经典的机器学习方面源代码库

最新推荐文章于 2018-01-21 21:49:09 发布
最新推荐文章于 2018-01-21 21:49:09 发布
阅读量2.6k 收藏 2
点赞数
分类专栏： cv 图形学基础

编程语言：搞实验个人认为当然matlab最灵活了（但是正版很贵），但是更为前途的是python（numpy+scipy+matplotlib)和C/C++，这样组合既可搞研究，也可搞商业开发，易用性不比matlab差，功能组合更为强大，个人认为，当然R和java也不错.

1.机器学习开源软件网（收录了各种机器学习的各种编程语言学术与商业的开源软件）

http://mloss.org

2 偶尔找到的机器学习资源网：（也非常全，1和2基本收录了所有ML的经典开源软件了）

http://www.dmoz.org/Computers/Artificial_Intelligence/Machine_Learning/Software/

3 libsvm （支持向量机界最牛的，不用多说了，台湾大学的林教授的杰作）

http://www.csie.ntu.edu.tw/~cjlin/libsvm/

4 WEKA （基于java的机器学习算法最全面最易用的开源软件）

http://www.cs.waikato.ac.nz/ml/weka/

5 scikit (本人最喜欢的一个基于python的机器学习软件，代码写得非常好，而且官方的文档非常全，所有都有例子，算法也齐全，开发也活跃
，强烈推荐给大家用）

http://scikit-learn.org/stable/

6 OpenCv(最牛的开源计算机视觉库了，前途无可限量，做图像处理与模式识别的一定要用，总不能整天抱着matlab做实验和工业界脱节吧，但是有一定难度)

http://opencv.willowgarage.com/wiki/

7 Orange (基于c++和python接口的机器学习软件，界面漂亮，调用方便,可以同时学习C＋＋和python，还有可视化的功能，）

http://orange.biolab.si/

8 Mallet (基于JAVA实现的机器学习库，主要用于自然语言处理方面，特色是马尔可夫模型和随机域做得好，可和WEKA互补）

http://mallet.cs.umass.edu/

9 NLTK(PYTHON的自然处理开源库，非常易用，也强大，还有几本orelly的经典教程）

http://nltk.org/

10 lucene(基于java的包括nutch,solr,hadoop,mahout等全套，是做信息检索和搜索引擎的同志们必学的开源软件了，学JAVA的必学）

http://lucene.apache.org/

yuyin86
关注
  • 0
    点赞
  • 踩
  • 2
    收藏
    觉得还不错? 一键收藏
  • 2
    评论
专栏目录
2024年度最佳的23个的机器学习项目（附源代码）(1)，2024年最新面试经历分享
m0_60721860的博客
04-21 887
项目构想：客户细分是一种根据客户的购买历史，性别，年龄，兴趣等对客户进行细分的技术。在该项目的帮助下，公司可以运行特定于用户的活动并提供特定于用户的报价，而不是向所有用户广播相同的报价。这是一个出色的项目，将改善孩子们的学习过程。项目构想：该python机器学习项目的思想是开发一个机器学习项目，并自动对音频中的不同音乐流派进行分类。项目构想：协作过滤是一项很棒的技术，可根据相似用户的反应来过滤出用户可能喜欢的项目。项目构想：该机器学习项目的目的是检测和识别车辆的牌照号，并读取印在牌照上的牌照号。
机器学习-源代码
07-30
机器学习实战的配套源代码，按照图书的章节提供。 This is the source code to go with "Machine Learning in Action" by Peter Harrington published by Manning Inc. The official page for this book can be found here: http://manning.com/pharrington/ All the code examples were working on Python 2.6, there shouldn't be any problems with the 2.7. NumPy will be needed for most examples. If you have trouble running any of the examples us know on the Forum for this book: http://www.manning-sandbox.com/forum.jspa?forumID=728. If you want to run these on some other version of Python say--3.0 or Iron Python, feel free to fork the code.
机器学习源码
07-19
深度学习的机器学习源码
机器学习开源库（Mark）
moodytong的专栏
06-20 3217
今天给大家介绍一下经典的开源机器学习软件： 编程语言：搞实验个人认为当然matlab最灵活了（但是正版很贵），但是更为前途的是python（numpy+scipy+matplotlib)和C/C++，这样组合既可搞研究，也可搞商业开发，易用性不比matlab差，功能组合更为强大，个人认为，当然R和java也不错. 1.机器学习开源软件网（收录了各种机器学习的各种编程语言学术与商业的开源
机器学习源代码.rar
09-29
机器学习算法的代码实现，更够为学习机器学习的用户提供很大帮助，需要的朋友即可下载吧，欢迎下载并给予好评。
《机器学习实战》源代码_机器学习实战源码_
10-02
利用高效的可复用Python代码来阐释如何处理统计数据，进行数据分析及可视化。通过各种实例，可从中学会机器学习的核心算法，并能将其运用于一些策略性任务中，如分类、预测、推荐。另外，还可用它们来实现一些更高级的功能，如汇总和简化等。
C++写的机器学习的库
06-11
他创建的这个库可能包含了多种机器学习算法的实现，并且是"SGI的一个开源项目"，这意味着源代码对公众开放，任何人都可以查看、使用、修改和分发。SGI（Silicon Graphics International）是一家专注于高性能计算和...
C标准库源代码.
07-18
源代码是程序员用特定编程语言编写的文本文件，它是程序的原始形式，可以被编译器或解释器转化为机器可执行的二进制代码。C标准库的源代码就是用C语言编写的，用于实现各种库功能的源文件集合。 C标准库由ISO/IEC ...
scikit-learn机器学习教材-源代码
03-08
这个“scikit-learn机器学习教材-源代码”压缩包包含了用于教学和实践的源代码示例，非常适合对机器学习感兴趣的初学者和专业人士。 首先，让我们了解一下scikit-learn库的基础知识。Scikit-learn是建立在NumPy、...
基于matlab机器学习仿真.m
最新发布
06-19
**2 机器学习和深度学习方面** 卷积神经网络（CNN）、LSTM、支持向量机（SVM）、最小二乘支持向量机（LSSVM）、极限学习机（ELM）、核极限学习机（KELM）、BP、RBF、宽度学习、DBN、RF、RBF、DELM、XGBOOST、TCN实现...
MATLAB技术大全源代码
04-08
这份源代码库涵盖了MATLAB的基础操作、数值计算、符号运算、矩阵处理、图形绘制、数据分析、控制系统设计、信号处理、优化算法等多个领域，旨在帮助用户全面掌握MATLAB在实际问题中的应用。 1. **MATLAB基础操作**...
机器学习源码实现
11-11
机器学习源码实现 包括KNN，聚类，回归，支持向量机等等算法的python实现
机器学习源代码.zip
04-08
机器学习涵盖了许多不同的算法，用于解决各种类型的问题。以下是一些常见的机器学习算法： 监督学习算法：线性回归（Linear Regression）逻辑回归（Logistic Regression）决策树（Decision Trees）随机森林（Random Forests）支持向量机（Support Vector Machines）朴素贝叶斯（Naive Bayes）K近邻算法（K-Nearest Neighbors）深度学习（Deep Learning）算法，如神经网络（Neural Networks） 无监督学习算法：K均值聚类（K-Means Clustering）层次聚类（Hierarchical Clustering）高斯混合模型（Gaussian Mixture Models）主成分分析（Principal Component Analysis，PCA）关联规则学习（Association Rule Learning） 这只是机器学习领域中的一小部分算法，还有许多其他的算法和技术。根据问题的性质和数据的特点，选择适合的算法是非常重要的。不同的算法有不同的假设和适用场景，因此在学习和应用机器学习算法时，需要综合考虑问题的需求和数据的特点。机器学习（Machine learning）是人工智能的子集，是实现人工智能的一种途径，但并不是唯一的途径。它是一门专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能的学科。大概在上世纪80年代开始蓬勃发展，诞生了一大批数学统计相关的机器学习模型。 深度学习（Deep learning）是机器学习的子集，灵感来自人脑，由人工神经网络（ANN）组成，它模仿人脑中存在的相似结构。在深度学习中，学习是通过相互关联的「神经元」的一个深层的、多层的「网络」来进行的。「深度」一词通常指的是神经网络中隐藏层的数量。大概在2012年以后爆炸式增长，广泛应用在很多的场景中。机器学习研究的是计算机怎样模拟人类的学习行为，以获取新的知识或技能，并重新组织已有的知识结构，使之不断改善自身。 从实践的意义上来说，机器学习是在大数据的支撑下，通过各种算法让机器对数据进行深层次的统计分析以进行「自学」，使得人工智能系统获得了归纳推理和决策能力。
机器学习C++源码解析-深度神经网络DNN算法-源码+数据
08-07
机器学习C++源码解析-深度神经网络DNN算法-源码+数据
机器学习实战源码.zip
03-26
机器学习实战源码 适合机器学习初学者加深形象的理解，而不是仅限于理论 内含4个实战项目，代码精到，注释准确详细
机器学习实战源码和数据集下载
热门推荐
修炼之路
01-21 4万+
官网下载地址：下载地址，找到source code下载即可。点击之后也许无法访问。 git下载地址：https://github.com/pbharrin/machinelearninginaction 可能在使用GitHub下载的时候会有点慢，最后我再附上百度云下载地址。 百度云盘下载地址：链接：https://pan.baidu.com/s/1qZ31gwW 密码：q4fo 如
国外程序员整理的机器学习资源大全（留着自己玩）
u014596936的专栏
07-22 2233
推荐！国外程序员整理的机器学习资源大全 2014/07/21 | 分类： IT技术, 工具与资源 | 0 条评论 | 标签： 机器学习 分享到：2 本文由 伯乐在线 - toolate 翻译自 awesome-machine-learning。欢迎加入技术翻译小组。转载请参见文章末尾处的要求。 本文汇编了一些机器学习领域的框架、库以及软件（按编程语言排序
JAVA版音乐播放器源代码
09-28
总之，这个【JAVA版音乐播放器源代码】项目为学习和实践Java网络编程、数据库操作、JSON通信以及音频处理提供了很好的素材。无论是对初学者还是有一定经验的开发者，都能从中获得宝贵的实践经验。
基于机器学习用python写污水处理系统的源代码
05-30
在回答这个问题前，需要明确的是，基于机器学习的污水处理系统是一个比较复杂的项目，需要涉及多个方面的知识和技能。因此，这里无法提供完整的源代码，但可以给出一个基本的参考： ```python import pandas as pd import numpy as np from sklearn.model_selection import train_test_split from sklearn.preprocessing import StandardScaler from sklearn.neural_network import MLPRegressor from sklearn.metrics import mean_squared_error # 读取数据 data = pd.read_csv('data.csv') # 数据预处理 data = data.dropna() X = data.iloc[:, :-1].values y = data.iloc[:, -1].values scaler = StandardScaler() X = scaler.fit_transform(X) # 划分训练集和测试集 X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=0) # 建立模型 model = MLPRegressor(hidden_layer_sizes=(50, 50), max_iter=1000, alpha=0.01, solver='adam', random_state=0) model.fit(X_train, y_train) # 模型验证 y_pred = model.predict(X_test) mse = mean_squared_error(y_test, y_pred) print("Mean squared error: ", mse) # 模型应用 new_data = [[...], [...], ...] # 待预测的新数据 new_data = scaler.transform(new_data) y_pred = model.predict(new_data) ``` 上述代码的主要流程如下： 1. 使用 pandas 库读取数据，并进行数据预处理，包括去掉缺失值和归一化处理。 2. 使用 scikit-learn 库中的 train_test_split 函数划分训练集和测试集。 3. 使用 scikit-learn 库中的 MLPRegressor 类建立神经网络回归模型。 4. 使用 fit 函数对模型进行训练。 5. 使用 predict 函数对测试集进行预测，并计算均方误差。 6. 使用模型对新数据进行预测。 需要注意的是，上述代码仅为基本参考，实际应用中需要根据具体情况进行修改和调整。同时，还需要根据具体数据集和问题进行模型选择和参数调整。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 2
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值