@参考Python 机器学习基础教程 鸢尾花分类 一个简单的机器学习应用，构建第一个模型。 对鸢尾花的分类，根据测量数据进行，该测量数据则为特征。测量数据：花瓣的长度和宽度、花萼的长度和宽度，所有测量结果的单位为cm 我们的目标是构建一个机器学习模型 因为有已知品种的鸢尾花的测试数据，所以这是一个监督学习问题。我们要在多个选项中预测其中一个（品种）。这是一个分类（classsification）问题。可能的输出（鸢尾花的不同品种）叫做类别（class）。数据集中共有三个类别（setosa、versicolor、virginica）。对于一个数据点来说，它的品种叫做标签（label）。 1、初识

1.深度学习实现中草药(中药材)识别《Pytorch实现中药材(中草药)分类识别(含训练代码和数据集)》 https://blog.csdn.net/guyuealian/article/details/129880963 2.中草药(中药材)图片数据集(Chinese-Medicine-163)： https://blog.csdn.net/guyuealian/article/details/129883396

根据自然资源部国土整治中心发布的第三次全国国土调查县级耕地资源质量分类数据库标准建设的数据库空库。表格基本确定，后期改动很少。

使用了神经网络算法对锂电池的健康程度进行分类，同时使用了梯度下降法，共轭梯度法与基于拟牛顿法等对数据进行分类比较。

matlab开发-电液比例方向控制阀。该模型模拟了超高压直流输电系统的稳态和瞬态特性。

ICD-10国际标准病证分类及编码(国际标准的ICD-10疾病编码)

一个完整的迁移学习的过程完整代码

数据集8732标记了以下10类城市声音的声音摘录（<= 4s）：空调，car_horn，儿童游戏，dog_bark，钻探，引擎怠速，gun_shot，手提凿岩机，警笛声和street_music。 使用称为开源库完成特征提取。 Librosa允许您加载声音文件，提取特征，生成波形图等。 我们将研究标准的多感知器模型以及卷积网络和递归网络。 这是使用完成的，它提供了高级神经网络API。 我想在将来尝试使用的一种模型是时间卷积网络（TCN），它基于对。 TCN的最重要组成部分是因果卷积。 “因果”仅表示在时间步t处的过滤器只能看到不迟于t的输入。 使用膨胀卷积的目的是用更少的参数和更少的层来获得更大的接收场。 TCN还使用残差块，将两个膨胀的卷积层堆叠在一起，并将最终卷积的结果加回到输入中以获得块的输出。 要求： librosa == 0.6.0 熊猫== 0.20.3 凯拉斯== 2.

通过java代码实现图片筛选，并能根据图片名称、类型等将筛选出的图片另存为到自定义文件中保存，非常适合对大量未分类的图片进行筛选、整理工作，可以节省大量图片分类工作！

神经网络实现分类matlab代码人工神经网络的 LRP 工具箱 (1.3.0) 逐层相关性传播 (LRP) 算法通过使用学习模型本身的拓扑将相关性分数归因于输入的重要组成部分来解释特定于给定数据点的分类器的预测。 LRP 工具箱为支持 Matlab 和 python 的人工神经网络提供了简单且可访问的 LRP 独立实现。 工具箱实现了 Caffe 深度学习框架的 LRP 功能，作为 10/2015 发布的 Caffe 源代码的扩展。 Matlab 和 python 的实现旨在作为沙箱或游乐场，让用户熟悉 LRP 算法，因此在实现时考虑了可读性和透明度。 可以使用原始文本格式、Matlab 的 .mat 文件和 python/numpy 的 .npy 格式导入和导出模型和数据。 查看 LRP 工具箱的实际应用 要在浏览器中试用基于 python 的 MNIST 演示或基于 Caffe 的 ImageNet 演示，请单击相应的面板： MNIST 图片 文本 基于神经网络的简单 LRP 演示，可预测手写数字并使用 MNIST 数据集进行训练。 基于使用 Caffe 实现的神经网络的更复杂的