基于图像处理（非机器学习）的方法实现细胞的检测和分割的全部数据资料并对结果进行评估。 我们将整个程序分成7个python文件，其中三个文件是细胞分割的算法，一个结果评估的文件，一个细胞再筛选的文件，一个图像处理的文件和一个main文件 三个划分算法分别为：cell_segmentation_by_sub.py、cell_segmentation_by_shape.py、cell_segmentation_by_fit.py. 结果评估文件是：divide_assessment.py. 细胞再筛选文件是：results_filter.py. 图像处理文件是：image_processing.py. 主程序文件：main.py. 基于图像处理（非机器学习）的方法实现细胞的检测和分割的全部数据资料并对结果进行评估。基于图像处理（非机器学习）的方法实现细胞的检测和分割的全部数据资料并对结果进行评估。基于图像处理（非机器学习）的方法实现细胞的检测和分割的全部数据资料并对结果进行评估。基于图像处理（非机器学习）的方法实现细胞的检测和分割的全部数据资料并对结果进行评估。

基于距离变换+分水岭传统图像处理算法实现了金属纳米颗粒图像的自动分割与计数，可以供研究人员参考，简单修改代码即可直接插入到自己的项目中，程序里面有比较详细的注释，直接就能看懂，如果有问题可以私信，作者会耐心解答。

测试Linux 内核的稳定性，熟悉ltp的用法，和具体的测试用例。

NLP自然语言处理实验，简单搭建一个Bi-LSTM+CRF的中文分词框架，并且利用基于深度学习的方法进行中文命名实体识别。

使用深度学习的方法做时间序列预测.zip

教学手段信息化背景下线上深度学习的方法与途径

回归树matlab代码GENIE3 基于机器学习的方法，可根据表达数据推断基因调控网络。 GENIE3方法在以下论文中描述（可用）： Huynh-Thu V. A., Irrthum A., Wehenkel L., and Geurts P. Inferring regulatory networks from expression data using tree-based methods. PLoS ONE, 5(9):e12776, 2019. GENIE3的四个实现可用：Python，MATLAB，R / randomForest和R / C。 每个文件夹都包含一个PDF文件，其中包含有关如何运行代码的分步教程。 注1：R / C实现也可以从安装。 注2： PLoS ONE论文中介绍的所有结果都是使用MATLAB实现生成的。 GENIE3基于回归树。 为了学习这些树，Python实现使用该库，MATLAB和R / C实现分别是编写的C代码的MATLAB和R包装器，而R / randomForest实现使用R包。 R / C实现是最快的GENIE3实现，是为SCENIC管道开发

社交媒体文本中的情感分析，运用了情感字典和机器学习的方法.zip

深度神经网络最近展示了它们解决复杂任务的惊人能力。今天的模型训练了数以百万计的例子，能够可靠地注释图像，翻译文本，理解口语或玩战略游戏，如国际象棋或围棋。

将堆栈自动编码器(SAE)与极限学习机(ELM)联合,建立了深度神经网络预测模型(SAE-ELM)。利用苹果高光谱图像提取出的光谱数据,对深度神经网络的权值和阈值进行了初始化和微调。与传统ELM模型预测结果相比,SAE-ELM的预测集决定系数和残留预测偏差分别从0.7345和1.968提升至0.7703和2.116,预测集方均根误差从1.6297降至1.2837。研究结果表明:深度学习网络SAE-ELM模型的预测性能优于传统的ELM模型,将其用于预测苹果硬度是可行的。