ml-projects：基于ML的项目，例如垃圾邮件分类，时间序列分析，使用随机森林进行文本分类，深度学习，贝叶斯，Python中的Xgboost

机器学习与算法源代码8： 随机森林模型.zip

飞行延迟预测 介绍 延误是任何运输系统中最令人难忘的性能指标之一。 值得注意的是，民航业者将延误理解为航班延误或推迟的时间。 因此，延迟可以由飞机的起飞或到达的预定时间与实际时间之间的差异来表示。 国家监管机构有许多与航班延误的容忍阈值有关的指标。 实际上，航班延误是航空运输系统中必不可少的主题。 2013年，欧洲有36％的航班延误了超过5分钟，而美国有31.1％的航班延误了超过15分钟。 这表明该指标的相关性如何，以及无论航空公司网格的规模如何对其产生影响。 为了更好地了解整个飞行生态系统，每时每刻都会收集来自商业航空的大量数据并将其存储在数据库中。 淹没在传感器和物联网产生的大量数据中，分析人员和数据科学家正在增强其计算和数据管理技能，以从每个数据中提取有用的信息。 在这种情况下，理解领域，管理数据和应用模型的过程被称为数据科学，这是解决与大数据有关的挑战性问题的趋势。 在此项目中，我

森林防火视频监控管理APP，实现简易的界面及跳转。主要包括：注册登录，注册登录包括用户注册、用户登录功能；火灾影像资源管理，火灾影像资源管理包括视频检索、视频在线播放、视频下载、批量删除视频、图片检索、图片在线查看和图片下载功能。报警事件管理，报警事件管理包括材料信息的查看、查找和审核功能。用户管理，用户管理包括对个人基本信息的维护和修改。

这是一款3ds max的森林插件forest pack pro，如果想要建模大片森林并随地形起伏变化的，很实用呢。

森林火灾预防自动巡逻航拍概述: 本系统是基于英飞凌无人机套件设计的森林火灾自动巡视无人机方案， 在单片机控制系统的基础上搭建以4G通信进行整体控制的系统调度平台，逐步实现多台无人机的稳定飞行、定高定点飞行、巡航且自主返航、火灾险情捕捉及报警等；其优点是可以节省大量劳动力进行森林火灾防护，在一个平台的监控下，可全方位对森林进行保护，无人机可以自动巡航，自动返航，和调度台无线通信，确保第一时间得到森林险情，缺点主要在于恶劣天气下无人机通讯受影响严重，GPS定位有误差，无人机在巡航中损坏后难以找回。 整个设计过程包括电子系统的设计技术及调试技术，包括需求分析，原理图的绘制，pcb板的绘制，制版，器件采购，安装，焊接，硬件调试，软件模块编写，软件模块测试，系统整体测试等整个开发调试过程。 演示视频 第一次试飞视频:链接:https://v.youku.com/v_show/id_XMTcyMTg5MjQxMg==.html 第二次试飞视频:链接:https://v.youku.com/v_show/id_XMTczMjYwODIwMA==.html 最终方案展示视频:链接:https://v.youku.com/v_show/id_XMTc2MjkyNjc0MA==.html 作品实物图展示:

项目背景：运用回归模型进行房价预测。影响房价的因素有很多，在本题的数据集中有79个变量几乎描述了爱荷华州艾姆斯（Ames，lowa）住宅的方方面面，要求预测最终的房价。 数据介绍：使用BartdeCock于2011年收集 [DeCock,2011]， 涵盖了 2006−2010 年期间亚利桑那州埃姆斯市的房价。 技术栈： 特征工程（Creative feature engineering） 回归模型（Advanced regression techniques like random forest and gradient boosting） 常规模型融合：多模型平均融合、 高阶模型融合方法：bagging、boosting 目标： 预测出每间房屋的价格，对于测试集中的每一个ld，给出变量SalePrice相应的值。 算法通过计算平均预测误差来衡量回归模型的优劣。平均预测误差越小，说明回归模型越好。

matlab合并代码窗口结构化森林 版本1.1 更新： 使用压缩来减小模型大小。 用Cython重写直方图功能以加快检测速度。 微调一些参数以稍微提高精度。 似乎Anaconda安装的libjpeg软件包在解码图像时存在一些错误。 解码结果与Matlab的imread输出结果不同。 因此，如果您使用Anaconda，则可以考虑卸载libjpeg，然后通过apt-get（对于Ubuntu）重新安装。 版本1.0 Piotr的ICCV论文“用于快速边缘检测的结构化森林”的Python实现。 性能几乎与Piotr的原始（Matlab）实现相同（在BSDS500上，Piotr的：[ODS = 0.738，OIS = 0.758，AP = 0.795，R50 = 0.923]，我的：[ODS = 0.739，OIS = 0.759，AP = 0.796，R50 = 0.924]）。 对于原始实现，请查看作者的网页：。 如何使用 平台：强烈建议使用Ubuntu 14.04 + Anaconda。 不过，我不使用任何平台相关的API。 因此，这些代码也应该在Windows / Mac OS X上也可

如何使用随机森林，Bagging等机器学习中的类，并且其相关的操作原理及流程， 重要参数说明。

钞票认证 这是一个Web应用程序，用于预测空白通知是真实的还是伪造的。 使用的数据集 来自UCI机器学习存储库的钞票身份验证数据集 使用的技术 Python 烧瓶 随机森林分类器 泡菜 屏幕截图