回歸；分類的案例
184基于matlab的相關向量機（RVM）回歸和分類算法 ￥12.2
基于matlab的相關向量機（RVM）回歸和分類算法。該算法基于貝葉斯稀疏核?法，避免了支持向量機（SVM）的主要局限性。RVM關鍵是為每個權參數 都引入一個單獨的超參數 ，而不是一個共享超參數。程序已調通，可直接運行。
LS-OPT?優化設計和參數識別
摘自:上海仿坤（LS-DYNA China）官網
http://lsdyna-china.com/info/68652.html
LS-OPT是一個基于仿真的優化設計工具，它能夠解決復雜的多階段設計過程或回歸/分類任務問題。LS-OPT既提供與LS-DYNA?的接口（例如，提取計算結果），也支持主流的前、后處理器，比如進行形狀優化的處理器。安裝軟件包里包含圖形的前、后處理工具，可對計算結果進行可視化。
一份適合初學者的Python人工智能與機器學習入門指南-0 ￥5
- 核心學習內容：
- 機器學習和Python編程基礎
- 數據預處理和特征工程
- 有監督學習：回歸和分類模型
- 無監督學習：聚類和降維
- 模型評估、優化和性能指標
- 使用Python構建真實世界的AI項目
- 理解機器學習從頭到尾的完整工作流程
- 推薦理由：
- 結合真實世界案例和項目的實踐式學習
- 適合初學者，采用循序漸進的教學方式
- 即使沒有相關經驗，也能學習用于機器學習的Python
- 掌握數據科學、人工智能和科技行業崗位所需的技能
- 適用人群：
- 對Python和機器學習感興趣的初學者
- 有志成為數據科學家的人和人工智能愛好者
- 希望掌握機器學習技能的軟件開發者
- 任何想要使用Python構建實用AI模型的人
- 課程成果：課程結束時，你將能夠使用Python構建和部署機器學習模型，為進入人工智能、數據科學等領域的職業生涯打開大門。
展開 sklearn中K近鄰的使用（python）
（多數表決），也可以用于回歸（均值）；
03 K近鄰模型是典型的 lazy-learning；
智能數據建模軟件DTEmpower 新版本發布
現在，數據分割支持回歸/分類數據和時序數據兩種模式，并引入了K-s檢驗來判斷分層方法是否合適，確保數據分割的科學性和有效性。
用戶界面也進行了優化，提供了直觀的設置選項，包括分層邏輯、抽樣依據、檢驗指標等，方便用戶輕松配置數據分割參數。此外，用戶可指定比例或樣本量，并選擇分箱策略，如等頻，以滿足不同的數據分析需求。
八、相關圖功能改造
DT25R2版本對相關圖功能進行了顯著優化。將數據分布、變量相關性以及置信橢圓更加直觀的展現出來，提升了相關性可視化效果，使數據關系呈現得更為清晰美觀。
九、重要性分析節點優化
重要性分析節點（MDI、MDA）功能更加豐富。新增按重要性排序篩選變量的選項，用戶將重要性閾值配置選擇為【重要性排序】后可以根據需要，結合圖像，選擇保留前n個變量，以此來篩選對輸出變量較為重要的特征變量。
十、峰值提取頁面展示優化
峰值提取頁面配置彈窗以及圖像增加自適應邏輯，操作面板無需上下拖拽，提高易用性，界面展示更加美觀。
十一、基礎架構升級、性能優化
此次更新大幅優化應用安裝和啟動速度，相比R1版本，軟件安裝時間提速 6 倍，啟動時間減少 60%。此外還進行了瀏覽器引擎升級，使得瀏覽器引擎性能大幅提升，硬件適配更加完善。
最后，再次歡迎到天洑官網下載體驗，安裝就自帶30天免費試用！
展開 徑向基函數內核 – 機器學習 ￥5
? 徑向基函數內核
? 將線性算法轉換為無限維非線性分類器和回歸器
? 為什么 Radial Basis Kernel 如此強大？
o 使用RBF Kernel輕松擬合一些復雜數據集：
? 用于XOR分類的徑向基函數神經網絡
? 徑向基函數核的實際應用
? 什么是Kernel Function？
核函數用于將n維輸入轉換為m維輸入，其中m遠高于n，然后有效地找到更高維的點積。使用內核的主要思想是：高維的線性分類器或回歸曲線在低維變成非線性分類器或回歸曲線。
? 徑向基函數內核
徑向基函數 （RBF） 內核，也稱為高斯內核，是使用最廣泛的內核函數之一。它的工作原理是根據數據點在輸入空間中的歐幾里得距離來測量數據點之間的相似性。從數學上講，兩個數據點之間的 RBF 內核x和x’定義為：
注意：exp(x)等于 e^x
? ∣x–x'∣2表示兩個數據點之間的平方歐幾里得距離。
? σ是一個稱為 bandwidth 或 width of the kernel 的參數，用于控制決策邊界的平滑度。
如果我們展開上述指數表達式，它將上升到x和x'的無限次方，作為ex包含無限項到x的無限冪，因此它涉及無限維度中到無限冪的項。
? 將線性算法轉換為無限維非線性分類器和回歸器
如果我們在RBF內核上應用任何算法，如感知器算法或線性回歸，實際上我們會將我們的算法應用于我們創建的新無限維數據點。因此，它將給出一個無限維的超平面，在返回到我們的原始維度后，這將給出一個非常強的非線性分類器或回歸曲線。
因此，盡管我們應用了線性分類器/回歸，但它會給出一個非線性分類器或回歸線，這將是一個無限冪的多項式。作為無限冪的多項式，徑向基核是一個非常強大的核，它可以給出適合任何復雜數據集的曲線。
展開 國產統計過程控制（SPC）工具，賦能離散制造智慧升級
1、AI驅動的根因分析
這是 DTEmpower 的核心優勢，它集成了回歸、時序、分類、聚類等 150 余種機器學習算法，且低代碼易上手，不需要深厚的算法背景，通過拖拽式建模和 AI Agent 輔助，質量工程師可以快速建立回歸模型或分類模型，量化各工藝因子對良率的貢獻率，實現“智能故障搜索”。
2、深度統計分析
除了內置 I-MR、X-R、X-s 等多種經典控制圖和10余種判異準則外，系統還提供完善的描述性統計、假設檢驗及DOE實驗設計功能，自動識別 6-Sigma 風險，一鍵生成專業質量報告。
?
3、案例直擊
場景一：國內頭部 LCD 模組制造企業——破解“1+1≠2”難題
常天科技是天馬、夏普等液晶面板企業的背光源主力供應商，在小批量、多品種的精密電子制造場景，零部件的微小波動會產生連鎖反應。比如單部件（A或B）檢驗均合格，但組裝后（C=A+B）卻不達標，投產初期缺乏疊加波動預判，導致批量不良。
DTEmpower 方案：同步采集單部件與組合體數據，量化波動貢獻率。通過API直連 MES系統繪制X-R圖，自動識別6σ風險并實時反饋工藝人員，實現從“事后檢出”到“事前預防”的轉變。同時，自動提取供應商PDF報告數據，打破了供應鏈的數據孤島。
場景二：某大型發電機廠——從4小時到5分鐘
發電機定子線圈的表面電阻、介損等數據至關重要，該廠過去長期依賴手抄質量記錄，質控人員需手工謄入Excel，再利用公式和條件格式篩查異常、繪制線圖。單次數據處理分析平均耗時達4小時，且無法標注異常點。
DTEmpower方案：引入大模型OCR技術實現手抄數據批量電子化，并建立自動拉取數據、自動判異、自動出圖的流程。分析時間從4小時縮短至5分鐘，效率提升50倍 。
展開 機器學習模型的集成方法總結：Bagging, Boosting, Stacking, Voting, Blending
集成技術可以用來解決回歸和分類問題
下面我們將介紹各種集成學習的方法：
Voting
Voting是一種集成學習，它將來自多個機器學習模型的預測結合起來產生結果。在整個數據集上訓練多個基礎模型來進行預測。每個模型預測被認為是一個“投票”。得到多數選票的預測將被選為最終預測。
有兩種類型的投票用于匯總基礎預測-硬投票和軟投票。
硬投票選擇投票數最高的預測作為最終預測，而軟投票將每個模型中每個類的概率結合起來，選擇概率最高的類作為最終預測。
在回歸問題中，它的工作方式有些不同，因為我們不是尋找頻率最高的類，而是采用每個模型的預測并計算它們的平均值，從而得出最終的預測。
Bagging
Bagging是采用幾個弱機器學習模型，并將它們的預測聚合在一起，以產生最佳的預測。它基于bootstrap aggregation,bootstrap 是一種使用替換方法從集合中抽取隨機樣本的抽樣技術。aggregation則是利用將幾個預測結合起來產生最終預測的過程。
隨機森林是利用Bagging的最著名和最常用的模型之一。它由大量的決策樹組成，這些決策樹作為一個整體運行。它使用Bagging和特征隨機性的概念來創建每棵獨立的樹。每棵決策樹都是從數據中隨機抽取樣本進行訓練。在隨機森林中，我們最終得到的樹不僅接受不同數據集的訓練，而且使用不同的特征來預測結果。
Bagging通常有兩種類型——決策樹的集合(稱為隨機森林)和決策樹以外的模型的集合。兩者的工作原理相似，都使用聚合方法生成最終預測，唯一的區別是它們所基于的模型。在sklearn中，我們有一個BaggingClassifier類，用于創建除決策樹以外的模型。
Boosting
增強集成方法通過重視先前模型的錯誤，將弱學習者轉化為強學習者。
展開 什么是神經網絡？ ￥2
回歸和分類等詞與監督學習有關，而無監督學習與聚類和關聯有關。
3. 通過強化學習進行學習
通過與環境互動和以獎勵或懲罰的形式提供反饋，網絡獲得了知識。找到一種隨著時間的推移優化累積獎勵的政策或策略是該網絡的目標。這種經常用于游戲和決策應用程序。
神經網絡的類型
可以使用七種類型的神經網絡。
前饋神經網絡：前饋神經網絡是一種簡單的人工神經網絡架構，其中數據沿單個方向從輸入移動到輸出。它有 input、hidden 和 output 層;沒有反饋循環。其簡單的架構使其適用于許多應用程序，例如回歸和模式識別。
多層感知器 （MLP）：MLP 是一種具有三層或更多層的前饋神經網絡，包括一個輸入層、一個或多個隱藏層和一個輸出層。它使用非線性激活函數。
卷積神經網絡 （CNN）：卷積神經網絡 （CNN） 是一種專為圖像處理而設計的專用人工神經網絡。它采用卷積層從輸入圖像中自動學習分層特征，從而實現有效的圖像識別和分類。CNN 徹底改變了計算機視覺，在對象檢測和圖像分析等任務中發揮著關鍵作用。
遞歸神經網絡 （RNN）：一種用于順序數據處理的人工神經網絡類型稱為遞歸神經網絡 （RNN）。它適用于上下文依賴關系至關重要的應用程序，例如時間序列預測和自然語言處理，因為它利用反饋循環，使信息能夠在網絡中生存。
長短期記憶 （LSTM）：LSTM 是一種 RNN，旨在克服訓練 RNN 中的梯度消失問題。它使用存儲單元和門選擇性地讀取、寫入和擦除信息。
神經網絡的簡單實現
代碼案例
?
展開 自動駕駛中的機器學習
監督學習算法基于歸納推理，通常需要使用有標記的數據進行訓練，以執行分類或回歸，而無監督學習一般應用于未標記數據的密度估計或聚類等技術。相比之下強化學習比較自成一派，其通過與環境交互來提高其在指定任務上的性能，與監督和非監督學習使用損失函數進行迭代訓練的方式不同，強化學習一般使用獎勵函數進行訓練，比如OpenAI與王者榮耀的絕悟AI都屬于強化學習的范疇，一般在電競、機器人等方向上應用較多。
根據各類機器學習算法的特點，可以看出在“場景理解”的相關任務中，使用監督學習算法比較合適，而在“決策與規劃”任務中，又非強化學習算法莫屬。
在實際工作中，監督學習為強化學習提供了必要的環境信息，監督學習算法一般將“場景理解”的結果，輸入到強化學習模型當中，在監督學習的加持下，強化學習可以完成方向盤操作優化、路徑規劃和軌跡優化、動態路徑規劃、基于場景的高速公路及交叉路口的合并與拆分等等高難度自動駕駛任務，通過來自專家系統的逆向強化學習，增加對于行人、車輛等交通參與者的意圖預測，并確保安全操作的執行優先級。
用于自動駕駛的流行算法
SIFT
SIFT算法一般用于特征提取，該算法檢測對象并解釋圖像。例如，對于三角形標志，以標志的三個頂點作為特征輸入，自動駕駛系統可以通過這些點來識別標志。
梯度提升
不同于在神經網絡中使用的梯度下降算法，梯度提升是一種用于回歸、分類和其他任務的技術，它一般以決策樹等弱預測模型基礎生成新的預測模型，其分類性能通常優于隨機森林。梯度提升與下文即將出場的AdaBoost算法工作原理類似。
AdaBoost
該算法收集數據并對其進行分類，以提高自動駕駛系統的性能。
展開 銀行業9大數據科學應用案例
數據科學家的工具中有許多工具和方法來開發CLV模型，如廣義線性模型(GLM)，逐步回歸，分類和回歸樹(CART)。 建立一個預測模型，以確定基于CLV的未來營銷策略，這對于在每個客戶的一生中與該公司保持良好的客戶關系，實現更高的盈利能力和增長是具有非常有價值的過程。
6 實時和預測分析
**分析在銀行業中的重要性不可低估。**機器學習算法和數據科學技術可以顯著改善銀行的分析策略，因為銀行業務的每個使用案例都與分析密切相關。隨著信息的可用性和多樣性迅速增加，分析變得更加復雜和準確。
可用信息的潛在價值非常驚人：指示實際信號的有意義的數據量(不僅僅是噪聲)在過去幾年呈指數級增長，而數據處理器的成本和規模一直在下降。區分真正相關的數據和噪音有助于有效解決問題和制定更明智的戰略決策。**實時分析有助于了解阻礙業務的問題，而預測分析有助于選擇正確的技術來解決問題。**通過將分析整合到銀行工作流程中，可以實現更好的結果，以提前避免潛在的問題。
7 客戶細分
**客戶細分意味著根據他們的行為(對于行為分割)或特定特征(例如區域，年齡，對于人口統計學分割的收入)挑選出一組客戶。**數據科學家的一系列技術如聚類，決策樹，邏輯回歸等等，因此它們有助于了解每個客戶群的CLV并發現高價值和低價值的細分市場。
沒有必要證明客戶的這種細分允許有效地分配營銷資源，并且為每個客戶群提供基于點的方法的最大化以及銷售機會。不要忘記，客戶細分旨在改善客戶服務，并幫助客戶忠誠和留住客戶，這對銀行業是非常必要的。
8 推薦引擎
**數據科學和機器學習工具可以創建簡單的算法，分析和過濾用戶的活動，以便向他建議最相關和準確的項目。**這種推薦引擎即使在他自己搜索它之前也會顯示可能感興趣的項目。
展開 
數據科學20個最好的Python庫
它為許多標準的機器學習和數據挖掘任務提供算法，如聚類、回歸、分類、降維和模型選擇。
利用 Data Science School 提高你的技能
Data Science School：http://datascience-school.com/
11. XGBoost / LightGBM / CatBoost (Commits: 3277 / 1083 / 1509, Contributors: 280 / 79 / 61)
官網：
http://xgboost.readthedocs.io/en/latest/http://lightgbm.readthedocs.io/en/latest/Python-Intro.htmlhttps://github.com/catboost/catboost
梯度增強算法是最流行的機器學習算法之一，它是建立一個不斷改進的基本模型，即決策樹。因此，為了快速、方便地實現這個方法而設計了專門庫。就是說，我們認為 XGBoost、LightGBM 和 CatBoost 值得特別關注。它們都是解決常見問題的競爭者，并且使用方式幾乎相同。這些庫提供了高度優化的、可擴展的、快速的梯度增強實現，這使得它們在數據科學家和 Kaggle 競爭對手中非常流行，因為在這些算法的幫助下贏得了許多比賽。
12. Eli5 (Commits: 922, Contributors: 6)
官網：https://eli5.readthedocs.io/en/latest/
通常情況下，機器學習模型預測的結果并不完全清楚，這正是 Eli5 幫助應對的挑戰。
展開 12篇論文看盡深度學習目標檢測史
源自論文“You Only Look Once: Unified, Real-Time Object Detection”
與 R-CNN 不同的是，YOLO 決定在同一個 CNN 上一起處理region proposal和分類。換句話說，它把目標檢測問題看作是一個回歸問題，而不是一個依賴于region proposal的分類問題。其基本思想是將輸入分割成一個 SxS 網格，并讓每個單元直接回歸邊界框的位置以及如果目標中心落入該單元時的置信度得分。因為目標可能有不同的大小，將有一個以上的邊界框回歸器落到每個單元。在訓練過程中，將指定IOU最高的回歸器與ground-truth 標簽進行比較，因此同一位置的回歸器將學會隨著時間的推移處理不同的尺度。同時，當網格單元包含一個目標(高置信度得分)時，每個單元也將預測 C 類概率。這種方法后來被描述為稠密的預測，因為 YOLO 試圖預測圖像中所有可能位置的類和邊界框。相比之下，R-CNN 依賴于region proposals來過濾背景區域，因此最終的預測更加稀疏。
源自論文“You Only Look Once: Unified, Real-Time Object Detection”
在整張圖片上的密集預測的計算成本很大，為了避免這個問題，YOLO 采用了 GooLeNet 的瓶頸結構。YOLO 的另一個問題是，兩個對象可能落入同一個粗糙的網格單元，所以它不能很好地處理小目標，如一群鳥。盡管精確度較低，但 YOLO 簡單易懂的設計和實時推理能力使得單階段目標檢測在研究中再次流行起來，同時也是業界的首選解決方案。
2015: SSD
SSD: 單發多框檢測器
YOLO v1顯示了單階段檢測的潛力，但和兩階段檢測的性能差距仍然很明顯。
展開 基于深度學習的目標檢測算法面試必備（RCNN~YOLOv5）
兩階段目標檢測算法因需要進行兩階段的處理：1）候選區域的獲取，2）候選區域分類和回歸，也稱為基于區域（Region-based）的方。與單階段目標檢測算法的區別：通過聯合解碼同時獲取候選區域、類別
什么是多階段目標檢測算法？
人工智能、藥物設計、藥物ADMET評價、抑制劑篩選
算法簡單介紹和分類
4.1 藥物設計中人工智能常用算法簡介
4.2 常用算法實現軟件或工具介紹
5. KNIME軟件介紹
5.1 KNIME軟件特色和界面
5.2 KNIME軟件構建基本計算任務
5.3 KNIME軟件社區支持
5.4 KNIME軟件定制化插件
5.5 KNIME軟件第三方支持
6. 特征選擇
6.1 基于sklearn的特征選擇
6.1.1 相關性分析，相關性繪圖
6.1.2 單變量特征選擇及選擇K個特征
6.1.3 遞歸式特征刪除
6.2 基于KNIME流程的特征選擇
6.2.1 相關性分析，相關性繪圖
6.2.2 單變量特征選擇
6.2.3 遞歸式特征刪除
7. 模型的評價與解釋
7.1 回歸模型和分類模型的評價指標
7.2 應用域的評估
7.3 基于樹的模型的解釋
類藥性和ADMET評價實踐
8. ADMET介紹
8.1 ADMET概念以及意義
8.2 基于人工智能的ADMET虛擬評價方法的進展
8.3 ADMET計算資源（ADMETlab、ADMETsar等）
9. KNIME軟件構建ADMET模型
9.1 KNIME軟件配置相關插件
9.2 caco-2細胞滲透性數據概覽
9.3 結構預處理
9.4 描述符和指紋計算
9.5 SVM模型構建以及參數調整
9.6 RF模型構架及參數調整
9.7 RNN模型構建以及簡單超參數調整
10.
展開 