贝叶斯分类器构建网络，对豆瓣进行情感分析；TF-IDF

The Oxford-IIIT Pet Dataset是一个宠物图像数据集，包含37种宠物，每种宠物200张左右宠物图片，并同时包含宠物轮廓标注信息。

乳腺癌数据集 Python 预测模型 乳腺癌数据集二分类预测 机器学习 深度学习 网格搜索+logistic逻辑回归+神经网络+SVM支持向量机+KNN 条形图折线图可视化 预测效果较好，拟合较为准确。 jupyter notebook numpy pandas matplotlib sklearn 数据分析 数据挖掘

支持向量机仅将数据分为两类。 此函数通过为测试数据集中的每一行“搜索”正确的类来消除该限制。 这段代码是对Anand Mishra的代码的澄清和优化，可在此处找到： http://www.mathworks.com/matlabcentral/fileexchange/33170-multi-class-support-vector-machine 仅与 2 个以上的类一起使用，否则直接使用 svmtrain()。 用法示例： %% SVM 多类示例% SVM 本质上是一对一的分类。 % 这是一个如何使用% 一比一的方法。 训练集=[ 1 10;2 20;3 30;4 40;5 50;6 66;3 30;4.1 42]; 测试集=[3 34; 1 14; 2.2 25； 6.2 63]； GroupTrain=[1;1;2;2;3;3;2;2]; 结果 = multisvm(Tr

PyTorch项目模板由以下工具赞助； 请通过查看并注册免费试用来帮助支持我们 PyTorch项目模板 聪明地实施PyTorch项目。 PyTorch项目的可扩展模板，包括图像分割，对象分类，GAN和强化学习中的示例。 考虑到深度学习项目的性质，我们没有机会考虑项目结构或代码模块化。 在处理了不同的深度学习项目并面对文件组织和代码重复的问题之后，我们提出了一个模块化项目结构来容纳任何PyTorch项目。 我们还想为社区提供各种PyTorch模型的基础。 这是和之间的联合工作 目录： 为什么使用此模板？ 我们正在为任何PyTorch项目提出一个基准，以帮助您快速入门，在此您将有时间专注于

IGH ethercat 引用头文件进行了目录分

CS229 机器学习 - 秋季 2014-15 使用脑电图对想象语音中的音节进行分类 预测：想象语音是指受试者想象在不移动任何肌肉或声音的情况下说出给定单词的过程。 理解想象语音的能力将从根本上改变我们与设备交互的方式。 我们想从想象的语音 EEG 信号中对音节“ba”、“ku”、“im”和“si”进行分类。 选择这些音节是因为它们不包含语义含义，因此将对想象的语音进行分类，而不是对想象的语音产生的语义贡献。 我们的模型能够成功地从 EEG 数据中对音节对进行分类，准确率超过 90%。 数据收集：我们利用 Takako Fujioka 教授在音乐与声学计算机研究中心 (CCRMA) 的 EEG 实验室创建了自己的数据集。 在我们的实验中，受试者想象根据预先确定的音频线索说出四个音节“ba / ku”和“im / si”，同时脑电图记录他们的脑电波活动。 音频提示对应于高音或低音。 嘟嘟

行业分类-设备装置-一种基于动作识别技术的体育教学辅助系统及其实现方法

模式识别与机器学习感知机算法python实现，PLA，POCKET，代码实现与实例解决。题目分析。

matlab开发-电压控制双向转换器。电压控制的DC/DC双向变换器，上传多个Simulink版本