matlab人脸识别，口罩遮挡条件下的人脸识别，人脸考勤，口罩检测，条码识别，花卉识别，试卷分数录入，公式识别，路标识别，条形码识别等。 CNN神经网络，SVM、决策树等机器学习，GUI界面设计。 >传统机器学习算法 >深度学习神经网络 >GUI 界面搭建优化 秉持质量第一的原则，系统能得到较高的准确度，完成目标检测的任务要求。 985本硕，设计目标检测算法，包运行，可提供讲解，人很耐心，可以手把手教会你程序的逻辑，提出你的想法吧！保证你不后悔~~~ 可以先下载预览程序和GUI界面，也可以提出自己的需求，适合自己的才是最好的！

MVSNet代码超详细注释，PyTorch可运行，其中 temp.py 随机生成图像和内外参，可以快速测试代码并学习网络。

一个简单的网格搜索框架 网格搜索就是穷举法，对所有可能的参数组合都带入程序，进行尝试。 模型参数对应：SARIMA(p,d,q)(P,D,Q)m，对于模型来说并不是所有输入参数都是有效的， 如季节周期参数m不能为0，当m=0时，会导致SARIMAX函数报错。 以SARIMA模型为示例，介绍了如何对模型的参数进行网格搜索来找到较优参数 SARIMA是对AR,MA,ARIMA模型的改进，添加了季节周期的因素在里面 在网格搜索配置超参数的时候也是一个学习点

单变量时间序列预测开发深度学习模型_python源码+数据+超详细注释 内容： 多层感知器模型 卷积神经网络模型_CNN 递归神经网络模型_LSTM 递归神经网络模型_CNN+LSTM 递归神经网络模型_ConvLSTM2D 本文使用了5种不同的网络模型,实现了一元序列的自回归 1.MLP：多层感知机 2.CNN：卷积 3.LSTM：长短周期 4.CNN+LSTM卷积+长短周期 5.ConvLSTM2D卷积+长短周期 并且分别比较了5中模型的预测效果，CNN模型相对来时是最好的。 深度学习在一元时间序列预测中表现并不佳

基于KNN的室内运动时间序列分类项目源码+数据+超详细注释 通过布置在不同房间的传感器获取到穿戴设备的人的移动数据，预测人的移动轨迹（人在哪个房间），场景见文件夹内示意图 内容包含： 1.数据说明见IndoorMovement\数据说明.txt 2.如何用pandas加载csv，并且画数数据的折线图，柱状图 3.用最小二乘法对数据进行线性拟合，并画出图像 4.数据特征工程:所有MovementAAL_RSS文件中最小的文件包含19条数据，所以默认以19作为数据集维度，故每个文件取最后19条，根据MovementAAL_DatasetGroup中的分组对应关系，将MovementAAL_RSS作为输入，MovementAAL_target作为输出，将文件按关联关系拼成train和test集合 5.将构建好的，维度为19的数据分别代入7种模型进行评估准确性，7种模型分别为LogisticRegression，KNN，DecisionTreeClassifier，SVM，RandomForestClassifier，GradientBoostingClassifier

基于KNN实现使用脑电波预测眼睛睁闭项目源码+数据+超详细注释 任务：根据获取的脑电波的数据，预测人的眼睛是睁开的开始闭上的 内容包含： 1.做数据基本预览时发现数据有部分异常值存在 2.对数据异常值进行处理，当数据值超过三倍标准差时，作为异常值删除掉 3.使用K折交叉重构数据，以便对数据进行重复验证，令K=10，将数据分成10组 4.用KNN模型对数据进行预测，model = KNeighborsClassifier(n_neighbors=3)表示设置KNN的参数K=3 5.本文后续讨论了对于有时间序列特点的数据使用KNN可能具有的缺陷，对打乱顺和正常顺序的数据进行预测结果是有较大差异的，因为KNN是找到最相似的数据聚类，但对于具有时间序列特征的数据，在高频取数的数据集中，连续时间上相邻的数据一定是最为相似的。

1.数据预览 2.预览一下数据的自相关图 3.预览残差图和残差的密度分布图 4.滑动窗口预测ARIMA模型

1.SARIMA模型的网格搜索超参数优化 基本一样 指数平滑预测方法，预测是过去观察值的加权，模型对过去观察值使用指数递减权重 所谓三重指数平滑在股票中指对数据重复进行三次平滑处理，从而减小数据波动。对应的指标叫TRIX 在时间序列预测中,三次指数平滑算法指可以对同时含有趋势和季节性的时间序列进行预测，该算法是基于一次指数平滑和二次指数平滑算法的 程序只修改了使用的预测模型部分， 从SARIMA模型改成了ExponentialSmoothing模型 同时修改了模型使用的参数，别的逻辑基本相同 内容： 1.网格搜索框架 2.无趋势和季节性研究 3.趋势性研究 4.季节性研究 5.趋势和季节性研究

基于MLP(多层感知机)的时间序列预测python源码+超详细注释 内容包含： 01.(多步+单变量输入)_(单步+单变量输出)_监督学习数据 02.(多步+单变量输入)_(单步+单变量输出)_MLP模型 03.(多步+多变量输入)_(单步+单变量输出)_监督学习数据 04.(多步+多变量输入)_(单步+单变量输出)_MLP模型 05.(多步+多变量输入)_(单步+多变量输出)_监督学习数据 06.(多步+多变量输入)_(单步+多变量输出)_MLP模型 07.多路输入_(多步+多变量输入)_(单步+单变量输出)_MLP模型 08.多路输出_(多步+多变量输入)_(单步+多变量输出)_MLP模型 09.(多步+单变量输入)_(多步+单变量输出)_监督学习数据 10.(多步+单变量输入)_(多步+单变量输出)_MLP模型 11.(多步+多变量输入)_(多步+单变量输出)_监督学习数据 12.(多步+多变量输入)_(多步+单变量输出)_MLP模型 13.(多步+多变量输入)_(多步+多变量输出)_监督学习数据 14.(多步+多变量输入)

基于CNN(卷积神经网络)的时间序列预测python源码+超详细注释 以CNN网络模型为示例，介绍了各种不同数据类型的网络结构 重点包含： 1.如何构造输入输出数据的形状 2.如何配置合适的网络参数来接受这些输入输出训练数据 本教程的目的是提供不同类型的时间序列预测模型的独立示例，作为模板，您可以针对特定的时间序列预测问题进行复制和调整