支持向量机_with_python 在本笔记本中，我们介绍了支持向量机（SVM）算法，这是一种功能强大但简单的监督学习方法，用于预测数据。 对于分类任务，SVM算法尝试将特征空间中的数据划分为不同的类别。 默认情况下，这种划分是通过构造最佳分割数据的超平面来执行的。 为了进行回归，构造了超平面以映射数据分布。 在这两种情况下，这些超平面均以非概率方式映射线性结构。 但是，通过采用内核技巧，我们可以将非线性数据集转换为线性数据集，从而使SVM可以应用于非线性问题。 SVM是功能强大的算法，已得到广泛普及。 这部分是由于它们在高维特征空间中有效，包括那些特征数与实例数相似或略微超过实例数的问题。 与具有大量数据集的内存需求很高的KNN不同，SVM可以提高内存效率，因为仅需要支持向量即可计算超平面。 最后，通过使用不同的内核，SVM可以应用于各种学习任务。 另一方面，这些模型是黑匣子，很难解释

基于PyTorch实现昆虫分类任务 有数据代码 可直接运行-数据 基于PyTorch实现昆虫分类任务 有数据代码 可直接运行-数据

基于PyTorch搭建CNN实现视频动作分类任务 有数据有代码 可直接运行 数据基于PyTorch搭建CNN实现视频动作分类任务 有数据有代码 可直接运行 数据

资源包括：论文，代码以及数据！【均为原创】 实现多种对Cifar-10数据集的分类器，并比较其算法精度。要求基于PyTorch设计并实现以下三种分类器，并利用Cifar-10的测试集评估各分类器的性能：线性回归分类器；全连接人工神经网络分类器；卷积神经网络分类器。后两种分类器的超参数由自由选择，不要雷同。报告要求如下： 问题定义：Cifar-10数据集和分类问题的定义，对求解问题进行建模。 算法设计：介绍三种分类器的设计细节。 实验结果：对三种分类器的性能，以及超参数的选择进行评估。 字数要求：不少于2500字（不得包含任何程序代码）

北京邮电大学计算机学院鲁鹏老师的计算机视觉与深度学习课程第二章：图像分类任务

运行记录： 训练集每类9k数据集，训练集一般为每类1k； 1.利用英文数据集进行二分类，因为数据可能过于中和，运行正确率在85%左右，其中测试集没有label输出自己评价可以发现测试集正确率和验证集类似，大约85%，epoch为2 2.利用上述影评二分类，label 0 1 对应1 5星影评，正确率在99%+ 3.利用上述影评三分类，label 0 1 2对应1 3 5星影评，正确率在99%左右 4.利用上述影评四分类，label 0 1 2 3对应1 3 4 5星影评，小数据训练，135星各9k训练集，4星10个训练集，输出相同大小，准确率78%左右，也就是说基本预测错误，说明不可以进行小规模训练。 5.利用上述影评五分类，label 0 1 2 3 4对应1 2 3 4 5星影评，正确率97%+

在CIFAR10数据集上做的图像分类任务，使用了多个主流的backbone网络，希望可以为想要入门深度学习的同志们，提供一个方便上手、容易理解的教程。

从别人的java源码中提取方法掌纹识别 该项目主要完成掌纹特征提取和分类任务。 数据集包含99个人的掌纹图片，其中每个人的3张掌纹图片分布在训练集中，其他3张掌纹图片分布在测试集中。 在该项目中，我尝试了使用SIFT提取特征的传统方法以及使用KNN进行分类的方法，其准确率达到了97.31％，还尝试了卷积神经网络方法（例如ResNet），获得了83.16％的准确性。 另外，我还尝试使用高斯滤波器，Gabor滤波器等。 处理掌纹图像并从掌纹图像中提取纹理，但是这些方法并没有提高掌纹识别的准确性。 参考博客：

大三人工智能情感分类任务，其中包含CNN、LSTM、GRU、BiLSTM、BiGRU、TC-LSTM、TD-LSTM以及它们的注意力模型等pytorch版本代码，可以直接运行。里面还包括了情感分类任务的介绍以及实验报告的word版本。

本例提取了植物幼苗数据集中的部分数据做数据集，数据集共有12种类别，今天我和大家一起实现tensorflow2.X版本图像分类任务，分类的模型使用EfficientNetB0。 通过这篇文章你可以学到： 1、如何加载图片数据，并处理数据。 2、如果将标签转为onehot编码 3、如何使用数据增强。 4、如何使用mixup。 5、如何切分数据集。 6、如何加载预训练模型。 原文链接：https://blog.csdn.net/hhhhhhhhhhwwwwwwwwww/article/details/122807559