机器学习是许多人在人类生活的各个领域中不可或缺的技术。 它遍及全球的现代生活中，并具有多种用途。 一种应用是图像分类，它涵盖了许多影响领域，例如商业，金融，医药等，以提高产量，原因，效率等。这种对更精确，面向细节的分类的需求增加了对修改，改编，和深度学习算法的创新。 本文使用卷积神经网络（CNN）对CIFAR-10数据库中的场景进行分类，并在KDEF数据库中检测情绪。 所提出的方法将数据转换到小波域以获得更高的精度和与空间域处理相当的效率。 通过将图像数据划分为子带，重要的特征学习发生在不同的低频到高频上。 所学习的低频和高频特征的组合以及对融合特征映射的处理导致检测精度的提高。 将拟议的方法与空间域CNN和堆叠式降噪自动编码器（SDA）进行比较，实验结果表明，准确性显着提高。

技术支援 pytorch，卷积神经网络，深度学习

基于BP神经网络的疾病症状预测模型.pdf

蜜蜂和蚂蚁分类

对Resnet网络进行结构上的调整，并测试调整后的性能。

神经⽹络与深度学习_中文版，带目录高清版，Michael Nielsen 著。

《机器学习从入门到入职》深度学习的卷积神经网络算法代码框架用的是keras，数据集选用mnist手写字体识别

基于卷积神经网络及特征提取的面部表情识别算法.pdf

一个深度回声状态网络工具（matlab），解决了高阶的MSO问题，可根据自己要解决的问题修改generateSample.m，并在TestMSO.m中修改相关参数。具体可参考：延迟深度回声状态网络在时间序列预测中的应用，自动化学报

基于卷积神经网络的风格迁移算法，模型使用VGG-19，实验环境：Tensorflow2.0,python3.6,支持GPU加速