[机器学习] 层次聚类(AGNES)算法(Python)

说明： 层次聚类(AGNES)算法(Python) 是聚类算法的一种，通过计算不同类别数据点间的相似度来创建一棵有层次的嵌套聚类树。在聚类树中，不同类别的原始数据点是树的最低层，树的顶层是一个聚类的根节点。AGNES是常用的一种层次聚类算法 使用场景：用于簇的数量较多,有连接约束等情况
<aioo11> 上传 | 大小：2kb

[机器学习] NSGA-II.zip

说明： NSGA（非支配排序遗传算法）、NSGAII（带精英策略的非支配排序的遗传算法），都是基于遗传算法的多目标优化算法，都是基于pareto最优解讨论的多目标优化
<weixin_42497252> 上传 | 大小：153kb

[机器学习] 密度聚类(DBSCAN)算法(Python)

说明： DBSCAN(Density-Based Spatial Clustering of Applications with Noise，具有噪声的基于密度的聚类方法)是一种很典型的密度聚类算法，和K-Means，BIRCH这些一般只适用于凸样本集的聚类相比，DBSCAN既可以适用于凸样本集，也可以适用于非凸样本集。这类密度聚类算法一般假定类别可以通过样本分布的紧密程度决定。同一类别的样本，他们之间的紧密相连的，也就是说，在该类别任意样本周围不远处一定有同类别的样本存在。 使用场景: 用于不均匀的
<aioo11> 上传 | 大小：3kb

[机器学习] K均值聚类(KMeans)算法(Python)

说明： K-Means算法的思想很简单，对于给定的样本集，按照样本之间的距离大小，将样本集划分为K个簇。让簇内的点尽量紧密的连在一起，而让簇间的距离尽量的大。 使用场景：通用聚类方法，用于均匀的簇大小，簇的数量不多的情况。
<aioo11> 上传 | 大小：3kb

[机器学习] K近邻(K-Nearest Neighbors, KNN)回归算法(Python)

说明： K近邻(K-Nearest Neighbors, KNN)算法既可处理分类问题，也可处理回归问题，其中分类和回归的主要区别在于最后做预测时的决策方式不同。KNN做回归预测时一般采用平均法，预测结果为最近的K个样本数据的平均值。
<aioo11> 上传 | 大小：4kb

[机器学习] K近邻(K-Nearest Neighbors, KNN)分类算法(Python)

说明： K近邻(K-Nearest Neighbors, KNN)算法既可处理分类问题，也可处理回归问题，其中分类和回归的主要区别在于最后做预测时的决策方式不同。KNN做分类预测时一般采用多数表决法，即训练集里和预测样本特征最近的K个样本，预测结果为里面有最多类别数的类别。
<aioo11> 上传 | 大小：4kb

[机器学习] MIToolbox-3.0.0.zip

说明： c/c++、matlab互信息计算源码。亲测可用。
<cydcyd222> 上传 | 大小：47kb

[机器学习] 机器学习预测分析核心算法--自写源码.zip

说明： 配合原书教程，自写源代码，比较符合国人思维习惯，修正了一些版本不兼容、远程下载数据中断等问题。很不完美，但比较实用。绝对不坑。 注释写的不好。。。
<akansase> 上传 | 大小：12kb

[深度学习] 斋藤康毅--深度学习自写源码

说明： 配合原书教程，自写源代码，比较符合国人思维习惯，修正了一些版本不兼容、远程下载数据中断等问题。很不完美，但比较实用。绝对不坑。
<akansase> 上传 | 大小：20mb

[机器学习] csv格式转mat.m

说明： 基于MATLAB的代码，将csv格式数据转mat格式数据； 基于MATLAB的代码，将csv格式数据转mat格式数据
<qq_34310905> 上传 | 大小：1kb

[深度学习] caffe多线程运行速度案例分析.docx

说明： caffe 的Classify函数在主线程的速度和在子线程的速度存在非常大的差异。 子线程Classify函数耗时： i 0 fTimeUse:343.954987 ms ClassifyTest 80 i 1 fTimeUse:326.614014 ms ClassifyTest 80 主线程Classify函数耗时： i 0 fTimeUse:47.810001 ms ClassifyTest 80 i 1 fTimeUse:2.862000 ms ClassifyTest 80
<leifenger> 上传 | 大小：154kb

[机器学习] A deep learning model for estimating story points.pdf

说明： Abstract—Although there has been substantial research in software analytics for effort estimation in traditional software projects, little work has been done for estimation in agile projects, especially estimating user stories or issues. Story point
<weixin_40662257> 上传 | 大小：401kb