神经网络的预测模型，描述了滑坡系统输入输出之间的非线性关系。为克服 BP 网络后期收敛速度慢、易陷入局部极小点等缺点，以遗传算法（GA）和模拟退火算法（SA）相结合的方式即遗传-模拟退火（GSA）算法对网络权值进行优化。用该方法预测滑坡位移获得了较好的效果(In this paper, a prediction model based on forward feedback propagation (BP) neural network is proposed for the complex problem of landslide prediction. The nonlinear relationship between input and output of landslide system is described. In order to overcome the shortcomings of BP network, such as slow convergence speed and easy to fall into local minima, genetic algorithm (GA) and simulated annealing algorithm (SA) are combined to optimize the network weight. The method can be used to predict the displacement of landslides)

64位3.6.8安装包

pyqt4 PDF中文入门教程,适合初学者(pyqt4 starter tourist PDF chinese)

【实例简介】 代码 示例数据

使用python语言中的tensorflow框架实现各种机器学习常用算法(machine learning, tensorflow)

小甲鱼python教程第18-20讲动动手解答,按照自己理解写的，仅供参考，共同学习

meituan python 爬虫，使用python语言，实现对美团网站的自动抓取分析(meituan python reptile, using python language to realize the US group website automatically crawl Analysis)