该课题为基于MATLAB的汽车出入库识别系统，带有丰富的人机交互GUI界面。 靓点1版本：可做成 复杂背景的车牌识别【可以看到全车以及周边其他物体】 靓点2版本：可做成 具备判断是否为库内车牌的车牌识别，并且计时计费（智慧停车场） 靓点3版本：可做成 具备语音播报的车牌识别，把识别结果通过声音方式播报出来 靓点4版本：可做成 两种方法的对比，本课题为模板匹配和bp神经网络方法的对比

实现基于Python的BP神经网络数据预测模型，压缩包中包含文件如下：源码BPNN.py主要用于使用训练数据集进行模型训练，生成对应的训练后模型参数；test.py主要用于利用训练好的模型对测试数据集进行预测，输出结果包括MAE、MAPE等误差值以及预测差值的分布情况等；train.csv为训练数据集，test.csv为测试数据集，.npy文件为训练后生成的权值、阈值。

Conll-2003 数据集：第一列是单词，第二列是词性，第三列是语法，第四列是实体标签。在NER任务中，只关心一和四列。

历史沪市指数 shanghai_index_1990_12_19_to_2021_03_02.csv

28 部电影-超 70 万 用户-超 200 万条 评分评论 想看数据建议用notepad++打开 用于分析类型 推荐系统 情感/观点/评论 倾向性分析 豆瓣电影

博客原文《深度学习目标检测：YOLOv5实现红绿灯检测(含红绿灯数据集+训练代码) 》https://blog.csdn.net/guyuealian/article/details/128240198 ； 目前，基于YOLOv5s的红绿灯检测精度平均值mAP_0.5=0.93919，mAP_0.5:0.95=0.63967，基本满足业务的性能需求。另外，为了能部署在手机Android平台上，本人对YOLOv5s进行了模型轻量化，开发了一个轻量级的版本yolov5s05_416和yolov5s05_320，在普通Android手机上可以达到实时的检测和识别效果，CPU(4线程)约30ms左右，GPU约25ms左右 ，基本满足业务的性能需求。

市场指数数据集（1998-2020）.zip

电影数据集数据可视化分析 电影数据集数据可视化分析 ⼀、数据描述 1.1、数据集描述 movies数据框包含45456⾏，有共10列，有adult，belongs_to_collection，budget，genres，homepage等24个，对应每个电影的的⼀些特 征。 type：类型 director：导演 country：国家 keyword：关键字 score：评分 belongs_to_collection：归属 popularity：声望 revenue：收⼊ vote_average：平均投票 vote_count：投票数 1.2、数据展⽰ 1.3、项⽬操作流程 1.4、导⼊数据 ⼆、问题提出 （1）不同国家电影产量是否存在差异？若有，电影产量最⼤的是哪个国家，占多少份额？ （2）哪些国家制作的电影在平均⽔平上更倾向获得观众的⾼评分？ （3）电影的类型构成是怎么样的？电影占⽐较⼤的是哪些类型的电影？ （4）不同类型电影的评分分布情况，哪些类型的电影更倾向于获得观众好评？ 三、数据清洗和预处理 处理完的表格： 四、各变量相关性数据分析与可视化 (1)、不同国家电影产量是否存在差异？若有，电影产量最⼤的是哪个国家，占多少份额？数据显⽰，电影的产地可能不⽌⼀个国家，对于多 产地的电影，对于其中任⼀产地国都不算⼀部严格意义上的电影，所以此项研究的范围仅限于单产地电影的分析。 (2)、哪些国家制作的电影在平均⽔平上更倾向获得观众的⾼评分？ (3)、电影的类型构成是怎么样的？电影占⽐较⼤的是哪些类型的电影？ 在所有电影中，戏剧电影、喜剧电影、恐怖电影⽐较受制⽚⼈青睐，三种类型的市场份额依次递减。 (4)、不同类型电影的评分分布情况，哪些类型的电影更倾向于获得观众好评？ #先获取所有电影类型列表 genres_full_data=pd.Series(list_).value_counts().sort_values(ascending=False) genres_full_data_=pd.DataFrame({"genres":genres_full_data.index ,"num":genres_full_data}).sort_values(by=["genres"]).drop("") 历史⽚、记录⽚、战争⽚的电影类型更倾向于获得观众的好评，其中，对于历史类型的电影，从图形上来说它的箱形较扁，说明这种系列的 电影的得分较为集中，即历史⽚得⾼分得概率较⼤；⽽记录⽚电影的箱形较长，说明这种系列的电影相对于历史⽚⽽⾔，得分较为分散，存 在⾼分电影，也存在得分不怎么⾼的电影，它的中位线更靠近四分之三分位线，⾼分部分的得分⽐低分部分的得分集中⼀些. (5)、电影关键字-词云图 五、主要结论 （1）在电影制作数量上，美国以88%的⽐例排名第⼀； （2）按电影评分平均分：巴基斯坦>阿根廷>爱尔兰； （3）戏剧电影、喜剧电影、恐怖电影⽐较受制⽚⼈青睐； （4）历史⽚、记录⽚、战争⽚的电影类型更倾向于获得观众的好评； （5）演员出演数量上，Samuel L.Jackson主演的电影数量超过60部，排名第⼀； （6）电影制作数量上，Steven Spielberg以27部排名第⼀。 以上就是围绕着关于电影数据集的若⼲问题展开的数据可视化分析全过程，后⾯有其他的分析⽅向，再补充吧。

淘宝穿衣搭配-挑战Baseline

本程序有数据集，有程序代码。本程序是将手写数字图像作为特征输入SVM，最终得到10分类，准确率约90%