Stanford

斯坦福的机器学习课，吴恩达讲的那版，真的是老少咸宜。machine_learning_stanford_coursera 这个项目就是那门课里所有编程作业的解法，全都用 Octave 写的，语法也清楚，运行也快，适合用来对照着理解。你要是刚学 机器学习，比如想搞懂什么是 支持向量机、神经网络、降维这些，这套代码挺能帮忙的。每个作业都紧扣课程内容，理解概念不说，还能动手练习。作业覆盖面也蛮全，从有监督学习到无监督学习，再到推荐系统、异常检测这些，几乎都有。像 逻辑回归、k-means、PCA，代码都直接，稍微调一下还能复用。还有一个小细节蛮贴心的，每个作业都配了 .m 文件，不用从头敲，修改运行

《统计学习基础》是由斯坦福大学的三位统计学教授Trevor Hastie、Robert Tibshirani和Jerome Friedman合著的一本权威参考书。该书涵盖了统计学习、数据挖掘、机器学习和生物信息学的核心概念，将这些知识整合在统一的理论框架中。随着信息技术的发展，海量数据在医学、生物、金融等领域涌现，为数据分析提出了巨大挑战。本书通过系统的介绍帮助读者理解并应对这些挑战。书中内容包括监督学习（如预测）、非监督学习，神经网络、支持向量机、分类树和提升方法，后者首次在书中得到详细论述。新增主题涉及图模型、随机森林、集成方法等，另有专章讨论了处理宽数据的方法，如多重测试与假发现率。本书

Stanford大学网络分析课程13-19章详细手册信息 课程介绍和图表结构 09/25讲座01 - 09/27 网络测量和随机图模型 10/02 讲座03 - PageRank算法 10/04 网络构建、推断和反卷积 10/09 Motifs和Graphlets 10/11 网络中的社区结构 10/16 社区检测：谱聚类 10/18 链接预测 10/23 图表示学习 10/25 网络效应和级联行为（1） 10/30 网络效应和级联行为（2） 11/01 网络中的影响最大化 11/06 网络爆发检测 11/08 网络鲁棒性和优先附加 11/13 网络中心性 11/15 信息传递和节点分类 11

AR 和 ORL 与 Stanford 数据集是人脸识别领域比较常用的几个数据集。Stanford 数据集包含 200 张男性和 200 张女性人脸图像，光照和姿态都差不多，分辨率为 200×200，正面图像为主，分为训练集和测试集，图像格式为.jpg。而 ORL 数据集是 40 个人的面部图像，10 张，格式是.pgm。此外，AR 数据集有 2600 张图像，男女不分文件夹，文件格式也是.pgm。总体来说，这些数据集对人脸识别的测试和研究挺有的。如果你做人脸识别相关的项目，使用这些数据集可以轻松搞定数据准备工作，节省多时间哦。

Stanford的Fei Li在2005年ICCV会议上展示了一个词袋模型的示例程序，需要进行路径和其他细节的修改，以确保程序可以成功运行，尤其是codebook文件的补充。