机器学习线性回归实例，使用UCI的“household_power_consumption_1000.txt”数据集，实现线性回归算法和基础最小二乘法。

人工智能-BP神经网络算法的简单实现.docx

人工智能过河问题算法深度优先算法.doc

人工智能-机器学习-混合异构众核平台上的高性能计算金融算法研究.pdf

人工智能-机器学习-机器人导航POMDP算法研究.pdf

人工智能-机器学习-纯软件开放式数控系统插补算法的研究.pdf

决策树(Decision Tree)是监督学习中的一种算法，并且是一种基本的分类与回归的方法 决策树(Decision Tree）是在已知各种情况发生概率的基础上，通过构成决策树来求取净现值的期望值大于等于零的概率，评价项目风险，判断其可行性的决策分析方法，是直观运用概率分析的一种图解法。由于这种决策分支画成图形很像一棵树的枝干，故称决策树。在机器学习中，决策树是一个预测模型，他代表的是对象属性与对象值之间的一种映射关系。Entropy = 系统的凌乱程度，使用算法ID3, C4.5和C5.0生成树算法使用熵。这一度量是基于信息学理论中熵的概念。 决策树是一种树形结构，其中每个内部节点表示一个属性上的测试，每个分支代表一个测试输出，每个叶节点代表一种类别。 分类树（决策树）是一种十分常用的分类方法。它是一种监督学习，所谓监督学习就是给定一堆样本，每个样本都有一组属性和一个类别，这些类别是事先确定的，那么通过学习得到一个分类器 1.什么是决策树 2.决策树的构建准备工作 3.使用决策树进行分类 4.使用SKlearn中graphviz包实现决策树的绘制

https://blog.csdn.net/freezing_00/article/details/124088650?spm=1001.2014.3001.5501此博客决策树数据集

基于AI的五子棋游戏设计，很不错的毕业论文

人工智能算法图解相关源文件