本文为您自己的对象检测项目提供了一个很好的起点。

常见机器学习任务的演练-通过使用python和scikit-learn构建Naive Bayes垃圾邮件分类器

自适应信号处理机器智能 该存储库用于存储2020-2021年伦敦帝国理工学院自适应信号处理和机器智能模块的最终报告和算法完成的所有工作。

[进入当今世界是高频数据驱动的，其特征是信息技术的应用和使用，以促进更好的业务发展和决策。 股票市场的价格变动主要受各个经济体的微观和宏观经济变量、法律框架和税收政策的影响。 问题的关键在于根据历史或过去的价格准确预测单个公司未来的股价走势。 由于股票市场随机行为的盛行和股价的波动，实现预测市场趋势的准确性变得困难。 本文使用集成机器学习方法分析了 NSE-Nifty 波动最大的 50 只公司股票（就市值而言）的运动模式的随机性。 研究结果将帮助投资者做出理性和明智的投资决策，通过投资于最有价值的股票来优化股票回报。

Collaborative Cyber Threat Intelligence 英文无水印pdf pdf所有页面使用FoxitReader和PDF-XChangeViewer测试都可以打开 本资源转载自网络，如有侵权，请联系上传者或csdn删除 本资源转载自网络，如有侵权，请联系上传者或csdn删除

怀疑识别等级MATLAB代码分类-计算-智能 本次作业的目的是研究 TSK（Takagi-Sugeno-Tang）模型解决分类问题的能力。 具体来说，从 中选择两个数据集，以便使用模糊神经模型对各自类别中的可用样本进行分类。 第1部分 第一个数据集用于对此类模型的训练和评估过程进行简单调查，并说明分析和解释结果的方式。 我们检查了四个 TSK 模型，其中定义了模糊 IF-THEN 规则数量的参数，即集群半径，被修改。 对于输入分区，我们使用减法聚类 (SC)方法。 特别是，在第一种情况（前两个模型）中，SC 将针对整个训练集（类独立）运行，而在第二种情况（其余两个模型）中，聚类将分别应用于每个类的训练数据（类依赖）。 我们使用这种聚类方法的原因是模型的可解释性的增加和“更干净”的聚类（因此规则）的产生。 数据集： 第2部分 第二个更复杂的数据集用于更完整的建模过程，其中包括预处理步骤，例如特征选择和通过交叉验证优化模型的方法。 由于数据集较大，可能会出现规则爆炸等问题。 为了避免这种情况，我们有必要通过选择最重要的特征并拒绝不太有用的特征来降低其维度。 之后，我们应用网格搜索和5 倍交

自己写的Cohort Intelligence的MATLAB代码，附测试函数，可以运行

Artificial Intelligence: A Modern Approach 课件

尽管仍处于起步阶段，人工智能 (AI) 已经显示出巨大潜力，可以推动人类走向繁荣和增长的新领域。 然而，由于其强大的力量，AI 也可能带来重大风险，应谨慎处理，而不是恐惧。 世界顶级政治领导人已经了解人工智能的颠覆性潜力，并急于在这个关键的新兴领域获得竞争优势，即使以复兴老式产业政策为代价。 与此同时，学术界和民间社会呼吁广泛共享的道德原则，以避免负面影响。在这种瞬息万变的背景下，欧洲正在努力跟上美国和中国等超级大国的步伐。这份报告总结了欧盟的工作。 CEPS 人工智能工作组于 2018 年召开会议。 认为欧盟及其成员国在引领全球社会走向负责任、可持续的人工智能发展方面处于独特地位，其成员呼吁欧洲领导人专注于利用人工智能的潜力来促进可持续发展发展符合 2030 年议程。该报告就如何设计和推广合法、负责任和可持续的人工智能以及如何处理未来的政策和投资决策提出了 44 条建议，旨在让欧洲处于主导地位，以应对最具破坏性的问题。我们时代的技术转型。

Python中RGB-D图像的体积TSDF融合 这是一个轻量级的python脚本，可将多个已注册的颜色和深度图像融合到一个投影的截断的有符号距离函数（TSDF）体积中，然后可用于创建高质量的3D表面网格和点云。 在Ubuntu 16.04上测试。 较旧的CUDA / C ++版本可在找到。 要求 带有 ， ， ， 和 。 通过运行以下命令，可以快速安装/更新它们： pip install --user numpy opencv-python scikit-image numba [可选] GPU加速需要具有和的NVIDA GPU： pip install --user pycuda 演示版 该演示将来自7个场景的数据集的1000张RGB-D图像融合到405 x 264 x 289的投影TSDF体素体积中，在GPU模式下以约30 FPS（在CPU模式下为0.4 FPS）的分辨率为2cm，并输出3D网格mesh.ply可以使用诸如的3D查看器可视化的mesh.ply 。 注意：彩色图像保存为24位PNG RGB，深度图像保存为16位PNG（以毫米为单位）。 python de