带板检测的车辆速度估算 该项目的主要目标是使用深度学习和机器学习算法来识别超速车辆。 从视频中获取一系列图像后，使用Haar Cascade分类器检测卡车。 使用大量正负图像训练分类器模型，以制作XML文件。 接下来是跟踪车辆并借助其各自的位置，ppm（每米像素）和fps（每秒帧）来估计车辆的速度。 现在，已识别卡车的裁剪图像将被发送以进行车牌检测。 CCA（连接组件分析）有助于进行车牌检测和字符分割。 使用字符图像（20X20）对SVC模型进行训练，并且为了提高准确性，还完成了4次交叉折叠验证（机器学习）。 该模型有助于识别分段字符。 识别后，将卡车的计算出的速度及其车牌号一起输入到excel表中。 还为这些卡车分配了一些ID，以生成系统化的数据库。 要运行Speed_Detection _＆_ License_Plate_Detection.py，请按照以下步骤操作： 从此站点下载

适合机器学习初学者熟悉机器学习基本算法，以及数学建模比赛中直接对这些代码进行修改即可

菊安酱--机器学习全套学习资料，欢迎自取！

Algorithms for Reinforcement Learning PDF+PPT

人格分类器 该项目结合了机器学习算法和精心选择的面部特征来精确确定一个人的性格。 先决条件 该项目假定您具有Python及其数据科学库（包括Numpy，Keras，Tensorflow和Pandas）的高级知识的中级知识。 此外，有关CNN的知识以及对象检测算法将如何有用也很有帮助。 依存关系 Python：> 3.7 Tensorflow：> 2.4 熊猫：> 1.2 OpenCV：> 4.0 dlib：19.21.1 脾气暴躁：> 1.20 imutils：> 0.5 数据集 所使用的数据集为CelebA数据集，该数据集提供了200,000张具有41种不同面部特征（如眉毛，鼻子大小等）的人脸图像。这些特征中的某些确实与dlib库中的特征重叠； 但是，出于我们的目的，我们可以简单地忽略它们。 这是链接： : 另外，为了获得更高的准确性和更多的数据点，还收集了未标记的数

型智能电表普及后，为了准确检测出电网中的窃电用户，可以结合机器学习的方法．为此，选择了支 持向量机、随机森林和迭代决策树3种机器学习中较常用的大数据算法进行分析，通过不断调整试验数据集 的大小，对3种算法的效率和准确率进行测试．对比分析结果发现，随机森林算法运行的时间和数据量的大小 基本呈线性关系，效率较高，且准确率稳定在86％以上，表现较好．

主要包含KNN、SVM、逻辑回归、朴素贝叶斯、BP神经网络、lightGBM、XGBoost等算法，包含基本算法代码和数据集应用的代码。代码源于天池。

本文档里面含有 神经网络 感知机算法 C++实现，以及相关介绍。

CoForest is a semi-supervised algorithm, which exploits the power of ensemble learning and large amount of unlabeled data available to produce hypothesis with better performance.

强化学习算法，实现强化学习对网络资源的分配，目的是频谱利用最大化 强化学习算法，实现强化学习对网络资源的分配，目的是频谱利用最大化