Machine Vision Handbook。非常经典的机器视觉手册（宝典）。英文版，带书签，高清。

多机融合 多机同步播放拼接融合系统（多机融合） 此系统是前者是在2012年的一个测试版本中改进而来，经过2年的改进和完善最终达到本系统的1.3.2正式版本。系统中也存在一些暂未完成功能。但是此版本已经满足城市表面的大部分应用，并且在多PC模式下完全很好的调试技术。此软件从问世到现在应用过很多商业领域以及很多扩展领域，并且应用十分稳定。由于本开源系统供参考和研究，不做商业应用则已经将许可使用，保存数据和加载数据部分删除。若有需要可请示作者。 系统的组成和实现细节： 1.使用跨平台Qt完成Ui界面的定制； 2.使用OpenGL实现几何调整，图像的输出，图像混合，图像合成功能； 3.可将平台依赖部分做修改可支持Windows，Linux，Mac，Android，Wayland，Mir 4.当前实现的平台部分支持Windows，Linux 下面是系统的功能基本描述： 1.支持水平，垂直多台计算

pattern recognition and machine learning 英文版本

DS-Take-Home：我对《数据科学实战挑战的合集》一书的解决方案

Hands-On Machine Learning with Scikit-Learn and TensorFlow: Concepts, Tools, and Techniques to Build Intelligent Systems by Aurélien Géron English | 13 Mar. 2017 | ASIN: B06XNKV5TS | 581 Pages | AZW3 | 21.66 MB Through a series of recent breakthroughs, deep learning has boosted the entire field of machine learning. Now, even programmers who know close to nothing about this technology can use simple, efficient tools to implement programs capable of learning from data. This practical book shows you how. By using concrete examples, minimal theory, and two production-ready Python frameworks—scikit-learn and TensorFlow—author Aurélien Géron helps you gain an intuitive understanding of the concepts and tools for building intelligent systems. You’ll learn a range of techniques, starting with simple linear regression and progressing to deep neural networks. With exercises in each chapter to help you apply what you’ve learned, all you need is programming experience to get started. Explore the machine learning landscape, particularly neural nets Use scikit-learn to track an example machine-learning project end-to-end Explore several training models, including support vector machines, decision trees, random forests, and ensemble methods Use the TensorFlow library to build and train neural nets Dive into neural net architectures, including convolutional nets, recurrent nets, and deep reinforcement learning Learn techniques for training and scaling deep neural nets Apply practical code examples without acquiring excessive machine learning theory or algorithm details

叶识别 一个用于从叶子图像识别物种的python桌面应用程序。 使用图像处理和机器学习的概念。 它分为以下7种 槭树 雪松杜达拉 紫荆 柑桔 银杏叶 鹅掌 夹竹桃夹竹桃 要运行项目，请运行Executioner.py 有关更多详细信息，请参阅Project Details.pdf

标签标记器 用于在机器学习中标记训练集标签的小工具 安装 Git在您的系统中克隆此存储库。 安装python3，django 输入三进制的根路径，执行：sh django_server_start.sh 输入 ，尽情享受吧！ 如何使用 像这样的首页： 您可以手动标记网页中设置的训练，而不是其他方式。 它可以提高您的效率，并且您可以将此页面共享给其他人。 就像“众包”。 未标记的数据将随机出现，可以保证标记的数据均匀。 这是标记的数据计数，您可以对其进行概述： 用户唯一要做的就是单击单选按钮，然后单击提交按钮，新标记的数据将附加在label_data / label_data.tx

pocket-tensor pocket-tensor是arquolo的Kerasify分支，设计用于在嵌入式设备上运行C ++应用程序中经过训练的Keras模型。 设计目标与Keras口袋张量生成的顺序网络的兼容性口袋张量是arquolo的Kerasify分支，旨在在嵌入式设备上从C ++应用程序运行经过训练的Keras模型。 设计目标与Keras 2.x使用Tensorflow后端生成的顺序网络的兼容性。 多线程CPU支持。 内存使用率低。 易于构建和运行（无外部依赖性）。 快速的构建时间。 Kerasify上的改进借助出色的libsimdpp库，使用SIMD指令重写了张量操作，以提高

机器学习数学 由于Coursera荣誉代码，绝不会共享证书所需的分级作业和考试 请注意，有时github不会加载.ipynb文件或对矩阵使用不正确的图表，请随时下载并在自己的阅读器中使用 我的资料库的目的是为学生提供机器学习的基础数学（特别是那些在帝国理工学院伦敦机器学习数学课程的学生）一些有用的资源，并提供一些指南来指导该课程中的实践练习。 该存储库涵盖以下主题： 线性代数 多元微积分； 主成分分析（PCA）。 基本课程说明（来自帝国理工学院伦敦课程） 对于许多机器学习和数据科学的高级课程，您会发现需要重新学习数学的基础知识-您以前在学校或大学学习过的东西，但是是在另一种情况下讲授的，或者不是很直观，因此您很难将其与计算机科学中的使用方式联系起来。 该专业旨在弥合这一差距，让您快速掌握基础数学，建立直觉的理解并将其与机器学习和数据科学联系起来。 在有关线性代数的第一门课程中，

骇客深度学习：使用TensorFlow 2和Keras和Python的机器学习教程（包括Jupyter笔记本）-（LSTM，超电流表调整，数据预处理，偏差方差折衷，异常检测，自动编码器，时间序列预测，对象检测，情感分析，使用BERT进行意图识别）