PYNQ Classification - Python on Zynq FPGA for Neural Networks

Kaggle-SMS-Spam-Collection-Dataset-：使用NLTK和Scikit-learn分类为垃圾邮件或火腿邮件

垃圾邮件分类---安然数据集 使用逻辑回归和计数向量化将Enron数据集的电子邮件分为垃圾邮件或火腿邮件。 注意：彻底评论了Jupyter / IPython笔记本，因此这里不需要广泛的自述文件。

Classification,Parameter Estimation and State Estimation An Engineering Approach Using MATLAB

HiAGM：层次结构文本分类的层次结构感知全局模型 该存储库实现了层次结构感知的结构编码器，用于标签空间和文本特征之间的相互交互。 这项工作已被接受为ACL 2020中的长篇论文《的》。该存储库中提出了NYTimes（《纽约时报》）和WoS（Web of Science）的数据集拆分。 层次感知全局模型 具有层次结构意识的全局模型利用预先定义的层次结构的先验知识改进了常规文本分类模型。 项目文件夹由以下部分组成： config：配置文件（json格式） 数据：数据目录，可以在配置文件中更改（带有示例数据） data_modules：数据集/ DataLoader /整理器/ Vocab 助手：配置/ Hierarchy_Statistic /记录器/实用工具 模型：StructureModel / EmbeddingLayer / TextEncoder / TextPropaga

教育数据挖掘正在将挖掘技术应用于与学习相关的数据。 由于学习领域的大量记录，预测学生的表现是一项复杂的工作。 现在一天缺乏现有的调查来清楚地了解预测。 在这个过程中有两个因素，例如预测的属性和预测方法。 本文的核心目的是利用挖掘方法的思想来预测学生的表现。 在本文中，我们比较了不同数据挖掘方法的准确率百分比，例如决策树、神经网络、朴素贝叶斯、K-最近邻和支持向量机。 在这些技术中，决策树和神经网络提供了最好的准确性。

lda分类代码matlab 重度抑郁症的多部位转移分类 “重度抑郁症多部位转移分类”文章核心代码 系统要求 软件要求 该软件包已在 Ubuntu 18.04、Python 3.6 和 Matlab 2009 上进行测试 Python 依赖 本项目主要依赖以下Python堆栈： 火炬 1.4.0 麻木的学习scipy h5py 参数解析操作系统时间警告 用法 1. 对于 GCN 和 GCNSP 模型： 1.1 多站点池化分类请在Linux终端运行： python train_fmridata_MDD_simple.py --method=GCNSP --train_or_test=train --datadir=${datapath} --pretrain_dir=${pretrain_path} --cuda=0 其中，--method 表示使用的模型（GCN 或 GCNSP）。 --train_or_test 表示从头开始训练，或仅基于我们训练过的模型进行测试。 --datadir 是功能连接数据所在的目录。 --pretain_dir 是训练好的模型所在的目录'。 --cuda 表

肿瘤图片分类代码，可应用于医疗病理学图片的分类（可通用于各种医疗图像图片的分类），具有良好的效果，可供大家学习

使用深度学习对加密流量进行分类 该存储库包含在2018年DTU Compute的硕士学位论文中使用和开发的代码。 教授一直是该硕士论文的导师。 来自一直是该项目的联合主管。 在本文中，我们研究和评估了使用神经网络对加密网络流量进行分类的不同方法。 为此，我们创建了一个具有流/非流焦点的数据集。 数据集包括七个不同的类，五个流分类和两个非流分类。 本文是对Napatech A / S的初步概念验证。 我们提出了一种新颖的方法，其中利用了网络流量的未加密部分，即标头。 这是通过将会话中的初始标头串联起来，从而形成一个签名数据点来完成的，如下图所示： 通过使用前8个和16个标头创建的数据集在此存储库的datasets文件夹中可用。 我们通过在串联头数据集上运行t-SNE来探索数据集。 从下面的t-SNE图可以看出，该图显示了合并的所有单个数据集，似乎可以对单个类进行分类。 在使用基于标头

K均值分类 IRIS数据集上的k均值分类