“简单媒体播放器”程序效果如下： (1) 包含一个“文件”菜单，文件菜单包含2个菜单项 (2) 包含一个“外观”菜单，外观菜单包含3个菜单项 (3) 包含一个“控制”菜单，控制菜单包含4个菜单项 (4)包含一个“帮助”菜单，控制菜单包含2个菜单项 (5) 图形控制模块

深度学习基于学生面部表情疲劳检测的在线课堂系统项目源码。内附使用说明代码注释，新手也可自行操作。 结合时代背景，考虑到学生在线课堂教育会成为后疫情时代的发展趋势，但是现如今的在线课堂教育的弊端很明显，就是老师无法实时监视学生的学习状态。因此，这里专门使用声网agora SDK + leanCloud + pyqt5，简单实现在线课堂的基本功能。 前端界面设计：pyqt5 后端数据存储：leanCloud 音视频通信：agora SDK 疲劳检测算法：多特征经验融合的K近邻疲劳早后期检测算法 该系统主要分成学生端，教师端和服务器端：。

对于嵌入式系统的理解与展望。和系统的设计。文末有文献参考说明。

设计用例图 设计类图 设计顺序图 设计协作图 设计状态图 设计活动图 设计组件图 设计部署图

云计算大作业使用Hadoop对美国新冠肺炎疫情数据分析项目。 实验内容 统计指定日期下，美国每个州的累计确诊人数和累计死亡人数。 对实验1的结果按累计确诊人数进行倒序排序。（重写排序规则） 对实验1的结果再运算，统计截止指定日期，全美各州的病死率。病死率 = 死亡数/确诊数。 统计美国截止每日的累计确诊人数和累计死亡人数。做法是以date作为分组字段，对cases和deaths字段进行汇总统计。 对实验4的结果再运算，统计美国每日的新增确诊人数和新增死亡人数。因为新增数=今日数-昨日数，所以考虑使用自连接，连接条件是t1.date = t2.date + 1，然后使用t1.totalCases – t2.totalCases计算该日新增。 对实验4的结果再运算，统计美国截止当日的病死率。 将美国不同州的疫情数据输出到不同文件，属于同一个州的各个县输出到同一个结果文件中。（重写排序规则，重写分区规则）。 统计指定日期下，美国每个州的确诊案例最多前N（TopN）的县。（重写排序规则，重写分组规则）

基于机器学习的人脸图像性别识别分类项目源码（机器学习大作业+毕业设计）。 文件说明 GenderRecognition.ipynb - 包含运行结果的交互式Jupyter Notebook run.py - 纯Python代码 save_weights.h5 - 训练2000轮后的权重，可复现最佳预测结果 submission.csv - 输出的预测结果 trial.txt - 使用最佳模型预测训练集，对训练集所做的修改 Jupyter Notebook Preview.html/Jupyter Notebook Preview.pdf - 运行结果，内容同GenderRecognition.ipynb

机器学习课设大作业基于BERT和朴素贝叶斯算法的新闻文本分类项目（源码+大作业+数据集）。一个很完整的项目源码，操作没难度，新手也可放心下载。 data文件夹中已经包括了初始的数据集和处理之后的数据集。.csv文件初始数据集，另外两个是经过News_prediction.ipynb代码处理过的。在Bert和NaiveBayes训练函数中直接加载上来。 result文件夹中的文件是朴素贝叶斯和Bert模型训练后的输出文件 互联网假新闻分类 一共三种类别：真新闻、假新闻、不用判断 40000条训练文本数据，10000条测试数据。 基于正则表达式和Jieba完成特征工程 朴素贝叶斯：tf-idf词嵌入。87.4% BERT：cn-wmm预训练词向量。5-epoch，91.4%

机器学习基于python实现风景分类项目源码+大作业+数据集+注释。 非常完整的一个机器学习的实践项目，代码带说明，新手也可操作，高分必看，也可作为毕业设计哈！ 数据集 存放在 \data 文件夹下，数据集说明见 requirement.pdf 文件 机器学习基于python实现风景分类项目源码+大作业+数据集+注释。 非常完整的一个机器学习的实践项目，代码带说明，新手也可操作，高分必看，也可作为毕业设计哈！ 数据集 存放在 \data 文件夹下，数据集说明见 requirement.pdf 文件 机器学习基于python实现风景分类项目源码+大作业+数据集+注释。 非常完整的一个机器学习的实践项目，代码带说明，新手也可操作，高分必看，也可作为毕业设计哈！ 数据集 存放在 \data 文件夹下，数据集说明见 requirement.pdf 文件

基于机器学习的个人信贷违约预测识别项目源码（可作为毕业设计和期末大作业）。 内附文档说明！！！非常完整的一个机器学习项目，新手也可自己动手，高分必看！！！ 评测指标 经典预测任务：使用ROC曲线下面积(Area Under Curve, AUC)作为评价指标。AUC值越大，预测越准确。 描述性聚类-->软聚类 训练数据说明 训练数据train_public.csv 训练数据train_internet.csv 提交数据submission.csv 使用的三种模型 多层感知机,决策树(概率树),自定义模型(距离-概率转换方法)

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。