iris_classification_BPNeuralNetwork 本文用Python实现了BP神经网络分类算法，根据鸢尾花的4个特征，实现3种鸢尾花的分类。 算法参考文章： iris_data_classification_bpnn_V1.py 需使用 bpnn_V1数据集 文件夹中的数据 iris_data_classification_bpnn_V2.py 需使用 bpnn_V2数据集 文件夹中的数据 iris_data_classification_knn.py 需使用 原始数据集 文件夹中的数据 iris_data_cluster_sklearn.py 需使用 sklearn数据集 文件夹中的数据 不同数据集里数据都是一样的，只是为了程序使用方便而做了一些格式的变动。 2020.07.21更新： 增加了分类结果可视化result_visualiza

FizzBuzz FizzBuzz是一个简单的小游戏。游戏规则如下：从1开始往上数数，当遇到3的倍数的时候，说fizz，当遇到5的倍数，说buzz，当遇到15的倍数，就说fizzbuzz，其他情况下则正常数数。 我们可以写一个简单的小程序来决定要返回正常数值还是fizz, buzz 或者 fizzbuzz。 # One-hot encode the desired outputs: [number, fizz, buzz, fizzbuzz] def fizz_buzz_encode(i): if i == 0: return 3 elif i % 5

经典的卷积神经网络实现文本分类的联系，用TF实现，特别推荐NLP方向的做。

对水质监测提供了可行的模糊神经网络算法，经过数据处理后，则可以精准预测

3层神经网络实现手写数字识别（代码+数据 jupyter直接运行看结果） 另有两组数据：处理后Mnist数据集 处理正确率接近97% 适合初学者学习

利用BP神经网络实现f(x)=sin(x)+cos(x)的拟合逼近

本资源是基于matlab深度学习工具箱来设计卷积神经网络用来对图像上的水体部分进行识别，并生成水体陆地二值化图像。采用的是9层卷积神经网络用来对图像进行特征提取和分类，水体识别的准确率可以达到96%以上。

基于BP神经网络和sklearn的digit数据集编写的手写数字识别demo。带有GUI手写画板，同时还可以根据需要保存手写数字的数据。

用反向神经网络实现彩票的预测，学习神经网络的一个号例子，神经网络代码

项目请参见：https://handsome-man.blog.csdn.net/article/details/108956942