======简单的雨量预报====== 该项目的目标是根据几个参数来预测明天的天气会下雨还是不出现默认值。 由于我不是气象和气候领域的专家，因此，为了防止在选择阈值时出现偏差，我将使该应用程序的结果除二进制分类外还添加一定百分比的默认值。 有了这个简单的应用程序，人们将可以更轻松地预测明天是否会下雨。 该数据集来自澳大利亚各地多个地方的每日气象观测资料，该资料集是从澳大利亚联邦气象局获得的，经过处理后创建了这个非常大的样本数据集，用于说明分析。 如果要查看有关此项目的更多详细信息，请单击下面的链接： 应用链接= Linkedin =

ME495机器人的传感，导航和机器学习 耶尔·本·沙洛姆（Yael Ben Shalom） 2021年冬季 包装清单 该存储库包含几个ROS软件包： 适应差动驱动机器人的软件包，可满足我们的需求。 2d-处理SE（2）中的转换的程序包。 使turtlesim乌龟遵循rectanglep路径的软件包。 一个软件包，用于存储与turtlebot硬件交互的代码。 一个模拟机器人运动学的软件包，以及一个用于检测地标和地标id的相对x，y位置的传感器。 软件包包含实现基于特征的卡尔曼滤波器SLAM。 该存储库使用外部软件包： nuturtlebot-附加软件包，可帮助我们使用turtlebot上的较低级硬件。 为了运行该项目，请下载turtle.repos文件。

Android人脸检测 使用设备摄像头和最新的Firebase ML Kit进行实时人脸检测，检测“ n”张脸并用矩形框标记它们，显示幸福度以及脸部界标（眼睛，耳朵，鼻子等）

图像的均方误差的matlab代码 机器学习第一次作业 机器学习平台python和matlab的熟悉 1 问题描述 1 用python或者matlab编写一个KNN分类器 训练集为semeion_train.csv 测试集为semeion_test.csv 计算在测试集上的错误率（k = 1 3 5 7） 2 选做 在训练集上划分一个交叉验证集（可以是训练集数据的20%左右），利用交叉验证选择k值 画一个以k值为x轴，交叉验证集错误率为y的曲线 3 本次实验的简要介绍 实验内容 本次实验使用kNN算法实现手写数字的识别。数据有256个特征值，代表了一个16*16的位图的像素值，0为无像素，1为存在像素。利用python PIL做出其中各个数字的典型图像如下所示： kNN算法简介 kNN算法是一种监督学习算法。假设给定一个训练数据集，其中的实例类别已经确定。分类是对于新的类别，根据其最相近的k个邻居的类别，通过多数表决的方式进行预测。利用训练集对特征空间进行分类划分，并作为其分类的模型。 2. 解决方法 1 解决思路 计算待分类点与已知类别的点之间的距离 按照距离递增次序排序 选取与待分类

hmm模型matlab代码Mattia的ML工具 高斯混合模型，隐马尔可夫模型和相关算法的另一个Matlab实现。 为学习而构建，用于下面引用的我的HRI'18论文。 该代码使用了Tom Minka的两个库： 快速安装： 光速： 详细： 高斯混合模型（GMM）：概率，梯度和熵计算 HMM：HMM的推理和学习（MLE，仅针对多元正态发射概率的MAP） 部分HMM（PHMM）：推理和学习（MLE，MAP仅针对多元正态发射概率） 多元正态分布（MVN）：MLE，MAP，后验预测，熵计算，梯度评估 多元T学生分布（MVST）：用于MVN的后验，拉普拉斯近似 分类分布：推理和学习（MLE，MAP） Dirichlet分布：推理和学习（MLE，Weigthed MLE，熵，KL散度） 数值稳定：对数概率空间实现 参考： 拉卡（Racca），马蒂亚（Mattia）和基尔基·维尔（Kyrki Ville）。 “针对时间任务模型的主动机器人学习。” 2018年ACM / IEEE人机交互国际会议论文集，纽约，纽约，美国，2018年，第123–131页。 汤姆敏卡。 “估计Dirichlet分布。” 技术

吴恩达机器学习作业

深度学习方向绘图模板，包含超过100多页的PPT，非常适合各类网络的绘图！大家可以在上面可以直接使用画出你要的机器学习深度学习模型图，比如想画一个基于Transformer的模型的图，可以直接在上面修改，非常方便。推荐收藏！

简街市场预测 作者：刘增丰，崔贤ji，郑家杰 在此项目中，目标是根据市场价格从130点的时间序列中预测市场份额的未来回报值。 该数据集是从竞赛中获得的。 以下是实现这些目标的一些可能步骤： 去噪 滚动平均值 使用小波变换的阈值 使用的机器学习模型： 决策树（CART） 线性回归 k最近邻居 人工神经网络 卷积神经网络

这是 ShowMeAI 持续分享的『随书代码』系列，文件是《ML Recipe》的随书代码。 ◉ 简介：原书包含自然语言处理、图像与文字、计算机视觉三个部分，具有相当的专业深度，对于学习者和有一定经验的从业者都是适用的，对于建立深度学习模型并解决实际任务来说，都是有帮助的。 ◉ 目录： Natural language processing / 自然语言处理 - Named entity recognition / 命名实体识别 - Masked language modeling / 掩码语言建模 - Machine translation / 机器翻译 - Causal language modeling / 概率语言建模 Image & Text / 图像与文字 - Image captioning / 看图说话 Computer vision / 计算机视觉 - Image classification / 图像分类 - Image segmentation / 图像分割 - Object detection / 目标检测

信用风险建模：使用Python和ML进行信用风险分析