人工智能-项目实践-关联规则挖掘-本项目使用了 FP-Growth 和 K-Means 两种算法，挖掘了我校图书馆借阅记录中的隐藏信息，并以此为基础开发了相应的图书推荐算法

CAPTCHA，是全自动区分计算机和人类的图灵测试，是一个旨在区分人类用户和机器或者机器人的计算机程序,通常作为防止垃圾邮件和数据滥用的安全措施。CAPTCHA的概念最早于1997年被提出,互联网搜索公司 Alta Vista试图阻止自动提交的URL扭曲其平台上的搜索引擎算法。为了解决这个问题, Alta vista的首席科学家 Andrei Broder提出了一种生成随机文字图像的算法,这些文字图像很容易被人类识别,但却不能被机器人识别，后来,在2003年, Luis von Ahn、Manuel Blum、Nicholas J Hopper和John Langford完善了这个技术,并将其称为 CAPTCHA。最常见的CAPTCHA形式需要用户在扭曲的图像中识别字母和数字。之所以这个测试能达到目的,是基于一个简单的前提:人类很容易分辨扭曲图像中的字母和数字,而自动程序或机器人却无法区分它们。

CAPTCHA，是全自动区分计算机和人类的图灵测试，是一个旨在区分人类用户和机器或者机器人的计算机程序,通常作为防止垃圾邮件和数据滥用的安全措施。CAPTCHA的概念最早于1997年被提出,互联网搜索公司 Alta Vista试图阻止自动提交的URL扭曲其平台上的搜索引擎算法。为了解决这个问题, Alta vista的首席科学家 Andrei Broder提出了一种生成随机文字图像的算法,这些文字图像很容易被人类识别,但却不能被机器人识别，后来,在2003年, Luis von Ahn、Manuel Blum、Nicholas J Hopper和John Langford完善了这个技术,并将其称为 CAPTCHA。最常见的CAPTCHA形式需要用户在扭曲的图像中识别字母和数字。之所以这个测试能达到目的,是基于一个简单的前提:人类很容易分辨扭曲图像中的字母和数字,而自动程序或机器人却无法区分它们。

人工智能-项目实践-开发框架-基于Python的开源量化交易平台开发框架 VeighNa是一套基于Python的开源量化交易系统开发框架，在开源社区持续不断的贡献下一步步成长为多功能量化交易平台，自发布以来已经积累了众多来自金融机构或相关领域的用户，包括私募基金、证券公司、期货公司等。

人工智能-项目实践-音乐软件-一个基于 electron 的音乐软件 一个基于 Electron + Vue 开发的音乐软件。 所用技术栈： Electron 17 Vue 3 已支持的平台： Windows 7 及以上 Mac OS Linux

人工智能-项目实践-文件预览-基于 Spring Boot 的文件在线预览项目 此项目为文件文档在线预览项目解决方案，对标业内付费产品有【永中office】【office365】【idocv】等，在取得公司高层同意后以Apache协议开源出来反哺社区 项目特性 支持 office, pdf, cad 等办公文档 支持 txt, xml(渲染), md(渲染), java, php, py, js, css 等所有纯文本 支持 zip, rar, jar, tar, gzip 等压缩包 支持 jpg, jpeg, png, gif, tif, tiff 等图片预览（翻转，缩放，镜像） 使用 spring-boot 开发，预览服务搭建部署非常简便 rest 接口提供服务，跨语言、跨平台特性(java,php,python,go,php，....)都支持，应用接入简单方便 抽象预览服务接口，方便二次开发，非常方便添加其他类型文件预览支持 最最重要 Apache 协议开源，代码 pull 下来想干嘛就干嘛

人工智能-项目实践-鸢尾花分类-Python 基于BP神经网络实现鸢尾花的分类 本文用Python实现了BP神经网络分类算法，根据鸢尾花的4个特征，实现3种鸢尾花的分类。 算法参考文章：纯Python实现鸢尾属植物数据集神经网络模型 iris_data_classification_bpnn_V1.py 需使用 bpnn_V1数据集 文件夹中的数据 iris_data_classification_bpnn_V2.py 需使用 bpnn_V2数据集 文件夹中的数据 iris_data_classification_knn.py 需使用 原始数据集 文件夹中的数据 iris_data_cluster_sklearn.py 需使用 sklearn数据集 文件夹中的数据 不同数据集里数据都是一样的，只是为了程序使用方便而做了一些格式的变动。

人工智能-项目实践-深度学习-使用深度学习来识别 captcha 验证码 本项目会通过 Keras 搭建一个深度卷积神经网络来识别 captcha 验证码，建议使用显卡来运行该项目。 下面的可视化代码都是在 jupyter notebook 中完成的，如果你希望写成 python 脚本，稍加修改即可正常运行，当然也可以去掉这些可视化代码。 2019 年更新了： 适配了新版 API 提高了数据生成器的效率 使用了 CuDNNGRU 提高了训练和预测效率 更新了文档

人工智能-项目实践-实体识别-基于tensorflow深度学习的中文的命名实体识别 一个中文的实体命名识别系统 当前版本基于双向循环神经网络（BiRNN） + 条件随机场（CRF）来完成实体的标注。 基本思路是利用深度神经网络提取特征，从而避免了手动提取特征的麻烦。 第二部和传统的方式一样，使用CRF在做最后的标注。 该程序使用Tensorflow完成，使用了当前较新的DataSet API，使数据预处理和feed更优雅。 由于使用了新的API， Tensorflow版本必须大于1.2.0，代码升级后使用的是TensorFlow1.4，不确定原来Tensorflow1.2是否还兼容。

人工智能-项目实践-植物分类-基于SVM的Plant Seedlings Classification植物分类 基于SIFT特征、颜色特征、HOG特征的SVM分类模型，使用的是传统的特征提取和机器学习的方法。未涉及神经网络等深度学习方法 本模型在Kaggle平台提交后可以达到0.9的Score