python机器学习大作业用numoy构建原始CNN网络项目源码。在本项目中，通过numpy实现了一个CNN网络，包括其中的卷积层，池化层以及全连接层，通过公式推导、代码编写，加深了对于卷积、池化、反向传播等概念的理解。 采用现在主流的深度学习框架Pytorch实现识别，并与自己搭建的CNN训练结果进行比较。 采用相同的网络结构： self.conv1 = nn.Conv2d(in_channels=1, out_channels=8, kernel_size=3, padding=0, stride=1) self.maxpool = nn.MaxPool2d(kernel_size =2, stride=None, padding=0) self.fc1 = nn.Linear(13 * 13 * 8, 512) self.fc2 = nn.Linear(512, 10) 在3个epoch下测试结果： 相比与用numpy实现的CNN，其具有较高的稳定性，以及训练速度，因为PyTorch将输入转为张量形式，转入GPU中训练，同时用了SGD优化器，加快loss收敛速度。

matlab的程序cnn编写，对图片进行分类并预测，最后完成搜索功能， 输入图片路径给出所有同类的图片结果

OpenCV CNN模型预测性别与年龄 中编写程序需要加载的模型，先上传保存 gender_net.caffemodel deploy_gender.prototxt age_net.caffemodel deploy_age.prototxt

SVM解决二分类问题的代码，直接就可以用，含水雷-岩石分类数据集并对四种核函数做调参，换一个数据集也能使用。过程流畅，注解详细，包教会

这是论文的随附代码： Xanthopoulos, P., & Razzaghi, T. (2014)。 一种用于控制图模式识别的加权支持向量机方法。 计算机与工业工程，70, 134–149。 有一个基于 Lib SVM 的实现，用于控制图异常趋势模式的时间序列分类。 有关更多信息，请参阅原始气泡。

基于卷积神经网络的轴承故障诊断算法模型研究源代码。 main为wdcnn卷积神经网络主文件，运行它就可以 preprocess为预处理文件，主要实现制作数据集的功能 日志文件保存在logs里面，通过启动tensorboard查看 wdcnn.png为卷积神经网络的结构图像 基于卷积神经网络的轴承故障诊断算法模型研究源代码。 main为wdcnn卷积神经网络主文件，运行它就可以 preprocess为预处理文件，主要实现制作数据集的功能 日志文件保存在logs里面，通过启动tensorboard查看 wdcnn.png为卷积神经网络的结构图像 基于卷积神经网络的轴承故障诊断算法模型研究源代码。 main为wdcnn卷积神经网络主文件，运行它就可以 preprocess为预处理文件，主要实现制作数据集的功能 日志文件保存在logs里面，通过启动tensorboard查看 wdcnn.png为卷积神经网络的结构图像

phog方法提取图像特征，svm支持向量机进行分类，分别有GA遗传算法和PSO粒子群优化算法进行寻优。

本代码利用MATLAB自建5层CNN模型完成手写数字字体识别，全套代码 100%可用。

本代码利用自建5层CNN模型预测手写数字字体倾斜角度问题，全套代码100%可用。

吴恩达传统机器学习作业代码（python jupyter）：线性回归、逻辑回归、神经网络、SVM、Kmeans决策树和自动调参数 吴恩达老师的机器学习课后习题Python 包含有8个单元，附带数据集，轻松入门机器学习。 适合人工智能专业初期的同学