The Support Vector Machine is a powerful new learning algorithm for solving a variety of learning and function estimation problems, such as pattern recognition, regression estimation, and operator inversion. The impetus for this collection was a workshop on Support Vector Machines held at the 1997 NIPS conference. The contributors, both university researchers and engineers developing applications for the corporate world, form a Who's Who of this exciting new area. Contributors: Peter Bartlett, Kristin P. Bennett, Christopher J. C. Burges, Nello Cristianini, Alex Gammerman, Federico Girosi, Simon Haykin, Thorsten Joachims, Linda Kaufman, Jens Kohlmorgen, Ulrich Kreßel, Davide Mattera, Klaus-Robert Müller, Manfred Opper, Edgar E. Osuna, John C. Platt, Gunnar Rätsch, Bernhard Schölkopf, John Shawe-Taylor, Alexander J. Smola, Mark O. Stitson, Vladimir Vapnik, Volodya Vovk, Grace Wahba, Chris Watkins, Jason Weston, Robert C. Williamson.

python语言编写的卷积神经网络代码示例，可直接在tensorflow运行，不懂的可以留言交流。

针对中长期电量预测可使用的相关历史数据较少、影响因素较为复杂等特点，提出一种基于改进GM（1，1）和支持向量机的优化组合预测模型。该模型将改进灰色预测模型和支持向量机模型进行组合，采用蛙跳寻优算法求取组合预测模型中各单一模型的权重，构建基于蛙跳优化的组合预测模型。将优化后的组合预测模型应用于我国中长期电量预测，选择我国1991-2005年电量进行分析，对2006-2010年的电量进行预测，并与一般组合预测模型及各单一模型进行比较。研究结果表明：本文方法得到的电量平均相对误差为2.06%，比等权组合预测模型

尝试将word embedding和卷积神经网络（CNN）相结合来解决情感分类问题。首先，利用skip-gram模型训练出数据集中每个词的word embedding，然后将每条样本中出现的word embedding组合为二维特征矩阵作为卷积神经网络的输入，此外每次迭代训练过程中，输入特征也作为参数进行更新；其次，设计了一种具有三种不同大小卷积核的神经网络结构，从而完成多种局部抽象特征的自动提取过程。与传统机器学习方法相比，所提出的基于word embedding和CNN的情感分类模型成功地将分类正确率提升了5.04%。

基于遗传算法和Bagging-SVM集成分类器

captcha_cracker 简介 这是一个基于 编写的卷积神经网络模型，简单实现的验证码识别功能。 是一款 社区中流行的验证码生成库, 项目模型的训练集以及在线测试所用到的验证码均采用该库生成。 运行环境 Ubuntu16.04 python3.5.2 virtualenv Tensorflow Backend 实现原理 用 Captcha 生成2组每组2000个4位验证码图片（图片尺寸：36×120），并等分成4份(单张图片尺寸：36×30)，将单个字符的图片分类保存在 images 目录中作为训练集（每组8000张图片）。 生成2组每组500个4位验证码图片（图片尺寸：36×120），并等分成4份(单张图片尺寸：36×30)，将单个字符的图片分类保存在 images 目录中作为测试集（每组2000张图片）。 运行 pack_data.py 将图片转为 RGB 矩阵并用cPic

matlab实现垃圾邮件分类代码垃圾邮件分类 该项目旨在将垃圾邮件和非垃圾邮件从 . 学习目标是熟悉MATLAB上的CVX工具箱，从头开始编码SVM优化问题。 需要在 MATLAB 上运行代码。 然而，工作可以分为三个步骤—— 1. Feature Extraction 2. Email Classification 3. Parameter Tuning 下面简要说明这些步骤。 但是，请参阅详细说明。 1.特征提取 调用函数 该数据库包含 6,050 封电子邮件，垃圾邮件比率为 30%。 首先，使用 rename.m 代码将所有电子邮件重命名为 .txt 文件。 在所有文件都可以访问后，为每封电子邮件提取一个特征向量，而特征标签为 1 代表垃圾邮件，0 代表非垃圾邮件。 对于此任务，每封电子邮件都会调用 processEmail.m。 然后，它会按照问题描述中给出的规范化程序截取调用 porterStemmer.m 的电子邮件中的单词。 然后将每个词干词与 vocabList.txt 文件中的字典词进行比较。 字典里有1899个字。 初始特征向量是一列零。 如果字典中的单词出现在电子

统一手势识别和指尖检测 同时用于手势识别和指尖检测的统一卷积神经网络（CNN）算法。 所提出的算法使用单个网络预测一次手指类别分类的概率和指尖位置输出以进行回归评估。 根据手指类别的概率，可以识别手势，并使用这两个信息对指尖进行定位。 我们没有直接从CNN的完全连接（FC）层中移出指尖位置，而是从完全卷积网络（FCN）中移出了指尖位置集合，然后采用集合平均来使最终的指尖位置输出回归。 更新 包括robust real-time hand detection using yolo进行的robust real-time hand detection using yolo在检测系统的第一阶段获得更好的平滑性能，并且大多数代码已经过清理和重组，以便于使用。 要获取以前的版本，请访问发布。 要求 TensorFlow-GPU == 1.15.0 凯拉斯== 2.2.4 ImgAug == 0.

用于mnist数据集识别，将minst数据集和算坏mnist数据集的结果进行对比。

支持向量机算法简单实现和评估。基于tensorflow框架实现