基于centernet+pyqt5GUI界面人形检测计数系统源码+模型+操作说明+代码注释供学习参考.zip 带有pyqt5界面，模型，操作说明，有大量代码注释。 该项目代码可供参考学习，里面有很多自定义修改的地方，界面挺好! 适合深度学习初学者、或者正在做毕设的学生和需要项目实战AI算法工程师，学习借鉴。

Linux内核代码的庞大令不少人“望而生畏”，也正因为如此，使得人们对Linux的了解仅处于泛泛的层次。如果想透析Linux，深入操作系统的本质，阅读内核源码是最有效的途径。我们都知道，想成为优秀的程序员，需要大量的实践和代码的编写。编程固然重要，但是往往只编程的人很容易把自己局限在自己的知识领域内。如果要扩展自己知识的广度，我们需要多接触其他人编写的代码，尤其是水平比我们更高的人编写的代码。通过这种途径，我们可以跳出自己知识圈的束缚，进入他人的知识圈，了解更多甚至我们一般短期内无法了解到的信息。Linux内核由无数开源社区的“大神们”精心维护，这些人都可以称得上一顶一的代码高手。透过阅读Linux内核代码的方式，我们学习到的不光是内核相关的知识，在我看来更具价值的是学习和体会它们的编程技巧以及对计算机的理解。 内核源码的分析并非“高不可攀”。内核源码分析的难度不在于源码本身，而在于如何使用 内核的设计是优美的。在一般的应用软件设计领域，编码的地位可能不被过度的重视，因为开发者更注重软件的良好设计，而编码仅仅是实现手段问题——就像拿斧子劈柴一样，不用太多的思考。这在内核中并不成立。

基于RNN(循环神经网络)空中目标意图识别_kereas源码+数据集+程序说明及注释 程序为使用循环神经网络进行意图识别的程序 程序设计语言为Python 3.7.6；开发环境为Anaconda。循环神经网络模型由Python的keras 2.3.0库实现。 代码可以生成损失函数曲线，精确度曲线； 可自定义修改梯度下降方法，损失函数。

圣诞树源码 即开即用注释清晰

基于DFA的C语言注释删除程序，经过分析需要删除的注释大概有一下4中情况： 1、int a ; //这里是注释 ； 2、int a ; /*这里 是注释 是的*/ ； 3、int a ; /*这里是注释*/ ； 4、对于字符串中的注释符不做处理如： printf("adfadsf/*sdfaf*/ \n"); 对其中的/**/之间的注释不做处理 printf("adfasdf//adsfadsf//afdadsf\n");对其中的//注释也不做处理 5、对于换行符 \ 不做处理；

包含以下： 求矩阵的LU分解,以及求解x； 线性方程组的迭代法：雅可比迭代、高斯-赛德尔迭代、超松弛迭代； Richardson外推加速算法求数值微分； 多项式拟合； 复化梯形公式求积分； 求解一个函数的泰勒展开； 牛顿插值。

一个简单的网格搜索框架 网格搜索就是穷举法，对所有可能的参数组合都带入程序，进行尝试。 模型参数对应：SARIMA(p,d,q)(P,D,Q)m，对于模型来说并不是所有输入参数都是有效的， 如季节周期参数m不能为0，当m=0时，会导致SARIMAX函数报错。 以SARIMA模型为示例，介绍了如何对模型的参数进行网格搜索来找到较优参数 SARIMA是对AR,MA,ARIMA模型的改进，添加了季节周期的因素在里面 在网格搜索配置超参数的时候也是一个学习点

单变量时间序列预测开发深度学习模型_python源码+数据+超详细注释 内容： 多层感知器模型 卷积神经网络模型_CNN 递归神经网络模型_LSTM 递归神经网络模型_CNN+LSTM 递归神经网络模型_ConvLSTM2D 本文使用了5种不同的网络模型,实现了一元序列的自回归 1.MLP：多层感知机 2.CNN：卷积 3.LSTM：长短周期 4.CNN+LSTM卷积+长短周期 5.ConvLSTM2D卷积+长短周期 并且分别比较了5中模型的预测效果，CNN模型相对来时是最好的。 深度学习在一元时间序列预测中表现并不佳

基于KNN的室内运动时间序列分类项目源码+数据+超详细注释 通过布置在不同房间的传感器获取到穿戴设备的人的移动数据，预测人的移动轨迹（人在哪个房间），场景见文件夹内示意图 内容包含： 1.数据说明见IndoorMovement\数据说明.txt 2.如何用pandas加载csv，并且画数数据的折线图，柱状图 3.用最小二乘法对数据进行线性拟合，并画出图像 4.数据特征工程:所有MovementAAL_RSS文件中最小的文件包含19条数据，所以默认以19作为数据集维度，故每个文件取最后19条，根据MovementAAL_DatasetGroup中的分组对应关系，将MovementAAL_RSS作为输入，MovementAAL_target作为输出，将文件按关联关系拼成train和test集合 5.将构建好的，维度为19的数据分别代入7种模型进行评估准确性，7种模型分别为LogisticRegression，KNN，DecisionTreeClassifier，SVM，RandomForestClassifier，GradientBoostingClassifier

基于KNN实现使用脑电波预测眼睛睁闭项目源码+数据+超详细注释 任务：根据获取的脑电波的数据，预测人的眼睛是睁开的开始闭上的 内容包含： 1.做数据基本预览时发现数据有部分异常值存在 2.对数据异常值进行处理，当数据值超过三倍标准差时，作为异常值删除掉 3.使用K折交叉重构数据，以便对数据进行重复验证，令K=10，将数据分成10组 4.用KNN模型对数据进行预测，model = KNeighborsClassifier(n_neighbors=3)表示设置KNN的参数K=3 5.本文后续讨论了对于有时间序列特点的数据使用KNN可能具有的缺陷，对打乱顺和正常顺序的数据进行预测结果是有较大差异的，因为KNN是找到最相似的数据聚类，但对于具有时间序列特征的数据，在高频取数的数据集中，连续时间上相邻的数据一定是最为相似的。