电子金融课件：16a 人工智能、机器学习和深度学习的区别和联系.pptx

EasyPR是一个开源的中文车牌识别系统，其目标是成为一个简单、高效、准确的非限制场景(unconstrained situation)下的车牌识别库。 相比于其他的车牌识别系统，EasyPR有如下特点：1、它基于openCV这个开源库。这意味着你可以获取全部源代码，并且移植到opencv支持的所有平台。 2、它能够识别中文。例如车牌为苏EUK722的图片，它可以准确地输出std:string类型的"苏EUK722"的结果。 3、它的识别率较高。图片清晰情况下，车牌检测与字符识别可以达到80%以上的精度。

WinCC_ _7.5_ ISO人工智能-机器学习

1.一家大型商业银行有多家分行，近年来，该银行的贷款额平稳增长，但不良贷款额也有较大比例的提高为弄清楚不良贷款形成的原因，希望利用银行业务的有关数据做些定量分析，以便找出控制不良贷款的方法。下表是该银行所属25甲分行2002年的有关业务数据。2.为了研究生产率和废料率之间的关系，记录了下表所示的数据，请画出散点图，并根据散点图的趋势拟合适当的回归模型。

机器学习课程大作业个贷违约预测项目源码，评测指标 经典预测任务：使用ROC曲线下面积(Area Under Curve, AUC)作为评价指标。AUC值越大，预测越准确。 描述性聚类-->软聚类 使用的三种模型 多层感知机,决策树(概率树),自定义模型(距离-概率转换方法) 机器学习课程大作业个贷违约预测项目源码，评测指标 经典预测任务：使用ROC曲线下面积(Area Under Curve, AUC)作为评价指标。AUC值越大，预测越准确。 描述性聚类-->软聚类 使用的三种模型 多层感知机,决策树(概率树),自定义模型(距离-概率转换方法)

机器学习大作业-机器学习分类，回归，聚类算法项目源码 第一次作业 LinearDiscriminatorAnalysis分类，逻辑回归2，3分类 第二次作业 决策树 第三次作业 MLPClassifier分类器，Percepton线性分类器 第四次作业 一维拟合，二维拟合，支持向量机分类 第五次作业 多项式朴素贝叶斯分类器 第六次作业 GMM聚类算法 第七次作业 AdaBoostClassifier分类器 第八次作业 KMeans,KMedoids聚类

人工智能，空气质量预测代码，过程 加结果 报告

基于机器学习二手车交易预测评估系统设计与实现项目（源码+数据集）。 这是一个非常完整的python语言实现关于机器学习的二手车预测评估系统，带注释新手也可以看懂，里面used_car_train_20200313.csv是本次使用的二手车预测数据集。 支持向量机回归模型中的svr_final(1).csv是对测试集的二手车交易价格的预测结果。 多元线性回归模型中的linear_regression_test_final.csv是对测试集的二手车交易价格的预测结果，linear_regression_standardize_data.csv是将原始数据标准化的数据集，w_data.npy是指的模型的参数值。 lightGBM模型中lgb_train_final.csv是指的对训练集价格预测得到的二手车交易价格，lgb_test_final.csv是对测试集的二手车交易价格的预测结果，相似度较高的特征.txt是指的在特征交叉后由spearman筛选出的相似度较高的冗余特征。 cnn中CNN_test_final.csv指的是测试集的二手车交易价格的预测结果，20.h5指的是模型参数

基于机器学习的人脸图像性别识别分类项目源码（机器学习大作业+毕业设计）。 文件说明 GenderRecognition.ipynb - 包含运行结果的交互式Jupyter Notebook run.py - 纯Python代码 save_weights.h5 - 训练2000轮后的权重，可复现最佳预测结果 submission.csv - 输出的预测结果 trial.txt - 使用最佳模型预测训练集，对训练集所做的修改 Jupyter Notebook Preview.html/Jupyter Notebook Preview.pdf - 运行结果，内容同GenderRecognition.ipynb

机器学习课设大作业基于BERT和朴素贝叶斯算法的新闻文本分类项目（源码+大作业+数据集）。一个很完整的项目源码，操作没难度，新手也可放心下载。 data文件夹中已经包括了初始的数据集和处理之后的数据集。.csv文件初始数据集，另外两个是经过News_prediction.ipynb代码处理过的。在Bert和NaiveBayes训练函数中直接加载上来。 result文件夹中的文件是朴素贝叶斯和Bert模型训练后的输出文件 互联网假新闻分类 一共三种类别：真新闻、假新闻、不用判断 40000条训练文本数据，10000条测试数据。 基于正则表达式和Jieba完成特征工程 朴素贝叶斯：tf-idf词嵌入。87.4% BERT：cn-wmm预训练词向量。5-epoch，91.4%