机器学习和深度学习简单（基于应用程序）项目 该存储库包含完成的简单实践项目，以学习ML和DL概念。 每个单独的文件夹都包含一个单独的项目，并且文件夹本身中包含该项目的自述文件。 我还附有我的课程证书。 项目清单是： 使用支持向量机的面部识别：使用numpy实现SVM，然后将其用于执行小型数据集的基本面部识别任务。 使用Yellowbrick分析混凝土的抗压强度：使用简单的回归分析，使用kaggle上的可用数据集来预测混凝土的抗压强度。 从零开始开发人工神经网络以执行股价预测：使用使用sklearn的自定义构建的香草人工神经网络，并实时预测股价。 MNIST Flask应用程序：在MNIST手写号码的数据集上使用ML和DL方法，并为此创建一个Web应用程序。 房价预测：使用Tensorflow的regresiion模型基于各种参数预测房价。 通过广告销售实现收入的多变量决定性优化

人工神经网络 纸质数据和代码 这是AAAI 2019论文： 的代码。 我们已经在Tensorflow和Pytorch中实现了我们的方法。 这是我们在论文中使用的两个数据集。 下载数据集后，您可以将它们放在文件夹datasets/ ： 友情链接： ://2015.recsyschallenge.com/challenge.html DIGINETICA： ://cikm2016.cs.iupui.edu/cikm-cup或 文件夹datasets/包含一个小的数据集sample ，可用于测试代码的正确性。 我们还写了解释该论文。 用法 您需要先运行文件datasets/preprocess.py来预处理数据。 例如： cd datasets; python preprocess.py --dataset=sample cd datasets; python preproces

Pairstrade-Fyp-2019 科大的最后一年项目。 我们测试了3种进行配对交易的主要方法： 距离法 协整方法（滚动OLS，卡尔曼滤波器） 强化学习代理（拟议） 。 “五年计划”成员：，， 如何开始？ 运行./setup.sh以安装所有依赖项 笔记 在我们的实验中，我们使用了来自盈透证券平台的财务数据，该平台不是免费的。 根据他们的规定，我们无法向公众发布实验中使用的财务数据。 随时使用您自己的价格数据进行实验。 免责声明 我们执行的策略尚未被证明在真实交易账户中有利可图 报告的回报完全来自回测程序，它们可能会受到我们不知道的前瞻性偏见的影响。 更新 我们不再对此进行开发，请查看关于RL代理的发现

瑜伽姿势估计应用程序 表中的内容 概述：- 这是一个瑜伽姿势估计应用程序，它可以通过使用posenet和KNN分类器实时检测瑜伽姿势。 这里使用的数据集是自定义数据集，由 3 个视频组成，用于表示 3 种不同的姿势。 它部署在heroku中。 需要注意的一件事，即这将适用于所有移动和边缘设备。 动机：- 这个项目是我在 ShapeAI 实习的一部分，担任机器学习工程师实习生。 该项目可以扩展为完美的瑜伽教练，以使用 AI 跟踪姿势并保持健康。 技术方面：- 该项目主要分为前端，后端两部分。 让我们详细讨论它们中的每一个。 前端部分：-主要是从前摄像头采集姿态图像，用于姿态识别。 该图像被传递给在 ml5.js 中预训练的posenet模型并获取计数部分位置x和y并将它们保存以以json的形式获取数据。 我们将从图像中检测到 17 个姿势，其中有 2 个与之相关的值，总共 34 个

目录： 第一章 引论 1·1 机器视觉 1·2 Marr视觉计算理论 1·3 机器视觉的应用 1·4 机器视觉的研究内容与面临的困难 1·5 机器视觉与其它学科领域的关系 1·6 成象几何基础 1·7 本书内容向导 思考题 第二章 人类视觉 2·1 人类视觉简介 2·2 感受野 2·3 视觉信息的多层次并行处理 2·4 视觉信息的集成和反馈 思考题 第三章 二值图象分析 3·1 阈值 3·2 几何特性 3·3 投影 3·4 游程长度编码 3·5 二值图象算法 3·6 形态算子 思考题 计算机练习题 第四章 区域分析 4·1 区域和边缘 4·2 分割 4·3 区域表示 4·4 分裂和合并 思考题 计算机练习题 第五章 图象预处理 5·1 直方图修正 5·2 图象线性运算 5·3 线性滤波器 5·4 非线性滤波器 思考题 计算机练习题 第六章 边缘检测 6·1 梯度 6·2 边缘检测算法 6·3 二阶微分算子 6·4 LoG算法 6·5 图象逼近 6·6 Canny边缘检测器 6·7 子象素级位置估计 6·8 边缘检测器性能 6·9 线条检测 思考题 计算机练习题 第七章 轮廓表示 7·1 数字曲线及其表示 7·2 曲线拟合 7·3 样条曲线 7·4 曲线回归逼近 7·5 Hough变换 7·6 傅里叶描述子 思考题 计算机练习题 第八章 纹理 8·1 概述 8·2 纹理分析统计方法 8·3 有序纹理的结构分析 8·4 基于模型的纹理分析 8·5 用分形理论分析纹理 8·6 从纹理恢复形状 思考题 计算机练习题 第九章 明暗分析 9·1 图象辐射度 9·2 表面方向 9·3 反射图 9·4 从图象明暗恢复形状 9·5 光度立体 思考题 计算机练习题 第十章 彩色感知 10·1 三色原理 10·2 颜色模型 10·3 颜色的视觉处理 10·4 彩色不变性 10·5 讨论 思考题 计算机练习题 第十一章 深度图 11·1 立体成象 11·2 立体匹配 11·3 多基线立体成象 11·4 从X恢复形状的方法 11·5 测距成象 11·6 主动视觉 思考题 计算机练习题 第十二章 标定 12·1 刚体变换 12·2 绝对定位 12·3 相对定位 12·4 校正 12·5 双目立体深度测量 12·6 含有比例因子的绝对定位 12·7 外部定位 12·8 内部定位 12·9 摄象机标定 12·10 双目立体标定 12·11 主动三角测距标定 12·12 鲁棒方法 12·13 讨论 思考题 计算机练习题 第十三章 三维场景表示 13·1 三维空间曲线 13·2 三维空间曲面的表示 13·3 曲面插值 13·4 曲面逼近 13·5 曲面分割 13·6 曲面配准 思考题 计算机练习题 第十四章 二维运动估计 14·1 图象运动特征检测 14·2 光流法 14·3 光流计算 14·4 基于块的运动分析 思考题 计算机练习题 第十五章 三维运动估计 15·1 基于成像模型的对应点估计 15·2 三维运动估计光流法 15·3 光流分割 思考题 计算机练习题 第十六章 物体识别 16·1 识别系统的基本组成 16·2 物体识别的复杂度 16·3 图象矩不变量特征表示 16·4 三维物体模型表示 16·5 特征检测与识别策略 16·6 验证 16·7 物体定位 思考题 计算机练习题 参考文献 英汉词汇对照表

neural networks的入门级必备书籍，读过后会有基础的了解。

Machine_Learning-Housing_grade_prediction_using_python 机器学习被广泛用于建立数据分析的预测模型。 数据集包含一个训练文件，我们使用该训练文件来训练算法以对测试文件进行预测。 该文件包含大约2500多个缺失值。 我们使用KNN插补来自动填充缺失的位置，以进行更好的预测。 用于对训练和测试数据集进行预测的模型是SVM。 使用线性核获得的模型的准确性约为88.6％，比rbf的准确性高23％。

由著名的McGraw-Hill Science出版社出版的，大名鼎鼎的机器学习鼻祖，《机器学习》杂志创始人Tom.M.Mitchell编写的《Machine Learning》一书非常经典，这里是一本原版教材，欢迎喜欢阅读原版的朋友下载！本书的介绍： This book covers the field of machine learning, which is the study of algorithms that allow computer programs to automatically improve through experience. The book is intended to support upper level undergraduate and introductory level graduate courses in machine learning

Big_Data_Project-伪造新闻检测 在这个项目中，我们展示了使用机器学习算法进行文本分类。 我们致力于对给定的新闻文章是假的还是真实的进行分类。 数据清理和预处理： 删除了文本中的特殊字符拼写检查了所有文档删除了停用词对文档进行矢量化处理。 向量化 对于矢量化，我们使用了-计数矢量化器，TFIDF矢量化器，哈希矢量化器。 分类 对于分类目的，我们使用了：多项朴素贝叶斯，支持向量机（LinearSVC），PassiveAgressiveClassifier。 我们比较了矢量化器和分类器的性能。 最后，我们使用集成模型来获得更高的精度。 我们使用scikit-learn最大投票分类器

原版Encyclopedia of Machine Learning Encyclopedia of Machine LearningEncyclopedia of Machine LearningEncyclopedia of Machine Learning Encyclopedia of Machine Learning