机器学习
-
稀疏表示（SR）工具箱
应用背景 这个工具箱包括机器学习方法：基于稀疏编码的分类，基于字典的降维子字典学习，学习模型，线性回归和分类（LRC）。核l_1正则或（和）非负约束稀疏编码和字典学习模型在这个工具箱实现。 ； 关键技术 活动集，内点，近端，和分解方法来优化这些模型。目前的版本是1.9（2015年3月2日）。这个工具箱是免费的学术用途。 ； -
降维，特征选择等机器学习的源码
浙大蔡登，何晓飞写的降维，特征选择等机器学习的源码包括：谱回归，降维，特征选择，主题模型，矩阵分解，稀疏编码，哈希，聚类，主动学习，矩阵学习。是一个很好的机器学习源码资料。 -
MATLAB机器学习
您将了解MATLAB中可用的几种机器学习技术，以及如何快速浏览数据，评估机器学习算法，比较结果以及为问题应用最佳机器学习。 重点包括无监督和受监督的机器学习技术，包括： •K均值和其他聚类工具 • 神经网络 •决策树和整体学习 •朴素贝叶斯分类 •线性，逻辑和非线性回归 -
-
-
-
-
-
EM算法是机器学习领域中常用的一种算法
EM算法是机器学习领域中常用的一种算法，这个文件是EM算法最简单的一种实现，即在Gaussian Mixture model上面的EM。 -
《机器学习》课上的作业
《机器学习》课上的作业，PCA和LDA降维，尽管网上很多，但很少注释，另外细节上也没注意。这里有很详细的注释。另外还附上一个Naive贝叶斯分类器，大家可以作比较。附带的图像包是OLR人脸。ReducedDim为想要提取的特征数，不是百分比！
