pythom写的knn、k-means、bp神经网络对手写数字识别的模式识别最终大课设，与模式识别大课设那期文章相关
2022-05-27 16:05:49
60.11MB
人工智能-项目实践-实体识别-基于tensorflow深度学习的中文的命名实体识别
一个中文的实体命名识别系统
当前版本基于双向循环神经网络（BiRNN） + 条件随机场（CRF）来完成实体的标注。 基本思路是利用深度神经网络提取特征，从而避免了手动提取特征的麻烦。 第二部和传统的方式一样，使用CRF在做最后的标注。
该程序使用Tensorflow完成，使用了当前较新的DataSet API，使数据预处理和feed更优雅。
由于使用了新的API， Tensorflow版本必须大于1.2.0，代码升级后使用的是TensorFlow1.4，不确定原来Tensorflow1.2是否还兼容。
2022-05-26 12:05:53
337KB
第2章 特征工程 2（自我学习集）
2.1. 数据集 2
2.1.1. 可用数据集 2
2.1.2. sklearn数据集 4
2.1.3. 数据集的划分 6
2.2. 特征工程介绍 7
2.2.1. 为什么需要特征工程(Feature Engineering) 8
2.2.2. 什么是特征工程 8
2.2.3. 特征工程的位置与数据处理的比较 8
2.3. 特征抽取 9
2.3.1. 特征提取 10
2.3.2. 字典特征提取 10
2.3.3. 文本特征提取 12
2.4. 特征预处理 20
2.4.1. 什么是特征预处理 20
2.4.2. 归一化 21
2.4.3. 标准化 24
2.5. 特征降维 26
2.5.1. 降维 27
2.5.2. 降维的两种方式 27
2.5.3. 什么是特征选择 28
2.6. 主成分分析 36
2.6.1. 什么是主成分分析(PCA) 36
2.6.2. 案例：探究用户对物品类别的喜好细分降维 40
2.7. 总结 42
2.8. 作业 43
2.9. END 44
2022-05-21 11:06:18
9.33MB
1
官网上下载太慢了，就上传了资源，亲测好用
在cmd里直接输入 pip install 加资源所在位置和资源名，即可安装成功
2022-05-20 09:57:31
8.8MB
1
基于双隐含层BP神经网络的数据预测仿真+含代码操作演示视频
运行注意事项：使用matlab2021a或者更高版本测试，运行里面的Runme.m文件，不要直接运行子函数文件。运行时注意matlab左侧的当前文件夹窗口必须是当前工程所在路径。具体可观看提供的操作录像视频跟着操作。
2022-05-19 22:06:49
819KB
基于BP神经网络的电力负荷数据预测仿真+含代码操作演示视频
运行注意事项：使用matlab2021a或者更高版本测试，运行里面的Runme.m文件，不要直接运行子函数文件。运行时注意matlab左侧的当前文件夹窗口必须是当前工程所在路径。具体可观看提供的操作录像视频跟着操作。
2022-05-19 19:08:28
5.83MB