1、内容概要：本资源主要基于TextCNN（keras）实现文本分类，适用于初学者学习文本分类使用。
2、数据集为电商真实商品评论数据，主要包括训练集data_train，测试集data_test ，经过预处理的训练集clean_data_train和中文停用词表stopwords.txt，可用于模型训练和测试，详细数据集介绍见商品评论情感数据说明文档。
3、源代码：word2vec_analysis.py 是基于Word2Vec进行词向量的生成，采用向量平均求得句向量，然后分别构建RandomForest和GBDT分类模型进行文本分类。
4、源代码：textcnn_model.py是基于Keras构建CNN、TextCNN卷积神经网络模型对文本进行分类。
2022-05-07 08:29:02
11.13MB
该单词库功功能实现：1.四级、六级、托福、雅思、普通成人高考词汇查看与搜索
2.选择不同速度播放。
3.计时。可记录自己学习了多长时间
包括自己写的源程序。还有这个程序的原始图片、数据库等资料。
2022-05-01 16:35:19
15.5MB
1
1、内容概要：本资源主要基于bert（keras）实现文本分类，适用于初学者学习文本分类使用。
2、数据集为电商真实商品评论数据，主要包括训练集data_train，测试集data_test ，经过预处理的训练集clean_data_train和中文停用词表stopwords.txt，可用于模型训练和测试，详细数据集介绍见商品评论情感数据说明文档。
3、源代码：word2vec_analysis.py 是基于Word2Vec进行词向量的生成，采用向量平均求得句向量，然后分别构建RandomForest和GBDT分类模型进行文本分类。
4、源代码：bert_model.py是基于keras-bert构建Bert模型对文本进行分类。
2022-04-21 00:11:16
11.13MB
1、内容概要：本资源主要使用深度学习相关方法构造漏洞分类模型进行实验调研。适用于初学者学习软件漏洞分类使用。本次实验使用的是从2002年到2019年5月份的NVD漏洞数据。详见资源nvdcve文件夹。
2、源代码文件说明
（1）xml_to_excel.py：漏洞数据预处理脚本，将xml格式NVD原始数据转换为excel格式的标准漏洞文件。
（2）vul_plot.py：统计和可视化漏洞数据脚本。nvd_dataset.py：获取前n个漏洞类型的数据脚本。features_keywords.py：特征提取脚本，训练集和测试集文本向量化。
（3）lstm_model.py：构建双向GRU分类模型Bi-GRU；C-LSTM串联模型；构建word2vec模型；数据预处理 ；指标评价可视化。
（4）cgru_model.py：TextCGRU串联，构建word2vec模型；数据预处理；指标评价可视化等。
3、figures文件夹包含模型图绘制，评价指标可视化。
4、nvdcve文件夹包含原始数据，预处理数据，词向量模型w2v_model.pkl和分类模型较大自己训练即可）。
2022-04-18 22:00:05
185.09MB
1、内容概要：本资源主要基于Python实现kdd99入侵检测数据集预处理，搭建DNN和CNN神经网络实现kdd99入侵检测分类，适用于初学者学习入侵检测分类使用。
2、入侵检测数据集： 该数据集是从一个模拟的美国空军局域网上采集来的9个星期的网络连接数据,分成具有标识的训练数据和未加标识的测试数据。KDD99数据集总共由500万条记录构成，它还提供一个10%的训练子集kddcup.data_10_percent_corrected和测试子集corrected。
3、源代码Handle_data.py是kdd99数据集预处理源代码，kddcup.data_10_percent_corrected.xls是预处理后的数据集。
4、源代码：Kdd_dnn.py是基于DNN神经网络对入侵检测数据集进行分类；kdd_cnn.py是基于CNN神经网络对入侵检测数据集进行分类。
2022-04-16 18:09:43
5.22MB
1、内容概要：本资源主要基于XGBoost与LightGBM实现文本分类，适用于初学者学习文本分类使用。
2、数据集为电商真实商品评论数据，主要包括训练集data_train，测试集data_test ，经过预处理的训练集clean_data_train，训练好的word2vec词向量模型w2v_model.pkl和中文停用词表stopwords.txt，可用于模型训练和测试，详细数据集介绍见商品评论情感数据说明文档。
3、源代码：word2vec_analysis.py 是基于Word2Vec进行词向量的生成，采用向量平均求得句向量，然后分别构建RandomForest和GBDT分类模型进行文本分类。
4、源代码：xgboost_model.py是基于xgboost模型对文本进行分类。
5、源代码：lightGBM_model.py是基于lightGBM模型对文本进行分类。
2022-04-16 14:07:38
37.99MB