深度卷积神经网络在计算机视觉中的应用深度卷积神经网络在计算机视觉中的应用深度卷积神经网络在计算机视觉中的应用

COCOStuff164kCurated.tar.gz 有一些项目的COCOstuff数据集下需要使用curated文件夹

python实现采用Alpha-Beta剪枝搜索实现黑白棋AI源码（人工智能期末作业）.zip 黑白棋 实验要求： 使用 『最小最大搜索』、『Alpha-Beta 剪枝搜索』 或 『蒙特卡洛树搜索算法』 实现 miniAlphaGo for Reversi（三种算法择一即可）。 使用 Python 语言。 算法部分需要自己实现，不要使用现成的包、工具或者接口。 Result： 实现 AIPlayer 类，采用 Alpha-Beta 剪枝搜索实现黑白棋 AI

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

python实现基于区域二元线性回归模型进行图像恢复源码+项目说明（人工智能期末作业）.7z 图像恢复 实验要求： 生成受损图像，函数接口 noise_mask_image 受损图像是由原始图像添加了不同噪声遮罩（noise masks）得到的 噪声遮罩仅包含 {0,1} 值。对原图的噪声遮罩的可以每行分别用 0.8/0.4/0.6 的噪声比率产生的，即噪声遮罩每个通道每行 80%/40%/60% 的像素值为 0，其他为 1。 使用区域二元线性回归模型，进行图像恢复。 评估误差为所有恢复图像与原始图像的 2-范数之和，此误差越小越好。 Result： 使用线性模型以 10 x 10 的区域为单位，进行像素预测，直到完成整张图片的像素预测，完成图像恢复

NFT图像随机组合 图片按图层随机组合

机器学习是问题学习和决策的核心论证和人工方面分类。 因此，科学家们引入了机器学习，通常用于人工思维。 使人脑等各种活动自动化的重要方法是人工智能准备框架。 机器学习技术需要一个规划程序来自动获得对不同应用程序信息的搜索控制。 机器学习在机器人领域发挥着重要作用。 它有助于决策并提高机器效率。 机器学习在大量应用中得到应用。 正是智能系统的原理概念有助于巧妙地引入人工智能，也使人工智能非常先进。

人工智能原理及其应用王万森第3版课后习题答案 (1).doc

tensorflow,pytorch学习资料

跳棋 跳棋的实现。 模式：玩家 VS CPU，2 个玩家，2 个 CPU。 可以为 CPU 模式选择启发式方法。