在这场比赛中，您将预测图像是否包含轮船或冰山。标签由人类专家和目标上的地理知识提供。所有图像均为带有两个波段的75x75图像。 StatoilC-CORE Iceberg Classifier Challenge_datasets.txt

编写了 Matlab 代码以将叶子分类为以下类型之一：'Alternaria Alternata'、'Anthracnose'、'Bacterial Blight'、'Cercospora Leaf Spot' 和 'Healthy Leaves'。 分类由 Multiclass SVM 完成（一对一） 怎么跑？？ 1.将文件夹'Leaf_Disease_Detection_code'放在Matlab路径中，并将所有子文件夹添加到该路径中2. 运行 DetectDisease_GUI.m 3.在GUI中，单击“加载图像”，然后从Manu's Disease数据集中加载图像，单击“增强对比度”。 4. 接下来点击Segment Image，然后输入包含ROI的cluster no，即只有疾病受影响的部分或健康的部分5. 点击分类结果。 然后测量准确性（在这种情况下是健康与所有疾病）。 代码

将图像首先进行分割的matlab代码贝叶斯分类器图像日夜 阅读完整报告，或 朴素贝叶斯分类器构成基于贝叶斯定理的简单概率分类器。 这个定理表达了给定特征向量 x 的模式被分类到类 ωi 的可能性。 该相似性等于概率，它描述了向量 x 在 ωi 类中的分布，乘以属于 ωi 类的模式的概率，再除以定义 x 的概率函数的概率。 朴素贝叶斯分类器的算法试图识别模式的不同类别并将其与它所属的类别进行匹配。 最初，它获得一组称为可测量特征或参数的属性（让 x1、χ2、...、χM）。 鉴于这些，模式被分类为类（让 ω1, ω2, ..., ωM）。 请注意，该算法始终将其特征视为不相关，即使它们是相关的。 这就是被称为Naive的原因。 然而，朴素贝叶斯分类器在许多真正复杂的情况下仍然非常有效。 这个项目代表了模式识别的朴素贝叶斯分类器。 该代码是在 Matlab 上编写的，它对白天和黑夜的图像进行分类。 基本上，该算法读取 20 张白天图像和 20 张夜间图像。 它还计算每个图像的平均亮度和亮度的方差。 基于此，它通过以下方式将图像分类为“白天”或“夜晚”类： 显示图像频率 y 的正态分布，具有

心脏疾病分类器 使用多种ML算法（包括神经网络）的心脏病分类器！

医疗保健分析 存储库内容： Python Notebook文件包含用于数据探索，功能工程和机器学习模型（朴素贝叶斯，XGBoost，神经网络）的项目代码。 PDF报告文件包含项目，谓词和结果的概述。 Datasets.zip包含项目中使用的测试和训练数据。 HTML文件是jupyter笔记本的降价促销，其中所有输出均无需使用python或其IDE即可查看。 介绍： 医疗机构承受着越来越大的压力，以改善患者的护理效果并获得更好的护理。 尽管这种情况是一个挑战，但它也为组织提供了一个机会，可以利用其数据中的更多价值和洞察力来显着提高护理质量。 医疗保健分析是指使用定量和定性技术对数据进行分析，以探索所获取数据中的趋势和模式。 尽管医疗保健管理使用各种指标来衡量绩效，但患者的住院时间很重要。 能够预测住院时间（LOS），使医院能够优化其治疗计划以减少LOS，从而降低患者，工作人员和

文字分类器 此仓库是基于Tensorflow2.3的文本分类任务，分别支持： 随机初始单词嵌入+ TextCNN 随机初始词嵌入+注意+ TextCNN 随机初始单词嵌入+ TextRCNN Word2Vec + TextCNN Word2Vec +注意+ TextCNN Word2Vec + TextRCNN 伯特嵌入（没有微调，直接取向量）+ TextCNN Bert嵌入（没有微调，直接取向量）+ TextRCNN 代码支持二分类和多分类，此项目基于爬取的游戏评论正是个二元的情感分类作为演示。 环境 python 3.6.7 张量流== 2.3.0 gensim == 3.8.3 杰巴== 0.42.1 sklearn == 0.0 其他环境见requirements.txt 更新历史 日期 版本 描述 2018-12-01 v1.0.0 初始仓库 2020-10-

胎儿健康分类器 Datset：此数据集包含从心电图检查中提取的2126条特征记录，然后由三名产科专家将该特征记录分为3类： 正常可疑病理 从心电图中提取2126次测量值，并由专业的产科医生进行分类，如：Ayres de Campos等人所述。 （2000）SisPorto 2.0一个自动分析心电图的程序。 母马胎儿医学杂志5：311-318

狗品种分类器 在该项目中，首先，我实施了卷积神经网络，使用转移学习对狗的品种进行分类。 在转移学习中，我们使用的是经过预训练的网络，例如VGG-16，Resnet，Inception，Xception等。 目标 对狗的品种进行分类 依存关系 麻木 大熊猫 凯拉斯 球状 matplotlib cv2 斯克莱恩 tqdm 皮尔 我用jupyter笔记本来实现 信用 Udacity深度学习纳米学位

图像分类器-TensorFlow项目 在这个项目中，我们将首先为使用TensorFlow构建的图像分类器开发代码，然后将其转换为命令行应用程序。 我们将使用来自牛津大学的102个花卉类别的。 该项目的数据非常大-实际上，数据非常大，您无法将其上传到Github。 要求 该项目需要安装Python 3.x和以下Python库： 在终端中运行任何命令之前，请确保使用pip安装TensorFlow 2.0和TensorFlow Hub，如下所示： $ pip install -q -U "tensorflow-gpu==2.0.0b1" $ pip install -q -U tensorflow_hub 注意：为了完成此项目，您将需要使用GPU。 因为在您本地的CPU上运行可能无法正常工作。 您还应该仅在需要时启用GPU。 项目结构 该项目由两部分组成： 第1部分-使用深度学习开发图

最大熵NER标记器 可在线获得。 概述 该项目的目标是实施和培训 。 大多数功能构建器功能都是使用实现的， 是用Python / Cython编写的具有工业实力的开源NLP库。 为了分类，使用最大熵（MaxEnt）分类器。 实施细节 此任务的数据集是语料库，该语料库主要由路透社新闻数据组成。 数据文件已经过预处理，并且每行已经包含一个令牌，其词性（POS）标签，BIO（开始，内部，外部缩写）组块标签以及相应的NER标签。 事实证明，SpaCy的内置对功能工程最为有用。 利用外部单词列表，例如作为一部分分发的Wikipedia地名词典，通常会导致标记准确性下降。 由于数据文件相对较大，因此最终提交中不包含地名词典的源代码和文件。 我还通过将先前的状态/标记作为功能进行了尝试，以提高模型的性能。 出乎意料的是，模型性能在很大程度上保持不变，这大概是由于每个标签都是从仍然在模型中编码的同一特征