《机器学习》算法实例-决策树算法-预测鱼类和非鱼类实例
根据不浮出水面是否可以生存、是否有脚蹼2 个特征，将动物分成两类: 鱼类和非鱼类。
收集数据: 可以使用任何方法
准备数据: 树构造算法（这里使用的是ID3算法，因此数值型数据必须离散化。）
分析数据: 可以使用任何方法，构造树完成之后，我们可以将树画出来。
训练算法: 构造树结构
测试算法: 使用习得的决策树执行分类
使用算法: 此步骤可以适用于任何监督学习任务，而使用决策树可以更好地理解数据的内在含义
2021-12-15 17:10:28
2.96MB
1
手动收集的鱼类图集，含5种常见鱼类，共75张图片。在深度学习、计算机视觉科研、物体分类等领域用于科研数据集，己设置分类标签。
2021-12-10 19:21:18
1.88MB
1
FishPhyloMaker
为当地鱼类种群建立系统发育
FishPhyloMaker软件包的核心功能是FishPhyloMaker ，该功能通过下载提供的系统发育并通过依次替换和丢弃原始系统发育的鱼类来编辑该系统发育来获得。系统发育树，仅包含数据框中指定的所需物种。 该过程从添加树中已经存在任何属的所有鱼类（同属物种）开始。 对于没有相同属的任何代表的物种，该功能将查找同一科的所有物种，如果树中不存在任何物种，则对相同顺序的物种进行搜索。 通过交互过程，用户必须指定树中要插入物种最相关的那个属（或按顺序排列的属）中的哪个属。 该函数返回一个phylo对象，该对象包含data参数中提供的物种的系统发育和一个数据框（如果参数return.insertions = TRUE ），其中包含所有物种，并带有一个字符，该字符指示在树中添加了该物种的级别。 可以根据物种的插入顺序对物种进行标记的
2021-11-28 20:53:59
776KB
1
在Node.js中使用Google Dialogflow，Google Firestore和Google Cloud Functions的Whatsapp Chatbot
使用Google Dialogflow和Google Cloud功能构建了一个Whatsapp聊天机器人。
机器人对话流程是使用Intents在dialogflow中构建的。chatbot使用请求响应格式。 有些响应是静态的，不会改变，因此可以在dialogflow中对其进行硬编码。 但是对于将对话变为对话的消息，需要进行一些计算，因此，这种逻辑托管在名为“ Dialogflow Fulfillment”的服务器上，在这种情况下，我使用了Google Cloud函数。
对话流架构名为“ dialogflow-agent.zip”的zip文件具有对话流代理，该对话流代理具有会话的整个结构。 通过云函数托管的Dial
2021-11-25 15:42:57
232KB
1
Fish4knowledge项目进行了调查：用于分析海底视频数据（从10E + 15像素到10E + 12信息单位）的信息抽象和存储方法，用于检测和描述鱼类的机器和人类词汇，用于处理数据的灵活过程架构和科学查询和有效的专业用户查询界面。 结合了计算机视觉，数据库存储，工作流和人机交互方法来实现这一目标。 该项目使用来自10个水下摄像机的实时视频作为测试平台，以研究更通用的捕获，存储，分析和查询多个视频流的方法。 我们整理了一个3年的公共数据库，其中包含观察到的鱼的视频摘要和相关的描述符。 开发了基于专家的基于Web的界面，供海洋研究人员使用，从而可以前所未有地访问实时和先前存储的视频或先前提取的信息。
2021-10-26 15:13:26
54KB
1