一、小论文算法的学习

（一）资料链接

1.联邦学习：https://www.baidu.com/s
2.迁移学习概述（Transfer Learning）https://blog.csdn.net/dakenz/article/details/85954548
3.迁移学习：经典算法解析：https://blog.csdn.net/linolzhang/article/details/73358219
4.联邦学习（Federated Learning）https://blog.csdn.net/cao812755156/article/details/89598410
5.机器之心专访杨强教授：联邦迁移学习与金融领域的AI落地https://www.jiqizhixin.com/articles/2018-08-01-6
6.7种常见的迁移学习分类+论文+代码预研https://blog.csdn.net/HUSTHY/article/details/104265749
7.14 篇论文为你呈现「迁移学习」研究全貌 | 论文集精选 #04https://blog.csdn.net/c9Yv2cf9I06K2A9E/article/details/78423678
8.本周论文推荐（迁移学习、图神经网络）https://blog.csdn.net/qq_27590277/article/details/106263730
9.迁移学习–综述https://blog.csdn.net/vvnzhang2095/article/details/79882013
10.迁移学习——论文集推荐https://blog.csdn.net/DL_wly/article/details/80816230
11.基于旋转森林和极限学习机的大样本集成分类算法https://www.ixueshu.com/document/22cde1e97521595b6ade618384b94eec318947a18e7f9386.html
12.集成学习之Adaboost算法原理小结https://www.cnblogs.com/pinard/p/6133937.html
13.迁移学习算法之TrAdaBoosthttps://blog.csdn.net/augster/article/details/53039489
14.结合旋转森林和Ada Boost分类器的多标签文本分类方法https://www.ixueshu.com/document/18debfaea2340c5d6778bd885a07fe56318947a18e7f9386.html

15.TSVM和TrAdaboosthttps://zhuanlan.zhihu.com/p/58305064
代码：https://github.com/ICDI0906/MachineLearning/tree/master/%E5%AE%9E%E8%B7%B5/air-quality_transfer_semi-supervised/TrAdaboost
16.迁移学习算法之TrAdaBoosthttps://www.cnblogs.com/bonelee/p/8921579.html
17.机器学习代码库网站：https://scikit-learn.org/stable/index.html
http://www.scikitlearn.com.cn/

（二）具体算法模型

1.慢性肾脏疾病
2.算法：rnn,knn,mlp,cnn
3.波士顿房价预测
4.学一下numpy pandas matplotlib——python的三个库
http://vision.stanford.edu/teaching/cs231n-demos/knn/

https://aistudio.baidu.com/aistudio/education/group/info/888

5. cnn-svm算法
   参考资料：
   （1）CNN提取图片特征，之后用SVM分类：https://blog.csdn.net/qq_27756361/article/details/80479278
   （2）CNN+SVM实现多分类：https://blog.csdn.net/qq_33254870/article/details/86527295
   （3）如何使用把CNN提取的特征用SVM做分类训练：http://www.caffecn.cn/?/question/1910
   （4）CNN-SVM代码：http://www.pudn.com/Download/item/id/4022920.html
   （5）卷积神经网络提取特征并用于SVM:https://www.cnblogs.com/chuxiuhong/p/6132814.html

6. 数据集
   （1）UCI数据集整理（附论文常用数据集）：https://blog.csdn.net/qq_32892383/article/details/82225663
   （2）ckd数据：https://www.kaggle.com/mansoordaku/ckdisease/data

7. 参考论文
   （1）一减小的特征集合慢性肾脏疾病预测：http://www.jpathinformatics.org/article.asp?issn=2153-3539;year=2017;volume=8;issue=1;spage=24;epage=24;aulast=Misir
   （2）基于深度学习的慢性肾脏病自动感应系统（暂时不用）：https://ieeexplore.ieee.org/document/8843936/figures#figures
   （3）01-Neural network and support vector machine for the prediction of chronic kidney disease
   （4）万方智搜：http://www.wanfangdata.com.cn/search/searchList.do
   （5）SVM在冠心病分类预测中的应用研究

8. 数据处理，特征选择
   （1）Weka数据挖掘——选择属性：https://www.cnblogs.com/mrzhang123/p/5365811.html
   （2）算法的参考资料：https://recomm.cnblogs.com/blogpost/5818027?page=3
   （3）机器学习 — 参数优化与模型选择：https://www.cnblogs.com/WayneZeng/p/9290688.html

9. svm算法
   （1）SVM理解与参数选择（kernel和C）：https://blog.csdn.net/ybdesire/article/details/53915093

10. 小论文跑代码：https://aistudio.baidu.com/aistudio/index

---

波士顿房价预测

学习网址：https://aistudio.baidu.com/aistudio/projectdetail/955516
波士顿房价预测是一个经典的机器学习任务，类似于程序员世界的“Hello World”。

• 该数据集统计了13种可能影响房价的因素和该类型房屋的均价，期望构建一个基于13个因素进行房价预测的模型，如 图1 所示。
  
  对于预测问题，可以根据预测输出的类型是连续的实数值，还是离散的标签，区分为回归任务和分类任务。因为房价是一个连续值，所以房价预测显然是一个回归任务。下面我们尝试用最简单的线性回归模型解决这个问题，并用神经网络来实现这个模型。

一、线性回归模型

二、构建波士顿房价预测任务的神经网络模型

深度学习不仅实现了模型的端到端学习，还推动了人工智能进入工业大生产阶段，产生了标准化、自动化和模块化的通用框架。不同场景的深度学习模型具备一定的通用性，五个步骤即可完成模型的构建和训练，如 图3 所示。

（一）数据处理
数据处理包含五个部分：

• 数据导入
• 数据形状变换
• 数据集划分
• 数据归一化处理
• 封装load data函数

数据预处理后，才能被模型调用。
1. 读入数据
通过如下代码读入数据，了解下波士顿房价的数据集结构，数据存放在本地目录下housing.data文件中。

# 导入需要用到的package
import numpy as np
import json
# 读入训练数据
datafile = './work/housing.data'
data = np.fromfile(datafile, sep=' ')
data

2. 数据形状变换

由于读入的原始数据是1维的，所有数据都连在一起。因此需要我们将数据的形状进行变换，形成一个2维的矩阵，每行为一个数据样本（14个值），每个数据样本包含13个X（影响房价的特征）和一个Y（该类型房屋的均价）。

# 读入之后的数据被转化成1维array，其中array的第0-13项是第一条数据，第14-27项是第二条数据，以此类推.... 
# 这里对原始数据做reshape，变成N x 14的形式
feature_names = [ 'CRIM', 'ZN', 'INDUS', 'CHAS', 'NOX', 'RM', 'AGE','DIS', 
                 'RAD', 'TAX', 'PTRATIO', 'B', 'LSTAT', 'MEDV' ]
feature_num = len(feature_names)
data = data.reshape([data.shape[0] // feature_num, feature_num])

# 查看数据
x = data[0]
print(x.shape)
print(x)

3. 数据集划分
将数据集划分成训练集和测试集，其中训练集用于确定模型的参数，测试集用于评判模型的效果。

---

三、小论文的参考网站

https://www.paperswithcode.com/sota