基于深度学习的肺炎医学CT图像分类算法研究_吴云峰.caj

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。

实现Landsat遥感图像tif格式文件的分类

对不同类型的皮肤癌进行分类 有任何疑问请联系 - josemebin@gmail.com

交通标志识别 在这个项目中，我使用卷积神经网络对交通标志进行分类。 具体来说，我训练了一个模型，用于根据“德国交通标志对交通标志进行分类。 我使用TensorFlow进行模型开发，并在GPU上对其进行了训练。 分几个步骤： 加载数据集 探索，总结和可视化数据集 设计，训练和测试模型架构 使用模型对新图像进行预测 分析新图像的softmax概率 完整的项目代码可以在找到 数据集摘要与探索 1.数据集的基本摘要。 此步骤的代码包含在的3d code cell中 我使用了pandas库来计算交通标志数据集的摘要统计信息： 训练示例数= 34799 测试例数= 12630 图像数据形状=（32，32，3） 班级数量= 43 2.数据集的探索性可视化。 该步骤的代码包含在的5th code cell中。 这是数据集的探索性可视化。 它是显示数据分布方式的条形图。 我们看到分布不均。

针对随机森林（RF,random forest）算法的投票原则无法区分强分类器与弱分类器差异的缺陷，提出一种加权投票改进方法，在此基础上，提出一种检测 Android 恶意软件的改进随机森林分类模型（IRFCM,improved random forest classification model）。IRFCM选取AndroidManifest.xml文件中的Permission信息和Intent信息作为特征属性并进行优化选择，然后应用该模型对最终生成的特征向量进行检测分类。Weka 环境下的实验结果表明IRFCM具有较好的分类精度和分类效率。

EXCEL格式下的国际疾病分类码，包含拼音码和五笔码对照

传统的赤潮藻鉴定主要依赖经验丰富的藻类专家依据种的生物形态学特征在显微镜下通过人工目视判读、分类，该方法存在专业水平高、分类人员断层、耗时费力等问题。基于赤潮藻类细胞生物形态学分类特征，通过对藻类细胞3种细节特征(有无角毛、横纵沟、尖顶刺)进行有效的自动提取和描述，提出了显微图像自动分类识别的思想。设计三级两类分类器，建立树状判别体系，将大样本集有效划分为小样本集，构建赤潮藻显微图像自动诊断识别系统，结果表明：多级分类器的设计思想减少了训练时间，提高了识别准确率。

平滑分类器认证稳健性的一致性正则化 (NeurIPS2020) 该存储库包含和的论文“平滑分类器的证明稳健性的一致性正则化”代码。 依存关系 conda create -n smoothing-consistency python=3 conda activate smoothing-consistency # IMPORTANT: Please make sure `pytorch != 1.4.0` # Currently, our code is not compatible to `pytorch == 1.4.0`; # See more details at `https://github.com/pytorch/pytorch/issues/32395`. # Below is for linux, with CUDA 10; see https://pytorc