吴恩达神经网络与机器学习两门课程的所有PPT资源，其中神经网络PPT按照每个章节进行了整理（一节课有时只有2-3页，不方便整理），可以下载后一边学习一边做笔记，方便学习！！

机器学习课程笔记（第一章的第一节和第二节）机器学习的概念和分类

斯坦福大学机器学习课程讲义，吴恩达教授主讲，分析透彻，浅显易懂，初学者和学者均可借鉴

随机森林图像matlab代码PCML项目2 EPFL的MATLAB代码和的报告。 该项目的目标是对属于以下四个类别之一的图像进行分类：马，飞机，汽车或其他。 下载并放入code 。 从中下载培训和测试数据。 将两个.mat文件放在code/data文件夹中。 在code/pca文件夹中运行以下功能，因此已经为每个模型计算了用于二进制和多类预测的k倍训练和测试数据。 可以在两个脚本的Line 5上设置折叠数量和主要成分数量。 precomputeVectors_binary.m （用于在马/飞机/汽车与其他汽车之间进行分类） precomputeVectors.m （用于在四个之间进行分类） 将以下模型应用于分类： k-NN（k-最近邻居） 神经网络 随机森林 支持向量机 在相应模型的文件夹中运行test_.m ： 注意：让我知道任何链接是否无效。

机器学习课程大作业设基于C3Res3Net网络来解决Fashion-MNIST问题机器学习课程大作业设基于C3Res3Net网络来解决Fashion-MNIST问题机器学习课程大作业设基于C3Res3Net网络来解决Fashion-MNIST问题机器学习课程大作业设基于C3Res3Net网络来解决Fashion-MNIST问题机器学习课程大作业设基于C3Res3Net网络来解决Fashion-MNIST问题机器学习课程大作业设基于C3Res3Net网络来解决Fashion-MNIST问题机器学习课程大作业设基于C3Res3Net网络来解决Fashion-MNIST问题机器学习课程大作业设基于C3Res3Net网络来解决Fashion-MNIST问题机器学习课程大作业设基于C3Res3Net网络来解决Fashion-MNIST问题机器学习课程大作业设基于C3Res3Net网络来解决Fashion-MNIST问题机器学习课程大作业设基于C3Res3Net网络来解决Fashion-MNIST问题机器学习课程大作业设基于C3Res3Net网络来解决Fashion-MNIST问题

机器学习课程设计--基于yolov5的海棠花花朵识别检测系统源码+数据集+实验报告。已获高分项目。机器学习课程设计--基于yolov5的海棠花花朵识别检测系统源码+数据集+实验报告。已获高分项目。机器学习课程设计--基于yolov5的海棠花花朵识别检测系统源码+数据集+实验报告。已获高分项目。机器学习课程设计--基于yolov5的海棠花花朵识别检测系统源码+数据集+实验报告。已获高分项目。机器学习课程设计--基于yolov5的海棠花花朵识别检测系统源码+数据集+实验报告。已获高分项目。机器学习课程设计--基于yolov5的海棠花花朵识别检测系统源码+数据集+实验报告。已获高分项目。机器学习课程设计--基于yolov5的海棠花花朵识别检测系统源码+数据集+实验报告。已获高分项目。机器学习课程设计--基于yolov5的海棠花花朵识别检测系统源码+数据集+实验报告。已获高分项目。机器学习课程设计--基于yolov5的海棠花花朵识别检测系统源码+数据集+实验报告。已获高分项目。

机器学习基础知识课件，适用于高年级本科生和低年级研究生。

机器学习课程设计—基于yolov5的海棠花花朵检测识别项目源码+数据集+实验报告。 <2>打标签：用工具labelImg-master进行打标签： 1）在路径栏输入cmd，进入控制台 2）以此执行以下命令： pip install PyQt5 pyrcc5 -o libs/resources.py resources.qrc 3）启动打标签软件：执行：python labelImg.py 将这个图标改为yolov5，按住W再拖动鼠标 进入yolov5根目录打开cmd: 制作好数据集后，接下来就是训练，训练代码如下： # Train YOLOv5s on COCO128 for 3 epochs $ python train.py --img 640 --batch 16 --epochs 3 --data flowers.yaml --weights yolov5s.pt 以下是训练完毕的效果，红框中为提示内容在文件夹哪个位置，是我们需要找到的文件夹：

主要是机器学习(西瓜书），考试的复习题，可能会出原题哈，适用于计算机类偏软件的学生

机器学习课程设计猫狗图像识别检测分类项目源码+数据集 系统源码+猫狗识别数据集+大作业文档以及答辩PPT。 由于数据集中图片数量太多，所以将图片数据打包存在了 cats_and_dogs.zip 里面。 该数据集包含25000张猫狗图像(每个类别各有12500张)。CNN是用这个集合里面的数据进行训练，CNN基于验证集上的性能来调节模型配置（超参数：层数，每层神经元数量等）图像数据输入卷积神经网络之前，应该将数据格式化为经过预处理的浮点数张量。 需要对图像进行向量化处理，同时对标签也要进行向量化处理。 代码位于 5.2_小型数据建立卷积神经网络_猫狗图像分类2.ipynb 中。