提取声音信号的MFCC作为特征，利用CNN对五种动物信号完成分类。

人工智能-项目实践-植物分类-基于SVM的Plant Seedlings Classification植物分类 基于SIFT特征、颜色特征、HOG特征的SVM分类模型，使用的是传统的特征提取和机器学习的方法。未涉及神经网络等深度学习方法 本模型在Kaggle平台提交后可以达到0.9的Score

基于知识的认知雷达 该方向为雷达领域的新发展方向 而本书对于学习该方面的技术人员将提供很好的借鉴价值！

土地覆盖分类应用 该为用户提供了一个工具，可使用 ， 或从可视化，测试和调整像素级土地覆盖分类。 该模型是由（ ， 和合作开发的，是Microsoft 计划的一部分。 这个怎么运作 单击地图上的任意位置以加载9个训练图块候选者，单击训练图块候选者以将其显示在地图上的区域选择面板中，调整透明度，以查看其与自然色高分辨率航空影像的比较。 用户可以上下推动土地覆盖类型的滑块以获取调整后的结果。 单击“教机器”按钮，以提交将用于训练模型的所选训练图块候选。 单击右上角的菜单按钮以打开已提交的训练图块的集合。 可以选择训练图块以将应用程序打开到该当前状态以进行编辑。 先决条件 在开始之前，请确保您已经安装了新版本的 当前的长期支持（LTS）版本是理想的起点。 正在安装 首先，将此存储库克隆到您的计算机： https://github.com/vannizhang/aiforearth-l

CondenseNet-PyTorch 的PyTorch实施 目录： 项目结构： ├── agents | └── condensenet.py # the main training agent ├── graphs | └── models | | └── condensenet.py | | └── denseblock.py | | └── layers.py | └── losses | | └── loss.py # contains cross entropy loss definition ├── datasets # contains all dataloaders for the project | └── cifar10.py # dataloader for cifar10 dataset ├── data | └── cifar10

图像分类 使用Python和MATLAB进行纹理图像分类 图片来源： : （使用“灰度PNG图片”链接-23MB） 使用的图像：铝箔，灯芯绒和橙皮。 纹理图像 火车组：120张图像（每个班级40张图像） 测试集：120张图像（每个班级40张图像） 功能（使用Matlab提取）： 灰度共生矩阵（GLCM）：能量和熵。 快速傅立叶变换（FFT）：均值和方差。 分类方法： K近邻 高斯朴素贝叶斯 评估：分类准确性 食谱 用Matlab提取特征 下载纹理图像数据集 收集在一个文件夹中，重命名images3。 运行.m文件 保存dataku.mat文件（不用担心！这里提供了dataku.mat文件）。 要了解有关该细节的更多信息，我准备稍后再上传MATLAB代码。 功能数量：4： 属性1：GLCM的熵 属性2：GLCM的能量 属性3：FFT的均值 属性4：FFT的方差 分

词袋表示matlab代码场景分类 使用词袋（BOW）模型的Matlab场景分类。 该软件是为Bicocca大学的一次学术考试（数字影像）而创建的。 代码包括（当然，也使用）以下库： 这些库的所有学分均属于各自的所有者。 已使用Windows 8和Matlab 2012b对实现进行了测试。 版权 版权所有（c）2013 Bolis Mauro 特此免费授予获得该软件和相关文档文件（“软件”）副本的任何人无限制地处理软件的权利，包括但不限于使用，复制，修改，合并的权利，发布，分发，再许可和/或出售本软件的副本，并允许配备有本软件的人员这样做，但须满足以下条件： 本软件按“原样”提供，不提供任何形式的明示或暗示担保，包括但不限于对适销性，特定目的的适用性和非侵权性的担保。 无论是由于软件，使用或其他方式产生的，与之有关或与之有关的合同，侵权或其他形式的任何索赔，损害或其他责任，作者或版权所有者概不负责。软件。

你好，这个 repo 讨论分类和聚类， 算法包含KMeans、KNN和Hierarchical clustering。 我希望你能通过这个 repo 得到帮助，如果时间允许，我会推出更多的算法。 参考 K均值： : KNN： :

TTAch 使用PyTorch进行图像测试时间增强！ 与“数据增强”对训练集所做的类似，“测试时间增强”的目的是对测试图像进​​行随机修改。 因此，我们不会对训练后的模型仅显示一次常规的“干净”图像，而是将其多次显示。 然后，我们将平均每个对应图像的预测，并将其作为我们的最终猜测[ ]。 Input | # input batch of images / / /|\ \ \ # apply augmentations (flips, rotation, scale, etc.) | | | | | | | # pass augmented batches through model | | | | | | | # reverse transfo

分类项目电信 该存储库将存储“电信分类项目”的探索性笔记本和可交付成果。 项目总结： 电信客户正在前往较新的公司。 尤其是电话客户。 查找流失的驱动程序。 该报告的副本将寄给高管。 在您的最终笔记本中包含足够的文档，以便有人在您没有您的情况下进行操作。 7043个客户的数据库，具有24个功能 目标： 在电信公司查找客户流失的驱动因素 构建可准确预测客户流失的ML分类模型。 数据字典 |变量| 定义| 数据类型价值计数| | || churn |这是我们的目标变量，表示客户已取消服务商| 对象 属性 定义 数据类型 payment_type_id 指示客户每月如何支付账单 int64 contract_type_id 指示客户拥有哪种合同类型 int64 internet_service_type_id 指示客户拥有哪种类型的互联网服务 int64 顾客ID 标识每个客户