包含很多知名算法实现，支持向量机，决策树，粗糙集，贝叶斯分类器等，适合学术研究，短评论意见挖掘，文本分类等83个数据挖掘算法。禁止商业利益，本资料供大家学习。

k8s-web-terminal 一个k8s网络终端连接工具，java轻量级实现。 细节 集成了Spring Boot，它模仿ssh连接k8s集群。 设定档 src / main / resources / application.yml kubernetes : config : config-path : /root/.kube/config 设置kubernetes配置yaml，连接k8s集群。

沙米尔 沙米尔的秘密分享有以下三种形式： GUI应用程序 标准的Java API 响应式Java API 所有形式都使用有限域算术来防止几何攻击。 使用API​​之前，至少对Shamir的秘密共享有一个粗略的了解是有益的。 建议将作为一个良好的起点。 支持通知：该库现在是稳定的。 它不再处于积极的开发中，但是仍然接受其他人的拉动请求。 GUI应用 GUI应用程序提供了使用Shamir的秘密共享的简单方法。 下载 本机软件包适用于MacOS和Windows，JAR适用于所有其他情况。 最新版本： 每个版本均经过PGP签名以确保安全性，并且可以在找到签名者的公钥。 从源头建造 您还可以从源代码构建发行版，以提高安全性。 首先获取master分支的副本。 您可以从下载它，也可以通过运行以下命令克隆它： git clone -b master https://github.com/

DBSCAN1D dbscan1d是一维实现。 创建它是为了在大型1D阵列上高效地执行聚类。 没有一维的特殊情况，因为在这种情况下计算全距离矩阵是浪费的。 最好简单地对输入数组进行排序并执行有效的二等分以找到最接近的点要好得多。 这是运行软件包附带的简单配置文件脚本的结果。 在每种情况下，DBSCAN1D都比scikit Learn的实现快得多。 安装 只需使用pip安装dbscan1d： pip install dbscan1d 它只需要numpy。 快速开始 dbscan1d设计为在几乎所有情况下都可以与sklearn的实现互换。 唯一的例外是weights参数尚不支持。 from sklearn . datasets import make_blobs from dbscan1d . core import DBSCAN1D # make blobs to test clu

50 加元财经（Java 版） 来自 cs50x 的 C$50 Finance 问题集的 Java (Spring Boot) 实现 介绍 您已经掌握了 C 并学习了 Java 的基础知识。 现在是在现代应用程序环境中应用这些知识的时候了。 我们将学习 Spring MVC（通过 Spring Boot）和 Hibernate 注释（用于在数据库中存储对象），同时重新实现我们的老朋友 C$50 Finance。 准备 在深入研究代码之前，我们需要准备好我们的环境。 安装 ，如果你还没有的话。 我们将使用 MAMP 作为一种便捷的方式来启动和检查我们的 MySQL 数据库（通过 phpMyAdmin 或 Sequel Pro，它与 MAMP 捆绑在一起）。 我们不会在这个项目中使用应用程序的 Apache 或 PHP 部分，但拥有它们并不是一件坏事。 启动 MAMP 并打开 phpMy

比特币机器学习分析纸的实现 内容 关于项目 动机 算法 结果 使用的技术/框架 关于项目 我自己执行的论文，《使用机器学习分析比特币的特性如何影响比特币的价格》（英文） 使用BlockChain API并在多项式回归上实现。 动机 量化项目 算法 使用Blockcahin Wallet API从数据集中提取比特币的特征。 实施了多项式回归，以找出每种特征是否与比特币价格相关。 下表显示了使用的特性及其定义。 结果 下面显示了随着时间的流逝，每个特征如何变化的结果。 矿工的收入显示出最适合的回归模型。 使用的技术/框架 内置 Python 区块链API

序列对齐 C语言中的Smith-Waterman和Needleman-Wunsch对齐网址： ： 作者：艾萨克·特纳（Isaac Turner） 许可证：公共领域更新时间：2015年8月18日 关于 最佳局部（Smith-Waterman）和全局（Needleman-Wunsch）对齐算法的C实现。 编写为快速，便携式和易于使用。 命令行实用程序smith_waterman和needleman_wunsch提供了极大的灵活性。 代码也可以轻松地包含在第三方程序中，有关示例，请参见nw_example/和sw_example/目录。 还包括perl模块，以向程序提供perl API。 特征： 对齐任意一对ASCII序列（DNA，蛋白质，单词等） 指定比对评分系统或选择通用的评分系统（BLOSUM等） 指定与给定分数的任何字符匹配的通配符 与局部和全局对齐之间不存在不匹配（ --

一个基于KNN的ADABOOST分类器，使用Java在多线程中实现。 请查看主要示例。 包含演示数据。

geometry clipmaps的实现算法，目前这方面源码比较少，希望对感兴趣的童鞋有帮助。

XNOR-Net-Pytorch 这是的PyTorch实现。 我为以下项目实现了二值化神经网络（BNN）： 数据集 网络 准确性 浮点精度 MNIST LeNet-5 99.23％ 99.34％ CIFAR-10 网络中网络（NIN） 86.28％ 89.67％ 影像网 亚历克斯网 前1名：44.87％前5名：69.70％ 前1名：57.1％前5名：80.2％ MNIST 我为MNIST数据集实现了LeNet-5结构。 我正在使用提供的数据集阅读器。 要运行培训： $ cd /MNIST/ $ python main.py 预训练的模型可以在下载。 要评估预训练模型： $ cp /MNIST/models/ $ python main.py