医疗、机器学习、数据挖掘、诊断、治疗、预测

GeekBang 机器学习训练营系列课程之一 课程目标: 聚焦重要机器学习知识，本课程是该系列第一部分，系列二为自然语言建模，系列三为计算视觉与强化学习，侧重自动驾驶。 课程安排与贡献者: 每周更新一次，三个系列预计一年完成。课程内容由微软亚洲研究院、DeepMind、Facebook AI Research、清华大学、北京大学、阿姆斯特丹大学的专家学者共同打造。 课程语言: 课程讲义将提供中英文版本，英文版即将推出。 课程大纲 (持续更新中)* 第一章： Python Colab 与 Jupyter Notebook* 深度学习工作环境搭建* Python 与 R 回顾* 异常处理与函数式编程技巧* Python 函数式编程：装饰器、数据类、文档字符串* 第二章：Python 代码加速

使用 Spark、PySpark、Spark 管道、Jupyter Notebook 学习数据挖掘机器学习

近年来，空气污染急剧增加，并且对所有生物造成的影响更糟。世界上大多数国家都在与日益增加的空气污染水平作斗争。因此，控制和预测空气质量指数（AQI）已成为必要。 在此研究项目中，我们将实施数据挖掘和机器学习模型来预测AQI并将AQI进行分类。对于AQI预测，我们实现了五个回归模型：主成分、偏最小二乘法、留一维CV的主成分、留一维CV的偏最小二乘，以及多个印度城市的多元回归AQI数据。根据AQI的值，AQI指数进一步分为6个不同的类别，即“好、满意、中、差、非常差和严重”。为了预测AQI等级，我们使用重复CV分类算法开发了三种分类模型，分别是多项式Logistic回归和K最近邻。数据集来自印度不同城市的空气质量数据集，通过留一法交叉验证的PLS模型进行训练。

机器学习常用开源数据集 在进行机器学习项目时，使用真实数据至关重要。许多开源数据集涵盖了多个领域，为机器学习研究和应用提供了丰富的资源。 寻找开源数据集的途径： 数据仓库平台: 许多平台专门收集和整理开源数据集，例如 Google Dataset Search、Kaggle Datasets、UCI Machine Learning Repository 等。 相关领域网站: 许多研究机构或组织会发布自己领域内的开源数据集，例如医疗、金融、图像识别等。 数据挖掘、机器学习、深度学习的区别 数据挖掘 侧重于从数据中发现模式和规律，并利用算法模型进行分析。其核心目标是揭示数据变量之间的关系，并通过数据可视化等方式进行呈现。 机器学习 属于人工智能的一部分，通过训练数据和算法模型赋予机器学习能力。机器学习算法可以从数据中学习知识，并构建模型来进行预测或决策。 深度学习 是机器学习的一个子领域，其特点是使用多层神经网络进行学习。深度学习在图像识别、自然语言处理等领域取得了显著成果，但通常需要大量的训练数据和计算资源。 三者之间的关系: 数据挖掘为机器学习提供数据基础和分析目标，而机器学习为数据挖掘提供算法支持。深度学习作为机器学习的一部分，进一步扩展了机器学习的应用领域和能力。

这篇文章的内容较为概要，主要用于初学者入门。

基于机器学习的语音驱动人脸动画技术方法

在这篇文章中，我们简要介绍了机器学习不同算法在Python 2.7中的实现版本，需要预先安装Python 2.7以及包括numpy、scipy和matplotlib等相关库。未来，我们还计划将其他算法的实现逐步添加，并更新至C++版。

加利福尼亚大学欧文分校（UCI）机器学习仓库是数据挖掘和机器学习领域的重要资源，提供广泛的公开数据集，支持研究、学术和开发工作。这些数据集涵盖社会科学、生物医学、工程学和环境科学等多个领域，为研究人员提供丰富的实际应用背景。

使用软件代理进行数据挖掘的参考（Hillol Kargupta, Brian Stafford, Ilker Hamzaoglu）

此存储库包含我完成的清华大学机器学习和数据挖掘课程项目。