CreditCardFraud-Kaggle-Tensorflow 使用来自Kaggle的信用卡欺诈数据集，我创建了一个完全连接的神经网络，该网络可以预测信用卡欺诈，平均准确性为96％

人类活动识别 该项目将建立一个模型，以预测人类的活动，例如步行，步行上楼，步行到楼下，坐着，站立或躺下。 该数据集是从30个人（在此数据集中称为主题）收集的，他们使用智能手机在腰间执行不同的活动。 数据通过该智能手机中的传感器（加速度计和陀螺仪）进行记录。 录制了该实验的视频以手动标记数据。 如何记录数据 通过使用智能手机中的传感器（陀螺仪和加速度计），他们捕获了来自加速度计的“ 3轴线性加速度”（ tAcc-XYZ ）和来自陀螺仪的“ 3轴角速度”（ tGyro-XYZ ），具有多种变化。 prefix 't' in those metrics denotes time. suffix 'XYZ' represents 3-axial signals in X , Y, and Z directions. 快速浏览数据集： 加速度计和陀螺仪的读数来

鲁汶算法聚类

马尔可夫随机场在图像去噪中的应用 这是一个有关在Keras中应用Markov随机场（MRF）进行图像降噪的项目。 在Report.pdf中显示了在MRF中构建修改的迭代条件模式（ICM）和Gibbs采样的机制的详细信息。 数据 应用于降噪和降噪的原始数据集可以分为两部分： 二进制图像：在这种情况下，选择两个具有低分辨率的二进制图像：data / sample1.jpg，data / sample3.jpg来比较ICM和Gibbs采样以在MRF中进行降噪。 RGB图像：此外，选择了分辨率较低的RGB图像：data / sample6.jpg来比较ICM和Gibbs采样，以在MRF中对更复杂的数据结构情况进行降噪。 图像噪声： 在该项目中，图像受到胡椒噪声的干扰，其中选择了随机位置的像素以将其重置为随机有效值。 详细地，对于具有单通道的二进制图像，在唯一的层中添加了胡椒噪声。 而对于具有

信用风险建模和记分卡开发 全面的信用风险模型和记分卡，使用来自Lending Club的数据 可以在找到解释模型的中篇文章

派托克·甘（PytorchGAN） 人脸-使用GAN和Pytorch正面实现

面部表情识别 该项目的主要目的是开发一种面部表情识别系统。 该系统将用于将面部表情分类为基本情绪，即快乐，生气，悲伤，中立和惊奇。 目录 基本信息 可以使用许多不同的方法来克服面部表情识别（FER）的问题，但是最适合自动FER的技术是卷积神经网络（CNN）。 因此，提出了一种新颖的CNN架构，并将多个数据集（例如FER2013，FER +，JAFFE，CK +）和实时照片的组合用于训练和测试。 这有助于提高准确性并开发强大的实时系统。 数据集 通过收集来自不同来源的图像来形成组合的数据集。 该项目中使用的不同数据集是FER-2013和FER +数据集，扩展Cohn-Kanade（CK +）数据库，日本女性面部表情数据库（JAFFE）和实时收集的图像。 这样做是为了提高模型的泛化能力，并注意模型不会偏向特定人群。 所使用的数据集主要在姿势，图像质量，对齐方式，清晰度等方面有所不同。 屏幕截图

多类别心脏疾病预测 使用ANN进行多个类别的心脏病预测

DogProject:使用Pytorch和卷积神经网络识别狗的品种的项目

跑步前 准备以下物品 mp4文件 yolo的权重 yolo的cfg文件 在main.py找到上述文件的位置，并使用正确的路径指定 运行counting_main.py 关于输入格式 跟踪器的输入是边界框的列表 框定义为[x，y，w，h] 演示版 PS jupyter笔记本电脑只是用于开发或测试目的的另一个环境。