设计自动售货机电路,要求如下: (1)待售物品价格1元、2元、3元、5元; (2)只接受1元、5元、10元币值; (3)机内存有1元零钱无限; (4)投入钱币之前认为售货机为空闲状态;投入钱币后需要按下物品标签吐出商品; (5)自动找零;
2021-11-22 13:15:58 4.59MB Verilog
1
peter 教授的 machine learning the art and science 电子版。
2021-11-22 12:46:38 8.56MB peter machin
1
感化器 受启发。 该宝石可以单独使用,也可以与rails应用集成。 Rails使用说明 使用bundler gem "sentimentalizer"安装gem 运行rails g sentimentalizer 。 这将生成一个带有after_initialize钩子的初始化文件。 基本上是在训练要在应用程序中使用的模型。 每当您启动服务器或运行任何rake命令时,它将运行,希望对此有所投入。 现在,您可以在require "sentimentalizer"之后运行以下命令 Sentimentalizer . analyze ( 'message or tweet or status
2021-11-22 12:11:39 2.99MB ruby rails machine-learning sentiment-analysis
1
faceRecgSys:使用Matlab的人脸识别系统; 算法:LBP,PCA,KNN,SVM和朴素贝叶斯
1
安然欺诈项目 休斯顿的安然综合体- 安然是美国最大的公司之一。 由于公司欺诈,它破产了。 由于联邦调查的结果,大量的安然数据(电子邮件和财务数据)已进入公共记录。 该项目旨在建立一个分类器,该分类器可以基于公共的安然财务和电子邮件数据集来预测安然员工涉及欺诈的情况。 有关安然丑闻的更多详细信息,请参见 。 工作流程 该项目分为3个主要阶段: 功能选择和工程 算法选择 选型 特征选择与工程 首先,清理数据; 由于我们对个人数据感兴趣,因此删除了与“总计”和“公园旅行社”相对应的数据。 另外,“ LOCKHART EUGENE E”数据全为零,并且也被删除。 一些功能也被删除。 由于“ to
2021-11-21 19:00:23 2.77MB python machine-learning random-forest scikit-learn
1
用Python进行地质记录数据机器学习 使用Python中的机器学习(ML)技术分析了美国堪萨斯州一口井的地质测井数据。 对数据进行了概述,清理和分析,以发现重要的模式和关系,通过这些关系和关系我们发现了测井曲线之间的关系以及地层类型与测井曲线之间的关系。 使用此方法,当我们拥有该地区的先验地质知识后,就可以避免使用与地层类型相关或没有相对重要性的测井记录。 而且,一旦使用ML算法训练了数据,就可以成功地进行地层类型的预测。
2021-11-21 16:15:02 10.82MB JupyterNotebook
1
字符识别:使用机器学习算法(SVM,KNN)从图像中识别字符
2021-11-21 14:02:23 30.79MB python opencv machine-learning scikit-learn
1
IE598金融学机器学习,2018秋季,伊利诺伊大学香槟分校 马克最终小组项目 作者:约瑟夫·洛斯(Joseph Loss),杨若中,徐凤凯,冯彪和段玉辰 型号概要: 探索性数据分析 预处理,特征提取,特征选择 模型拟合和评估,(您至少应拟合3种不同的机器学习模型) 超参数调整 组装 IE598金融学机器学习,2018年秋季最终小组项目 作者:约瑟夫·洛斯(Joseph Loss),杨若中,徐凤凯,冯彪和段玉辰
2021-11-21 09:50:16 6.12MB python data-science machine-learning scikit-learn
1
STAT 479:机器学习(2019年秋季) 威斯康星大学麦迪逊分校的Sebastian Raschka教授的STAT 479:机器学习(FS 2019)课程材料 主题摘要(计划中) 以下是我计划涵盖的主题列表。 请注意,虽然这些主题是通过讲座进行编号的,但是请注意,有些讲座的长短比其他讲座短。 此外,如果您担心时间问题,我们可能会跳过某些主题,而转向其他主题。 虽然本节概述了可能涉及的潜在主题,但实际主题将在课程列出。 第一部分:简介 第二部分:计算基础 第三部分:基于树的方法 第四部分:评估 第五部分:降维
2021-11-20 14:59:09 63.58MB JupyterNotebook
1
RMDL:RMDL:用于分类的随机多模型深度学习
1