雷霆战机

基于OpenCV版本3.1.0详细讲述OpenCV图像处理部分内容，包括Mat对象使用、HIGHGUI使用、基于常用核心API讲述基本原理、使用方法、参数、代码演示、图像处理思路与流程讲授。涵盖OpenCV中图像处理部分的全部主要内容。课程中穿插了应用开发中常见问题与分析，是学习图像知识与应用开发必选实践课程。

基于SSM的网上购物系统的设计与开发(含开题、论文、ppt、源码、数据库)，修改下后可作为毕业设计使用，欢迎下载学习

ArcGis Engine组件式开发及应用 兰小机 所著一书的配套PPT+源码

最全 LINQ从基础到项目实战(电子书+PPT+源码)

本文通过论述基于Android的课程日历提醒软件开发的全过程，简略介绍了Android的特点及现代市场系统现状，和各系统特点，及Android在市场上较为突出的优势。详尽讲述了该软件的功能和特点。功能独特完善，有较好的用户体验，本次项目所实现的日历系统，实现了基本的日历展现，同时可以查看相应的阴历，以及对应日期的节日和节气，应对当代大学生的使用，开发了课程表展现，可自动跟踪学生上课日期展现相应的课程表，同时提供了日程记录功能，能以闹钟和信息的方式提醒使用者。软件的特点主要体现在用户录入课程信息的界面体验上，在课程录入界面，采用滑轮组件的形式进行简便式录入，复杂的数据转换由后台完成，同时课程与日历结合展示界面充分体现了本软件为现代大学生而开发的目的

Java BS网络教学平台全套有论文及ppt源码 毕业设计 有源码

文档里是网盘地址，一共十几G的课程，含有文档，ppt和源码的，还有关于架构的讲解，概括很广。

小程序实战视频课：微信小程序开发全案精讲(PPT+源码)

《模式识别（第四版）》是2010年电子工业出版社出版的图书，作者是西奥多里蒂斯。本书由模式识别领域的两位顶级专家合著，全面阐述了模式识别的基础理论、最新方法、以及各种应用。 作　者：(希)Sergios Theodoridis / (希)Konstantinos Koutroumbas，李晶皎等译 第1章 导论 1.1 模式识别的重要性 1.2 特征、特征向量和分类器 1.3 有监督、无监督和半监督学习 1.4 MATLAB程序 1.5 本书的内容安排 第2章 基于贝叶斯决策理论的分类器 2.1 引言 2.2 贝叶斯决策理论 2.3 判别函数和决策面 2.4 正态分布的贝叶斯分类 2.5 未知概率密度函数的估计 2.6 最近邻规则 2.7 贝叶斯网络 习题 MATLAB编程和练习 参考文献 第3章 线性分类器 3.1 引言 3.2 线性判别函数和决策超平面 3.3 感知器算法 3.4 最小二乘法 3.5 均方估计的回顾 3.6 逻辑识别 3.7 支持向量机 习题 MATLAB编程和练习 参考文献 第4章 非线性分类器 4.1 引言 4.2 异或问题 4.3 两层感知器 4.4 三层感知器 4.5 基于训练集准确分类的算法 4.6 反向传播算法 4.7 反向传播算法的改进 4.8 代价函数选择 4.9 神经网络大小的选择 4.10 仿真实例 4.11 具有权值共享的网络 4.12 线性分类器的推广 4.13 线性二分法中1维空间的容量 4.14 多项式分类器 4.15 径向基函数网络 4.16 通用逼近 4.17 概率神经元网络 4.18 支持向量机：非线性情况 4.19 超越SVM的范例 4.20 决策树 4.21 合并分类器 4.22 合并分类器的增强法 4.23 类的不平衡问题 4.24 讨论 习题 MATLAB编程和练习 参考文献 第5章 特征选择 5.1 引言 5.2 预处理 5.3 峰值现象 5.4 基于统计假设检验的特征选择 5.5 接收机操作特性（ROC）曲线 5.6 类可分性测量 5.7 特征子集的选择 5.8 最优特征生成 5.9 神经网络和特征生成/选择 5.10 推广理论的提示 5.11 贝叶斯信息准则 习题 MATLAB编程和练习 参考文献 第6章 特征生成I：线性变换 6.1 引言 6.2 基本向量和图像 6.3 Karhunen-Loève变换 6.4 奇异值分解 6.5 独立成分分析 6.6 非负矩阵因子分解 6.7 非线性维数降低 6.8 离散傅里叶变换（DFT） 6.9 离散正弦和余弦变换 6.10 Hadamard变换 6.11 Haar变换 6.12 回顾Haar展开式 6.13 离散时间小波变换（DTWT） 6.14 多分辨解释 6.15 小波包 6.16 二维推广简介 6.17 应用 习题 MATLAB编程和练习 参考文献 第7章 特征生成II 7.1 引言 7.2 区域特征 7.3 字符形状和大小的特征 7.4 分形概述 7.5 语音和声音分类的典型特征 习题 MATLAB编程和练习 参考文献 第8章 模板匹配 8.1 引言 8.2 基于最优路径搜索技术的测度 8.3 基于相关的测度 8.4 可变形的模板模型 8.5 基于内容的信息检索：相关反馈 习题 MATLAB编程和练习 参考文献 第9章 上下文相关分类 9.1 引言 9.2 贝叶斯分类器 9.3 马尔可夫链模型 9.4 Viterbi算法 9.5 信道均衡 9.6 隐马尔可夫模型 9.7 状态驻留的HMM 9.8 用神经网络训练马尔可夫模型 9.9 马尔可夫随机场的讨论 习题 MATLAB编程和练习 参考文献 第10章 监督学习：尾声 10.1 引言 10.2 误差计算方法 10.3 探讨有限数据集的大小 10.4 医学图像实例研究 10.5 半监督学习 习题 参考文献 第11章 聚类：基本概念 11.1 引言 11.2 近邻测度 习题 参考文献 第12章 聚类算法I：顺序算法 12.1 引言 12.2 聚类算法的种类 12.3 顺序聚类算法 12.4 BSAS的改进 12.5 两个阈值的顺序方法 12.6 改进阶段 12.7 神经网络的实现 习题 MATLAB编程和练习 参考文献 第13章 聚类算法II：层次算法 13.1 引言 13.2 合并算法 13.3 cophenetic矩阵 13.4 分裂算法 13.5 用于大数据集的层次算法 13.6 最佳聚类数的选择 习题 MATLAB编程和练习 参考文献 第14章 聚类算法III：基于函数最优方法 14.1 引言 14.2 混合分解方法 14.3 模糊聚类算法 14.4 可能性聚类 14.5 硬聚类算法 14.6 向量量化 附录 习题 MATLAB编程和练习 参考文献 第15