框分类信息系统是一个多平台的地方分类信息程序，包括电脑端、手机端、微信公众号和小程序。程序以方便、实用、简单、快速为开发理念。经过分析，目前大多网站程序无法让站长找到运营的主要方向，很多程序功能繁琐，大多功能用不上，成为网站的负累，是困扰分类信息网站发展的瓶颈问题。框分类信息系统的诞生全面解决了目前分类网站易用性差，页面繁杂，信息可看性差等众多因素，自诞生以来就身价倍升，我们将不断努力，继续创新，将我们的系统做到完美，为用户提供更好的服务！框分类信息系统的优势：1、开发团队在当地实地参与运营，发现问题和不足及时改进。2、分类列表支持方框和列表两种样式，方框样式有多种选择，置顶方式多样，超大格置顶、大格置顶、小格置顶供用户选择。3、用户发布信息后可以通过分享网站免费获得置顶，让网站前期知名度成倍增长。4、系统支持微信和支付宝在线支付，还为无法申请支付接口的用户提供第三方支付接口服务。5、强大的商家建站功能，半小时即可为商家制作出精美的电脑网站和手机网站。源码运行环境asp.net4.0 数据库 sqlserver（版本不限制）网站页面无法打开请安装UrlRewrite伪静态主组件

家具分类图片数据集，文件包含图像路径及其注释标签以及类别，共9346张家具图像 家具分类图片数据集，文件包含图像路径及其注释标签以及类别，共9346张家具图像 家具分类图片数据集，文件包含图像路径及其注释标签以及类别，共9346张家具图像

本资源使用KNN算法对水果特征数据（包括大小、颜色、甜度等等）进行分析，最终实现对水果进行分类的能力。资源包括KNN算法分析源码及水果特征数据（.txt格式），对初学者学习KNN算法具有很强参考和借鉴作用。 KNN（K- Nearest Neighbor）法即K最邻近法，最初由 Cover和Hart于1968年提出，是一个理论上比较成熟的方法，也是最简单的机器学习算法之一。该方法的思路非常简单直观：如果一个样本在特征空间中的K个最相似（即特征空间中最邻近）的样本中的大多数属于某一个类别，则该样本也属于这个类别。该方法在定类决策上只依据最邻近的一个或者几个样本的类别来决定待分样本所属的类别 [2] 。 该方法的不足之处是计算量较大，因为对每一个待分类的文本都要计算它到全体已知样本的距离，才能求得它的K个最邻近点。目前常用的解决方法是事先对已知样本点进行剪辑，事先去除对分类作用不大的样本。另外还有一种 Reverse KNN法，它能降低KNN算法的计算复杂度，提高分类的效率。

HTML静态网页设计作业，采用DIV+CSS布局，共有多个页面，首页使用CSS排版比较丰富，色彩鲜明有活力,顶部导航及底部区域背景色为100%宽度。都是给学生定制的都符合学校或者学生考试期末作业的水平,有的有js，有的视频+音乐+flash的等元素的插入。 原生(HTML+CSS+JS),网页作品代码简单,可使用任意HTML编辑软件（如：`Dreamweaver、HBuilder、Vscode 、Sublime 、Webstorm、Text 、Notepad++` 等任意html编辑软件进行运行及修改编辑等操作） HTML5期末考核大作业源码 包含 个人、 美食、 公司、 学校、 旅游、 电商、 宠物、 电器、 茶叶、 家居、 酒店、 舞蹈、 动漫、 服装、 体育、 化妆品、 物流、 环保、 书籍、 婚纱、游戏、 节日、 戒烟、 电影、 摄影、 文化、 家乡、 鲜花、 礼品、 汽车、 其他 可满足大学生网页大作业网页设计作业需求, 喜欢的可以下载! 【查看更多源码地址】：https://blog.csdn.net/bigwhiteshark?type=blog

THUNEWS数据集，摘取了五个主题，分别为1.娱乐 2.房产 3.体育 4.股票 5.科技 训练集1 每个主题100个数据 一共500个 训练集2 每个主题1000个数据 一共5000个 训练集2 每个主题10000个数据 一共50000个 测试集 每个主题1000个数据 一共5000个

利用最短距离分类器进行分类，效果很好，首先进行裁剪样本，利用对比度信息进行裁剪

主要是读取文本，然后进行分词、词干提取、去停用词、计算词频，有界面，很实用

weka分类群集资源 weka分类 weka群集 代码 资源 数据

基于Pytorch框架自定义7层卷积神经网络模型实现垃圾分类系统源码+数据集+项目说明（人工智能期末作业）.zip 垃圾分类 实验要求： 利用深度学习模型完成垃圾分类 图片数据集来源：https://momodel.cn/explore/5d411ace1afd9427c236eab5?type=dataset Result： 使用 PyTorch 自定义 7 层卷积神经网络加 2 层全连接层的分类模型

使用PCA、NMF和HOG特征，分别配以KNN（k=1,3,5）和SVM两类分类器，实现对交通标志的分类（包括对其余类的拒识）（Matlab完整源码和数据） PCA_KNN : PCA + KNN PCA_SVM : PCA + SVM NMF_KNN : NMF + KNN NMF_SVM : NMF + SVM HOG_KNN : HOG + KNN HOG_SVM : HOG + SVM