搜索资源列表
Code
- building Machine Learing Systems with Python 源代码 。 中文名是：机器学习系统设计； 作者：Willi Richert Luis Pedro Coelho 刘峰。-building Machine Learing Systems with Python source code
PSO
- Python 实现的粒子群优化算法 粒子群算法源于复杂适应系统（Complex Adaptive System,CAS）。CAS理论于1994年正式提出，CAS中的成员称为主体。比如研究鸟群系统，每个鸟在这个系统中就称为主体。主体有适应性，它能够与环境及其他的主体进行交流，并且根据交流的过程“学习”或“积累经验”改变自身结构与行为。整个系统的演变或进化包括：新层次的产生（小鸟的出生）；分化和多样性的出现（鸟群中的鸟分成许多小的群）；新的主题的出现（鸟寻找食物过程中，不断发现新的食物）。(Par
sources
- Core+Python+Programming+2nd+中文版（带书签）；Python核心编程中文第二版（带书签）(Core+Python+Programming+2nd)
libsvm-weights-3.22
- libsvm是支持向量机的工具箱，可在matlab和python上运行； libsvm 3.22应该是截止2017年11月16日的最新版本； 网上有详细的配置说明，并不复杂。(libsvm is a support vector machine toolkit that runs on matlab and python; libsvm 3.22 should be the latest version as of November 16, 2017; detailed configurat
pygame001
- 会躲飞机的人工智能，纯python,适合初学者(AI will hide the artificial intelligence of the aircraft, pure Python)
bp神经网络
- 根据Ecotect 模拟的12种不同的建筑形状进行能量分析，数据集包括768个样本和8个特征属性，旨在预测房屋的热负荷和冷负荷。BP神经网络(According to the 12 different building shapes simulated by Ecotect, we carry out energy analysis. The dataset includes 768 samples and 8 characteristic attributes, aiming at predi
Deep Learning with Python(Fran?ois Chollet)
- 深度学习入门教程；使用python一步步教你走向大神之路(use python language to learn deeplearning)
基于Python的Abaqus二次开发实例讲解
- 基于python的二次开发案例。1、所有的代码均可以先在Abaqus\CAE中操作一遍后再通过rp文件读取，然后再在此基础上进行相应的修改； 2、Python是一种解释性语言，读起来非常清晰，因此在修改程序的过程中，不存在程序难以理解的问题； 3、Python是一种通用性的、功能非常强大的面向对象编程语言，有许多成熟的类似于Matlab函数的程序在网络上流传，为后期进一步的数据处理提供了方便。(Python-based secondary development case)
Python基础教程（第3版)
- 本书包括 Python 程序设计的方方面面： 首先， 从 Python 的安装开始， 随后介绍了 Python 的基础知识 和基本概念， 包括列表、 元组、 字符串、 字典以及各种语句； 然后， 循序渐进地介绍了一些相对高级的主 题， 包括抽象、 异常、 魔法方法、 属性、 迭代器； 此后， 探讨了如何将 Python 与数据库、 网络、 C 语言等 工具结合使用， 从而发挥出 Python 的强大功能， 同时介绍了 Python 程序测试、 打包、 发布等知识； 最后， 作者结合前面讲
机器学习Python程序
- 覆盖了基本常用的机器学习算法。包括线性回归与分类算法；决策树；多种降维算法；优化算法；强化学习等多类算法的Python代码。(It covers the commonly used machine learning algorithms. Including linear regression and classification algorithm; decision tree; a variety of dimensionality reduction algorithm; optimiza
ecg-features-Python
- 用于提取心电信号的特征, 用python编写(used for ECG signal feature extraction, including time domain, frequency domain and RR interval related featuresused for ECG signal feature extraction)
利用Python进行数据分析
- 数据挖掘python语言的学习资料，包括常用算法的实现和工具的使用(Data Mining Pthon Language Learning Materials, including the Implementation of Common Algorithms and the Use of Tools)
Python for Data Analysis
- 利用python进行数据分析，英文书籍，从pandas库的数据分析工具开始利用高性能工具对数据进行加载、清理、转换、合并以及重塑；利用matpIotlib创建散点图以及静态或交互式的可视化结果；利用pandas的groupby功能对数据集进行切片、切块和汇总操作；处理各种各样的时间序列数据。(Starting from the data analysis tools of pandas database, high performance tools are used to load, clea
Python时间序列分析源代码
- 资源‘Python时间序列分析源代码’，是学习时间序列分析的实战代码；系统解释核心程序版本是python3.7.4,管理环境是Anaconda3,这个Project是在IDE开发环境PyCharm2019.1.1(Professional Editon)中建立的，经debug后完全正常运行，运行结果包括时间序列分析预测的7种方法。
NetAnalyze
- 建立网络，绘制网络图，计算网络抗毁性指标； 在随机攻击和蓄意攻击下，仿真网络抗毁性指标变化情况。(Establish network, draw network diagram and calculate network invulnerability index; Under random attack and intentional attack, the change of network invulnerability index is simulated.)
python蒙特卡罗
- 强化学习蒙特卡罗算法，求解最优值，python绘制曲线曲面(Reinforcement learning Monte Carlo algorithm was used to solve the optimal value, and python was used to draw curves and surfaces)
Python机器学习基础教程(完整电子版)
- 本书是机器学习入门书，以Python语言介绍。主要内容包括：机器学习的基本概念及其应用；实践中最常用的机器学习算法以及这些算法的优缺点；在机器学习中待处理数据的呈现方式的重要性，以及应重点关注数据的哪些方面；模型评估和调参的高级方法，重点讲解交叉验证和网格搜索；管道的概念；如何将前面各章的方法应用到文本数据上，还介绍了一些文本特有的处理方法。(This book is an introduction to machine learning, introduced in Python langua
07 RFM建模实战
- 1、通过Python的Pandas库实现客户价值分层的RFM模型； 2、提供源数据(1. Through Python pandas library, the RFM model of customer value stratification is realized; 2. Provide source data)
机器学习实战书+源代码
- 机器学习横跨计算机科学、工程科学和统计学等多个学科，需要多学科的专业知识。在需要解释并操作数据的领域都或多或少可以运用到机器学习，通过这本书可以系统地学习基于python语言的机器学习的相关知识(Machine Learning in Action written by Peter Harringto. Machine learning covers many subjects, such as computer science, engineering science and statisti
PCA+mnist
- 基于python，利用主成分分析（PCA）和K近邻算法（KNN）在MNIST手写数据集上进行了分类。 经过PCA降维，最终的KNN在100维的特征空间实现了超过97%的分类精度。(Based on python, it uses principal component analysis (PCA) and K nearest neighbor algorithm (KNN) to classify on the MNIST handwritten data set. After PCA dime