基于FPGA的纸病检测预处理算法的实现.pdf

人脸识别测试（通过对图像预处理，达到精确识别图像中人脸的效果）

数据挖掘原理与SPSS_Clementine应用宝典.ppt 数据挖掘 机器学习原理与SPSS Clementine应用宝典 第1章 数据挖掘概述.ppt 数据挖掘 机器学习原理与SPSS Clementine应用宝典 第2章 数据挖掘可挖掘的知识类型.ppt 数据挖掘 机器学习原理与SPSS Clementine应用宝典 第3章 数据挖掘的体系结构与模型.ppt 数据挖掘 机器学习原理与SPSS Clementine应用宝典 第4章 数据选择.ppt 数据挖掘 机器学习原理与SPSS Clementine应用宝典 第5章 数据预处理.ppt 数据挖掘 机器学习原理与SPSS Clementine应用宝典 第6章 回归分析.ppt 数据挖掘 机器学习原理与SPSS Clementine应用宝典 第7章 贝叶斯分析.ppt 数据挖掘 机器学习原理与SPSS Clementine应用宝典 第8章 聚类分析.ppt 数据挖掘 机器学习原理与SPSS Clementine应用宝典 第9章 决策树算法.ppt 数据挖掘 机器学习原理与SPSS Clementine应用宝典 第10章 关联规则.ppt 数据挖掘 机器学习原理与SPSS Clementine应用宝典 第11章 粗糙集理论.ppt 数据挖掘 机器学习原理与SPSS Clementine应用宝典 第12章 神经网络.ppt 数据挖掘 机器学习原理与SPSS Clementine应用宝典 第13章 遗传算法.ppt 数据挖掘 机器学习原理与SPSS Clementine应用宝典 第14章 支持向量机.ppt 数据挖掘 机器学习原理与SPSS Clementine应用宝典 第15章 复杂对象数据挖掘.ppt 数据挖掘 机器学习原理与SPSS Clementine应用宝典 第16章 数据挖掘建模.ppt 数据挖掘 机器学习原理与SPSS Clementine应用宝典 第17章 数据挖掘模型评价.ppt 数据挖掘 机器学习原理与SPSS Clementine应用宝典 第18章 SPSS Clementine基础.ppt 数据挖掘 机器学习原理与SPSS Clementine应用宝典 第19章 SPSS Clementine数据管理.ppt 数据挖掘 机器学习原理与SPSS Clementine应用宝典 第20章 数据的图形化展示.ppt 数据挖掘 机器学习原理与SPSS Clementine应用宝典 第21章 数据模型.ppt 数据挖掘 机器学习原理与SPSS Clementine应用宝典 第22章 数据挖掘结果的输出.ppt 数据挖掘 机器学习原理与SPSS Clementine应用宝典 第23章 数据挖掘项目实施.ppt 数据挖掘 机器学习原理与SPSS Clementine应用宝典 第24章 SPSS_Clementine典型案例分析.ppt

搜索引擎文本预处理python，包括1.爬虫代码 2.中英文分词代码 3.词根提取代码 4.文档余弦距离计算 5.文档聚类

基于Matlab的车牌图像预处理的研究与实现.pdf

该程序可以获取原始激光散斑数据并将其作为 3d 数据处理为 .mat 文件。 因此，任何 3d 数据都可以加载到进行数据分析的程序中。 这包括傅立叶和差分映射、ROI 分析、平滑、裁剪、可视化以及将数字和更改保存为新的 .mat 文件的可能性，以便以后再次加载。 // 与 Mikkel Schou 和 Rasmus Hvid 平等合作制作。 Dmitri Postnov 提供的处理原始数据散斑数据的函数。

京东评论情感分析模型，主要包括1、数据获取及探索性分析；2、文本预处理、文本分词、文本向量化、特征提取、

为了查明不同种类微生物预处理对煤转化生物气的促进效果，选用绿孢链霉菌(St)、白腐菌(Ph)、假单胞菌(Ps)3类菌种分别对褐煤进行预处理和厌氧发酵试验。通过生物产气效果检测、Gompertz方程模拟和扫描电子显微镜（SEM）方法探讨不同种类微生物预处理对产气的影响及内在原因。结果表明：在CH4的总产气量方面，与原煤（Y）相比绿袍链霉菌、白腐菌和假单胞菌预处理后的褐煤都有大幅的增加，增幅各达到了33.86%、165.28%、69.18%；拟合可知St、Ph和Ps相比Y的最大比产甲烷量都有增加，分别为14.61%、154.49%和96.10%，微生物预处理对煤转化生物气的促进效果依次为白腐菌、绿孢链霉菌和假单胞菌。不同微生物的体积及其附着特征对预处理效果有重要影响，体积较小的菌种预处理效果较好，且预处理促使煤的孔-裂隙和表面粗糙度都显著增加，为后期厌氧发酵菌作用煤提供了便利条件。

已分类好的新闻文本数据，内含十个类别，财经、股票、教育、科技、社会、游戏等等，共约10W篇文本，是一个非常好的数据集。

HarvestText Sow with little data seed, harvest much from a text field. 播撒几多种子词，收获万千领域实 在和上同步。如果在Github上浏览/下载速度慢的话可以转到上操作。 用途 HarvestText是一个专注无（弱）监督方法，能够整合领域知识（如类型，别名）对特定领域文本进行简单高效地处理和分析的库。适用于许多文本预处理和初步探索性分析任务，在小说分析，网络文本，专业文献等领域都有潜在应用价值。 使用案例: （实体分词，文本摘要，关系网络等） （实体分词，情感分析，新词发现[辅助绰号识别]等） 相关文章： 【注：本库仅完成实体分词和情感分析，可视化使用matplotlib】 (命名实体识别，依存句法分析，简易问答系统) 本README包含各个功能的典型例子，部分函数的详细用法可在文档中找到： 具体功能如下： 基本处理