人工智能和机器学习--PPT12-集成学习.pdf

人工智能和机器学习--PPT05-模型选择和评价.pdf

人体检测多年来一直是人工智能和模式识别的研究热点，并已经有多项成果应用于智能视频监控、车辆辅助驾驶系统等领域。近年来，随着特征提取和机器学习技术的逐步成熟，基于统计学习的方法成为人体检测的主流研究方向。 论文首先介绍了人体检测相关的特征提取和机器学习技术，针对单目视觉中面临的人体深度信息丢失，视频分辨率低、人体姿态的类内散度大等问题，做了深入思考和研究，对现有的一些人体检测方法提出了若干改进方法，主要工作有（1）给出了一种多特征融合的特征描述算子，提出了利用MMSD方法进行特征降维的改进方法。针对单一特征描述能力有限，难以满足人体检测高检测率、低误检率的缺陷，本文融合了人体颜色自相似性和梯度直方图的特征，从色彩和纹理两个方面描述人体，并且针对融合特征维数增大的问题，采用MMSD进行特征降维，降低了训练的计算复杂度，提高了训练速度，训练出的强分类器包含的弱分类器个数更少，提高了检测速度。（2）给出了一种基于多部位的人体检测算法并提出了改进算法。针对基于整体的人体检测算法对于人体姿态变化、部分遮挡鲁棒性较差的问题，采取基于部位检测的方法，利用结合adaboost和级联方法的多示例学习算法对形成的部位多示例样本训练，构建级联分类器，通过级联分类器对样本集的检测建立各部位检测器的联系从而将训练样本映射到低维向量，利用支持向量机对这些向量进行学习，形成人体的最终分类器。（3）设计并实现一个基于视频的人体检测系统。 通过在一些公开的测试视频实验的结果表明，本文提出的改进算法对人体的检测率和误检率都有所改善。设计和实现的系统实现了复杂背景下多姿态、部分遮挡的视频人体检测，具有重要的实用价值。

BP（Back Propagation）算法是一种有导师的学习算法，它分两个阶段：正向传播阶段和反向传播阶段。BP算法现已成为人工神经网络中最引人注意应用最广泛的算法之一。本文简要介绍了BP算法的基本思想、数学模型、算法推导及算法的实现过程。另外，本文给出了BP算法的两个应用，其一为手写数字的识别问题，其二为智能小车自动寻经问题。通过Matlab仿真实验表明，用BP神经网络可以很好的解决以上类似问题。 该资源包含1个报告、1个PPT讲稿、Matlab仿真程序及Matlab运行情况录像，供大家学习参考！

对于一幅图像可以看作一个由像素值组成的矩阵，也可以扩展开，看成一个矢量，如一幅N*N 象素的图像可以视为长度为N2 的矢量，这样就认为这幅图像是位于N2 维空间中的一个点，这种图像的矢量表示就是原始的图像空间，但是这个空间仅是可以表示或者检测图像的许多个空间中的一个。图像识别的基本思想首先选择一个合适的子空间，图像将被投影到这个子空间上，然后利用对图像的这种投影间的某种度量来确定图像间的相似度。 本资源包含了文档及MATALB程序，供大家学习参考！

记录仪 使用人工智能和机器学习来预测实时 MIDI 播放中的下一个音乐主题。 使用以下命令在 Mac 上可视化 MIDI 文件： pythonvisualize.py 要运行图案轮廓可视化器，请运行以下命令：pythonmotif_sil.py samples // 要运行无监督学习算法以保存交叉验证测试程序中使用的 .mtf 文件，请运行以下命令 pythonmotif.py <您要保存的文件名> samples // 您可以使用以下命令运行 k 折交叉验证： python kFoldXValidation.py <保存的motif文件的路径> samples // 示例用法： 在命令行中运行以下命令：（我们假设在 Sixty_samples/all/ 中有 60 个 MIDI 文件） pythonmotif.py centroid_60_4bea

人工智能和机器学习的八个典型案例.pdf

布局 根据 人工智能与机器学习 这是一个存储库，它存储了我最早的一些AI和ML项目，同时整理了基础知识。 ML的基础知识，各种算法，降维，训练，测试与验证，神经网络等都是我在此系列项目中所做的事情。 在这次降价促销中，我将讨论和解释我在执行这些项目时所经历的过程。 ##泰坦尼克号：从灾难泰坦尼克号学习机器正是您所想的。 该项目描述了泰坦尼克号上个别乘客的生存状况。 1912年4月15日，在她的处女航中，被广泛认为的“沉没” RMS泰坦尼克号与冰山相撞后沉没。 不幸的是，船上没有足够的救生艇供所有人使用，导致2224名乘客和机组人员中的1502人死亡。 尽管幸存有一些运气，但似乎有些人比其他人更有可能生存。 我们在这里的工作是使用乘客数据（例如姓名，年龄，性别，社会经济舱等）来找到什么样的人能够幸存。