machine-learning 分类
示例
想象一个系统想要检测一篮水果中的苹果和橙子。系统可以采摘水果，提取水果的某些特性（例如，该水果的重量）。
假设系统有一位老师！教该系统哪些对象是苹果，哪些是橙子。这是监督 分类问题的一个示例。由于我们已标记了示例，因此受到了监督。这是分类，因为输出也可以预测我们的对象也属于哪个类。
在此示例中，我们考虑了3个功能（属性/解释变量）：
所选水果的重量大于.5克
尺寸大于10厘米
颜色是红色吗
（0表示否，1表示是）
因此，代表一个苹果/橙色，我们有一个series(called vector)3properties(often called a feature vector)
（例如[0,0,1]表示此水果重量不大于0.5克，其大小不大于10厘米，颜色为红色）
因此，我们随机选择10个水果并测量其性质。然后，老师（人类）将每个水果手动标记为apple => [1]或orange => [2]。
例如：老师选择一种苹果水果。这个苹果在系统上的表示可能是这样的： [ 1，1，1 ] => [1]，这意味着该水果的1.重量大于.5克，2.尺寸大于10厘米，并且3。这种水果的颜色是红色，最后是苹果（=> [1]）
因此，对于所有10个水果，老师将每个水果标记为apple [=> 1]或orange [=> 2]，然后系统会找到其属性。如您所料，我们有一系列vector(that called it matrix)代表整个10种水果。
-
学习意味着通过学习或经验获得知识或技能。 基于此，我们可以定义机器学习（ML）如下 - 它可以被定义为计算机科学领域，更具体地说是人工智能的应用，其为计算机系统提供了学习数据和从经验改进而无需明确编程的能力。 基本上，机器学习的主要焦点是允许计算机自动学习而无需人为干预。 现在问题是如何开始和完成这种学习？ 它可以从数据的观察开始。 数据可以是一些示例，指令或一些直接经验。 然后在此输入的基础上，
-
Machine Learning This project provides a web-interface,as well as a programmatic-apifor various machine learning algorithms. Supported algorithms: Support Vector Machine (SVM) Support Vector Regressio
-
深度学习 我们可以在Personal Computer上完成庞大的任务 深度学习是一种适应于各类问题的万能药 神经网络 神经网络出现于80年代，但当时计算机运行慢，数据集很小，神经网络不适用 现在神经网络回来了，因为能够进行GPU计算，可用使用的数据集也变大 分类 分类的一些讨论可以在这个项目里看到 Machine Learning不仅是Classification！但分类是机器学习的核心。 学会
-
Machine Learning Projects This repository contains mini projects in machine learning with jupyter notebook files.Go to the projects folder and see the readme for detailed instructions about the projec
-
Machine Learning for OpenCV This is the Jupyter notebook version of the following book: Michael Beyeler Machine Learning for OpenCV Intelligent Image Processing with Python 14 July 2017 Packt Publishi
-
Machine Learning and Data Science Applications in Industry Sov.ai Research Lab (Sponsorship) Animated Investment Management Research at Sov.ai — Sponsoring open source AI, Machine learning, and Data S