1、资源内容：机器学习大作业-图像识别-安检识别+实验报告+源代码+文档说明+YOLOv5，python实现 2、代码特点：内含运行结果，不会运行可私信，参数化编程、参数可方便更改、代码编程思路清晰、注释明细，都经过测试运行成功，功能ok的情况下才上传的。 3、适用对象：计算机，电子信息工程、数学等专业的大学生课程设计、期末大作业和毕业设计。 4、作者介绍：某大厂资深算法工程师，从事Matlab、Python、C/C++、Java、YOLO算法仿真工作10年；擅长计算机视觉、 目标检测模型、智能优化算法、神经网络预测、信号处理、元胞自动机、图像处理、智能控制、路径规划、无人机等多种领域的算法仿真实验，更多源码，请上博主主页搜索。 -------------------------------------------------------------------------- -

EE369 机器学习大作业

python数据分析,因为股票价格的影响因素太多，通过k线数据预测未来的价格变化基本不可行，只有当天之内的数据还有一定的关联，故feature与target都选择的是当天的数据。 加载数据 为了加快数据的处理速度，提前将mariadb数据库中的数据查询出来，保存成feather格式的数据，以提高加载数据的速度。 经过处理，不同股票的数据保存在了不同的文件中，列名还保持着数据库中的字段名。我选择了股票代码为sh600010的这只股票作为数据分析的数据来源。预测出来的结果与真实值变化趋势相近，说明线性回归模型在一定程度上能够解释收盘价与选取的feature之间的关系

基于python机器学习实现的人脸识别大作业源码+课程报告+项目说明.zip 【资源说明】 1. photo_lib_sec_rec 调用simple_CNN.81-0.96.hdf5进行对照片的性别识别 2. photo_sex_rec 参考网上教程，运用机器学习识别照片中人物的性别 3. photo_test 对照片中人脸和眼睛的识别 4. video_face_rec 视频中人脸的识别 5. video_lib_sex_rec 调用simple_CNN.81-0.96.hdf5进行对视频的性别识别 6. video_sex_rec 视频中人物性别识别 7. project.md 工程代码说明文档 8. 运用BP神经网络实现性别检测（工作报告） 工作流程的大体报告

机器学习大作业线性回归模型和卷积模型识别数字手写体.zip使用TensorFlow技术和Flask框架相结合，采用MNIST数据集作为数据，通过前端HTML和jQuery框架，利用canvas画布将用户在屏幕上的手写文字传入到后台Flask的Restful API中，然后flask通过调取模型接口，把数据传入模型中进行手写体识别，形成一个完整的闭环。本文使用两种方法训练数据，线性和卷积的方法，并将结果进行对比。训练结果较为理想，可以有效识别出手写数字，并得到较好的准确率。 本次MNIST手写数字识别首先使用MNIST来导入数据，建立模型，建立了线性模型和卷积模型。再通过调取模型，进行训练，建立训练模型，保存参数模型，得到训练模型。通过前端请求，加载模型，进行调用。完成数据传入，训练，打包，调用。可以作为基础，可以通过相关数据集训练进行更多图像分类。

于背景的预测框。然后根据置信度阈值（如 0.5）过滤掉阈值较低的预测框。将留下的预测框进行解码，根据先验框得到其真实的位置参数，解码之后，根据置信度进行降序排列

机器学习大作业-机器学习分类，回归，聚类算法项目源码 第一次作业 LinearDiscriminatorAnalysis分类，逻辑回归2，3分类 第二次作业 决策树 第三次作业 MLPClassifier分类器，Percepton线性分类器 第四次作业 一维拟合，二维拟合，支持向量机分类 第五次作业 多项式朴素贝叶斯分类器 第六次作业 GMM聚类算法 第七次作业 AdaBoostClassifier分类器 第八次作业 KMeans,KMedoids聚类

基于机器学习的人脸图像性别识别分类项目源码（机器学习大作业+毕业设计）。 文件说明 GenderRecognition.ipynb - 包含运行结果的交互式Jupyter Notebook run.py - 纯Python代码 save_weights.h5 - 训练2000轮后的权重，可复现最佳预测结果 submission.csv - 输出的预测结果 trial.txt - 使用最佳模型预测训练集，对训练集所做的修改 Jupyter Notebook Preview.html/Jupyter Notebook Preview.pdf - 运行结果，内容同GenderRecognition.ipynb

python机器学习大作业用numoy构建原始CNN网络项目源码。在本项目中，通过numpy实现了一个CNN网络，包括其中的卷积层，池化层以及全连接层，通过公式推导、代码编写，加深了对于卷积、池化、反向传播等概念的理解。 采用现在主流的深度学习框架Pytorch实现识别，并与自己搭建的CNN训练结果进行比较。 采用相同的网络结构： self.conv1 = nn.Conv2d(in_channels=1, out_channels=8, kernel_size=3, padding=0, stride=1) self.maxpool = nn.MaxPool2d(kernel_size =2, stride=None, padding=0) self.fc1 = nn.Linear(13 * 13 * 8, 512) self.fc2 = nn.Linear(512, 10) 在3个epoch下测试结果： 相比与用numpy实现的CNN，其具有较高的稳定性，以及训练速度，因为PyTorch将输入转为张量形式，转入GPU中训练，同时用了SGD优化器，加快loss收敛速度。

题目是文本分类-情感分析（SVM+TF-IDF，预训练词向量+TextCNN，RNN文本分类），编程平台主要是jupyter notebook，编程语言是python。含报告和代码，该课程期末成绩满绩。