针对传统机器学习方法不能有效地提取恶意代码的潜在特征，提出了基于栈式自编码（stacked auto encoder，SAE）的恶意代码分类算法。其次从大量训练样本中学习并提取恶意代码纹理图像特征、指令语句中的隐含特征；在此基础上，为提高特征选择对分类算法准确性的提高，将恶意代码纹理特征以及指令语句频度特征进行融合，训练栈式自编码器和softmax分类器。实验结果表明，基于恶意代码纹理特征以及指令频度特征，利用栈式自编码分类算法对恶意代码具有较好的分类能力，其分类准确率高于传统浅层机器学习模型（随机森林、支持向量机），相比随机森林的方法提高了2.474%，相比SVM的方法提高了1.235%。

gee-Landsat影像 随机森林分类代码

门控图神经网络（GGNN）的Tensorflow实现，用于源代码分类 这是门控图神经网络（GGNN）的Tensorflow实现，如Y. Li，D.Tarlow，M.Brockschmidt和R.Zemel在论文《 ）中所述。 缩短培训时间并加快收敛速度​​的技巧： 存储桶：将具有相似大小的批处理图放在一起，而不是随机混洗和批处理。 对于小图，请使用密集图表示；对于大图，请使用稀疏图表示。 我们根据的论文的详细信息，将文件解析为图形表示形式。 有关为方法名称预测实现的版本，请参阅此存储库： : 什么是GGNN？ 解决图结构化数据和问题 门控传播模型（与GRU相同的想法），用于计算节点表示形式 展开固定步骤的重复周期，并在整个时间范围内使用反向传播 任务 代码分类 排序算法（SA数据集）：从Github收集的10个排序问题，包括：插入排序，合并排序，拓扑排序，堆排序，冒泡排序，

为提高大规模恶意代码分类任务的分类准确率，提出基于词向量的恶意代码分类模型，引入NLP中表达语义含义的词向量概念，提取恶意代码函数语义特征，使用textCNN神经网络对其进行分类。实验结果表明，该模型在微软公司提供的BIG2015恶意代码分类比赛的训练集上能实现98.78%的预测准确率，相较几种传统方法准确率分别提高0.91%~3.16%。

Source Insight 黑色背景的模板，分类显示关键字、变量、宏、参数等，注释对中文支持不好等问题。

PTA的C++试题，含题目和代码，分类清晰

本代码含随机森林的分类、回归代码，代码功能相当全面，性能良好，能够支撑项目开发和科研需要。---------

为了保护网页不被嵌入恶意代码，提出了一种基于网页文件代码分类检测技术的恶意代码检测系统，并完成了软件设计与开发。该系统采用J2EE技术开发，能够对网页文件进行代码分类扫描，并根据不同的扫描结果进行相应的处理。通过实际应用表明，采用代码分类检测技术能够高检出、低误报的识别出多种恶意代码，达到了设计要求。

中医病证代码分类及编码(95版): 1.中医疾病: 中医疾病分类代码 中医疾病分类名称 2.中医证候: 中医证候分类代码 中医证候分类名称

国家临床版2.0疾病诊断编码（ICD-10）国家临床版3.0手术操作编码（ICD-9-CM3）国家临床版2.0肿瘤形态学编码中医病证代码分类及编码(95版)（2020版）.xlsx