检测：Harr小波提取特征 + AdaBoost级联分类器 Harr小波：左右，上下，左中右，上中下，对角 ... 手动构建特征，特征数量很多，动辄几十万 集成学习：弱分类器构建强分类器 性能差，泛化能力弱 识别：EigenFaceRecognizer 特征脸识别算法 矩阵特征分解 PCA降维，计算距离，识别身份 性能差，泛化能力弱 检测：MTCNN 多任务卷积网络 三个简单的卷积网络的级联 置信度，外框，关键点 性能好，准确率高 .... 识别：FaceNet 人脸编码 特征提取器（embedding） 将人脸映射到128维空间，编码为一个向量 使用KNN、KMeans思想进行人脸距离度量、检索和聚类 性能好，准确率高 ...

密度聚类dbscan算法—python代码实现（含二维三维案例、截图、说明手册等） DBSCAN算法的python实现 它需要两个输入。第一个是。包含数据的csv文件（无标题）。主要是。py’将第12行更改为。 第二个是配置文件，其中包含算法所需的少量参数。“config”文件中的更多详细信息。您可以根据需要更改“config”文件。 代码支持3D点，它可以用于执行多维聚类。

机器学习，深度学习，统计学习源代码，python实现的机器学习算法，tensorflow，pytorch实现的深度学习算法，欢迎对人工智能，机器学习，深度学习感兴趣的朋友进行下载。

代码 基于单层竞争神经网络的患者癌症发病预测代码代码 基于单层竞争神经网络的患者癌症发病预测代码代码 基于单层竞争神经网络的患者癌症发病预测代码代码 基于单层竞争神经网络的患者癌症发病预测代码代码 基于单层竞争神经网络的患者癌症发病预测代码代码 基于单层竞争神经网络的患者癌症发病预测代码代码 基于单层竞争神经网络的患者癌症发病预测代码代码 基于单层竞争神经网络的患者癌症发病预测代码代码 基于单层竞争神经网络的患者癌症发病预测代码代码 基于单层竞争神经网络的患者癌症发病预测代码代码 基于单层竞争神经网络的患者癌症发病预测代码代码 基于单层竞争神经网络的患者癌症发病预测代码代码 基于单层竞争神经网络的患者癌症发病预测代码代码 基于单层竞争神经网络的患者癌症发病预测代码代码 基于单层竞争神经网络的患者癌症发病预测代码代码 基于单层竞争神经网络的患者癌症发病预测代码代码 基于单层竞争神经网络的患者癌症发病预测代码代码 基于单层竞争神经网络的患者癌症发病预测代码代码 基于单层竞争神经网络的患者癌症发病预测代码代码 基于单层竞争神经网络的患者癌症发病预测代码代码 基于单层竞争神经网络的患者癌症发病

代码 离散Hopfield神经网络的联想记忆数字识别代码代码 离散Hopfield神经网络的联想记忆数字识别代码代码 离散Hopfield神经网络的联想记忆数字识别代码代码 离散Hopfield神经网络的联想记忆数字识别代码代码 离散Hopfield神经网络的联想记忆数字识别代码代码 离散Hopfield神经网络的联想记忆数字识别代码代码 离散Hopfield神经网络的联想记忆数字识别代码代码 离散Hopfield神经网络的联想记忆数字识别代码代码 离散Hopfield神经网络的联想记忆数字识别代码代码 离散Hopfield神经网络的联想记忆数字识别代码代码 离散Hopfield神经网络的联想记忆数字识别代码代码 离散Hopfield神经网络的联想记忆数字识别代码代码 离散Hopfield神经网络的联想记忆数字识别代码代码 离散Hopfield神经网络的联想记忆数字识别代码代码 离散Hopfield神经网络的联想记忆数字识别代码代码 离散Hopfield神经网络的联想记忆数字识别代码代码 离散Hopfield神经网络的联想记忆数字识别代码代码 离散Hopfield神经网络的联想记忆数字

深度学习面试书：深度学习面试宝典（含数学，机器学习，深度学习，计算机视觉，自然语言处理和SLAM等方向）

#资源达人分享计划#

大数据 云原生 人工智能 系统架构 专注于大数据、人工智能技术应用的分享与交流。致力于成就百万数据科学家。 致力于成就百万数据科学家。定期组织技术分享直播，并整理大数据、推荐/搜索算法、广告算法、NLP 自然语言处理算法、智能风控、自动驾驶、机器学习/深度学习等技术应用文章。

第3章 分类算法 3 3.1. 数据集介绍与划分 3 3.1.1. 数据集的划分 3 3.1.2. sklearn数据集介绍 4 3.2. sklearn转换器和估计器 6 3.2.1. 转换器和估计器 6 3.3. K-近邻算法 8 3.3.1. K-近邻算法(KNN) 9 3.3.2. 电影类型分析 9 3.3.3. K-近邻算法API 11 3.3.4. 案例：鸢尾花种类预测 11 3.3.5. K-近邻总结 13 3.4. 模型选择与调优 13 3.4.1. 为什么需要交叉验证 14 3.4.2. 什么是交叉验证(cross validation) 14 3.4.3. 超参数搜索-网格搜索(Grid Search) 14 3.4.4. 鸢尾花案例增加K值调优 15 3.4.5. 案例：预测facebook签到位置 17 3.4.6. 总结 19 3.5. 朴素贝叶斯算法 19 3.5.1. 什么是朴素贝叶斯分类方法 20 3.5.2. 概率基础 21 3.5.3. 条件概率与联合概率 22 3.5.4. 贝叶斯公式 23 3.5.5. API 25 3.5.6. 案例：20类

学习资源 第4章 回归与聚类算法 2 4.1. 线性回归 2 4.1.1. 线性回归的原理 2 4.1.2. 线性回归的损失和优化原理（理解记忆） 5 4.1.3. 线性回归API 9 4.1.4. 波士顿房价预测 10 4.1.5. 拓展-关于优化方法GD、SGD、SAG 14 4.1.6. 总结 15 4.2. 欠拟合与过拟合 15 4.2.1. 什么是过拟合与欠拟合 15 4.2.2. 原因以及解决办法 17 4.3. 线性回归的改进-岭回归 19 4.3.1. 带有L2正则化的线性回归-岭回归 19 4.4. 分类算法-逻辑回归与二分类 21 4.4.1. 逻辑回归的应用场景 21 4.4.2. 逻辑回归的原理 21 4.4.3. 逻辑回归API 23 4.4.4. 案例：癌症分类预测-良／恶性乳腺癌肿瘤预测 23 4.4.5. 分类的评估方法 25 4.5. 模型保存与加载 29 4.5.1. sklearn模型的保存和加载API 29 4.5.2. 线性回归的模型保存加载案例 29 4.6. 无监督学习-K-means算法 30 4.6.1. 什么是无监督学习 30 4.6