光谱聚类演示回顾2014年NU机器学习会议上的MATLAB展示

我在2013年和2014年期间在鲁昂的INSA和鲁昂大学学习期间参与了几乎所有的机器学习实践课程。这些课程的重点是实施机器学习算法，以便深入了解它们的运作方式。尽管大多数评论是用法语写的，但是代码和图表易于理解。

你可以在数据挖掘课程中找到不同算法的Python实现。教程语言为R。包含了从头开始使用网络爬虫实现的100多行基于NLP的IMBD搜索引擎，还包括线性回归、支持向量机、神经网络和时间序列分析。

对于此存储库的Octave/MatLab版本，请检查项目。该存储库包含用Python实现的流行机器学习算法的示例，并在后面解释了数学原理。每种算法都有交互式的Jupyter Notebook演示，使您可以使用训练数据、算法配置并立即在浏览器中查看结果、图表和预测。在大多数情况下，解释是基于Andrew Ng的。这个仓库的目的不是为了实现机器使用第三方库“单行”，而是练从头开始执行这些算法和获得更好的每种算法背后的数学理解学习算法。这就是为什么所有算法实现都称为“自制”而不是用于生产的原因。

聚类算法用于无监督学习，将没有明确分类映射关系的物品分组，解决了没有历史数据时对物品分类的需求。例如，可应用于客户价值划分、网页归类等场景。

频繁模式的聚类有效性方法，蛮适合搞用户行为的你。基于机器学习的用户行为方法，是那种用频繁模式来评估聚类效果的方式，真的挺有意思。它不是单靠传统的相似度或者距离来评估，而是更偏逻辑推理那一挂——看起来就聪明的样子。用了自适应聚类算法，还能自动帮你选最合适的聚类参数。就像你写代码时变量名起得刚刚好，一下就顺了。响应也快，聚类结果也靠谱，用在移动业务数据上用户行为，挺实用的。嗯，要是你对电信业务数据感兴趣，或者你在搞用户画像、数据挖掘这块，这套方法可以直接拿来做实验。用起来没那么烧脑，概念清晰、实操部分也不复杂。推荐几个关联资源你可以顺便看看：聚类算法在数据挖掘中的应用 讲得蛮清楚，还有 社交网络行

感谢大牛整理的机器学习资源：https://github.com/Flowerowl/Big_Data_Resources#大数据-数据挖掘

McGrawHill出版社发行的.Tom著作的机器学习经典，涵盖数据挖掘通用算法。

三位统计学家和计算机专家的重要著作，强调数学基础，涵盖统计与计算机领域，是学习数据挖掘和统计学习理论的必备文献，提供djvu格式的英文原版。

gbrank机器学习在各领域的广泛应用展示了其在科技创新中的重要性。