2015年波士顿BigData TechCon上的课堂材料展示

波士顿市的房价受多种因素影响，包括房间数、犯罪率、居住面积比例、商业用地比例以及是否靠近河流。此外，还考虑了财产税率、学生与教师的比例以及低收入人群的比例。这些因素综合影响着房屋的市场价格。

利用帕累托分析和波士顿矩阵分析数据，绘制了可视化图表。 对数据进行了分析，并提供了相应的见解。

本项目利用 Julia v1.0 对波士顿房价数据集进行机器学习回归分析。代码及结果已于 2018 年 12 月 12 日经领域专家审核确认。 Julia 1.0 于 2018 年 8 月发布，恰逢我开始学习机器学习。David Barber 博士对 Julia 的未来充满信心，这促使我选择 Julia 进行监督学习研究。有趣的是，我的朋友们选择了 Python、MATLAB 和 R。然而，根据我的经验，Julia 在速度和效率方面表现出色，而且使用体验非常愉快。 示例概述 以下示例可在 .jl 文件中找到，文件名以数字开头： 基础函数线性回归: 多项式基函数与简单数据集（4 个数据点） 多

这是2015-2017年期间作为波士顿学院道德实验室经理编写的脚本集合。脚本保存在实验室GitHub中，包括：- 数据整理成BIDS格式- Matlab编程指南- 基于参数文件构建神经影像管道- 神经数据分类- 行为和神经数据处理。可提供手稿。

在波士顿房价数据分析中，岭回归（ridge）和Lasso筛选方法被广泛应用于变量选择。此外，还涉及自适应Lasso、SCAD方法、逐步回归法以及弹性网，文中包含详细的R代码示例。

我制作的MATLAB演示回顾了光谱聚类，这是在2014年NU机器学习会议上展示的。

【Informix国际用户大会】是数据库领域的重要活动，特别针对Informix数据库系统的用户和开发者。2015年的会议聚焦于Informix的最新技术、最佳实践和社区交流，提升用户对Informix数据库的理解和应用能力。Informix是IBM开发的一款高性能关系型数据库管理系统，以其高效能、高可用性和对大数据处理的支持而著称。会议内容包括：1. Informix动态服务器，提供混合数据模型支持事务处理、分析和实时数据流处理；2. Informix Advanced Server，增强版服务器，支持XML、时空数据处理和全文搜索等高级特性；3. Informix的NoSQL支持，通过多种

2015年的《数据挖掘的数学工具》提供了深入探讨数据挖掘所需的数学工具和技术。

在数据挖掘领域，神经网络和C5.0算法被广泛应用于构建监测和预测模型。本研究利用基于Clementine环境的神经网络和C5.0规则模型，分析并预测电脑状态信息及相关故障状态。通过实测数据验证，神经网络模型预测准确率达99.64%，C5.0模型更高达99.68%，且两者预测结果一致性高达99.81%。研究结果显示，C5.0模型在预测精度上优于神经网络模型。