在线实例分类器细化（OICR）的多实例检测网络的PyTorch实现 如何开始 git clone http://www.github.com/jd730/OICR-pytorch 依存关系 Python 3.5或更高版本 火炬0.4.0（不是0.4.1） CUDA 8.0或更高 资料准备 PASCAL_VOC 07 + 12 ：请按照中的说明准备VOC数据集。 实际上，您可以参考其他任何人。 下载数据后，在文件夹data /中创建软链接。 选择性搜寻 wget https://dl.dropboxusercontent.com/s/orrt7o6bp6ae0tc/selective_search_data.tgz tar -xvf selective_search_data.tgz rm -rf selective_search_data.tgz 将selective_search_

包括：haarcascade_eye.xml、haarcascade_eye_tree_eyeglasses.xml、haarcascade_frontalcatface.xml、haarcascade_fullbody.xml、haarcascade_lefteye_2splits.xml、haarcascade_lowerbody.xml、haarcascade_profileface.xml、haarcascade_smile.xml、haarcascade_upperbody.xml等

这里的文件是： 1- load_data：从csv文件导入数据2- 可视化：打印特征分布的直方图。 在名为可视化的文件夹中的训练数据中的两个类。 3-estimate_：估计给定数据的模型4-classify_：根据模型和数据进行分类5-测试：使用 alpha=1:0.1:1000 测试 Naive 分类器并在可视化文件夹中打印一个名为 (accuracy 1-1000.pdf) 的图6- InspectTheModel：尝试衡量每个类的每个特征值的影响7-jointProb：计算给定一个类的两个给定特征值的联合概率8- 互信息：计算训练数据上的互信息以驱动最可能的依赖特征对。 9- testingBonus：使用候选特征对测试朴素分类器。 要运行演示，请运行testing.m，但是根据需要更改开始，步骤和结束！

maxent-srl 使用最大熵分类器的语义角色标记

朴素贝叶斯分类器，包含源代码，IRIS数据集，实测有效

压缩包含一个完整的Qt控制台工程，注释纤细，调试运行通过，也可以直接移植到win32上。（工程中有两个主程序，main.cpp中样本数据格式为opencv的Mat矩阵。main1.c中样本为float型的二维数组。编译的时候把不同的主程序添加进工程即可。main1.cpp可以不要opencv的库。）

超参数调整 使用分类器算法使用GridSearchCV进行超参数调整

svm支持向量机python代码

本文在MATLAB平台上对最小错误率贝叶斯决策和最小风险贝叶斯决策进行测试，比较和分析了实验结果。

假新闻 ，分类为假新闻和真实新闻。 :handshake: 小组项目 :school: :label: “如果你讲的谎言足够大并且不断重复，人们最终会相信它。只有在国家可以保护人民免受谎言的政治，经济和/或军事后果的情况下，才可以维持这种谎言。因此，对于国家来说，运用其一切力量来压制异议至关重要，因为真理是谎言的致命敌人，因此，从广义上讲，真理就是国家的最大敌人。” （ 使命 :anchor: 报告书 :books: 提议 :bookmark_tabs: 中期报告 :bookmark_tabs: 跑步 :male_sign:‍:male_sign: :female_sign:‍:female_sign: 高度 :TOP_arrow: 建议在类似Unix的系统（Linux，macOS等）上运行该应用程序。 ！ 安装依赖项时，使用Windows可能会导致一些问题。 :crying_face: 0.克隆存储库 :down_arrow: git clone https://github.com/vicw0ng-hk/fake-real-news.git 或者，通过SSH克