猫VS狗分类器 需要最新版本的Matlab（R2017b）才能运行此文件夹中的代码。 为了设置“猫与狗”数据集，您必须将数据集划分为两个标记为“ cat”和“ dog”的子文件夹，并在其各自的图片中带有Kaggle Training文件夹。 您还必须检查以确保图像数据存储库是从正确的目录中提取的。 ALEXNET.m和VGG19.m是此文件夹中的主要代码文件，用于设置和训练各自的模型。 该文件夹是用于Oge Marques的CAP 4630-003：FAU的人工智能简介的存储库。 版权所有。

使用CNN的蘑菇识别分类器 目标： 该项目的目的是创建一个工具，该工具能够对来自大约1000种不同流行蘑菇种的蘑菇图片进行分类。 介绍： 蘑菇是重要的食物来源，并且在烹饪中被广泛使用，在许多美食中（特别是中国，韩国，欧洲和日本）。 此外，许多人喜欢户外活动来收集蘑菇。 但是，这种活动带来一些健康风险，因为某些有毒物质物种看起来与可食用标本相似。 在下面的示例中，我介绍了美味可食用的蘑菇Macrolepiota mastoidea和鹅膏菌鹅膏菌之间的相似性，这种摄入会导致死亡。 因此，辨别哪些蘑菇可以安全采摘是很重要的。 在本笔记本中，我将训练一种算法，该算法可以帮助我们对蘑菇种类进行分类。 使用的代码和资源： 的Python版本：3.7 使用的软件包：pandas，numpy，csv，bing_image_downloader，simple_image_download，pat

使用 CNN-MLP 的音频分类 使用深度学习（CNN、MLP）的多类音频分类 引文 如果你觉得这个项目有帮助，请引用如下： @software{vishal_sharma_2020_3988690, author = {Vishal Sharma}, title = {{vishalshar/Audio-Classification-using-CNN-MLP: first release}}, month = Aug, year = 2020, publisher = {Zenodo}, version = {v1.0.0}, doi = {10.5281/zenodo.3988690}, url = {

阿尔伯特-TF2.0 使用TF2.0的ALBERT模型微调 该存储库包含针对ALBERT的TensorFlow 2.0实现。 要求 python3 点安装-r requirements.txt ALBERT预训练 从零开始的ALBERT模型预训练和特定于域的微调。 说明 下载ALBERT TF 2.0砝码 Verison 1 版本2 将模型解压缩到存储库中。 以上重量不包含原始模型中的最后一层。 现在只能用于微调下游任务。 从TF-HUB到TF 2.0全权转换 下载胶水数据 使用以下cmd下载 python download_glue_data.py --data_dir glue_data --tasks all 微调 要准备用于最终模型训练的微调数据，请使用脚本。 tf_record格式的结果数据集和训练元数据应稍后传递给训练或评估脚本。 特定于任务的参数将在以下各节中介绍：

心血管疾病使用决策树和随机森林分类器 决策树算法可用于预测心血管疾病并使用随机森林分类器和探索性数据分析来提高准确性

isodata的matlab代码博客分类器 具有 l2 正则化的逻辑回归 Gaussian Naïve Bayes kmeans isodata 通用算法

本文提出了一种肠道疼痛是一种确定的污染，为此，需要简短总结其控制性最终目标。 使用改进的工具来查看混乱情况。 如果关闭基地坚持完成，然后由疼痛可变成动态罕见状态。 图片准备检查用于查看吉姆萨（Giemsa）变色边缘血液测试的微薄传播中的疟疾发热寄生虫，恶性疟原虫种的亲密关系。 一些图片管理的估计被用于对弱血迹传播的疟疾发烧进行自动评估，但是寄生虫血症的程度可靠地不像手动检查那样无可争议。 拟议的系统通过使用图片准备图形来清洁人的滑倒，同时看到疟疾发热寄生虫的亲密关系。 这是通过评估两种观察肠道紊乱寄生虫的策略来创建的。 第一个结构依赖于划分； 第二种用途是使用最少分区分类器进行提取。 肠道污染区的结构提高了人们的可感染性，个性，建设性猜想和相反的需求。

Python心脏衰竭分类器 这是kaggle提供的一项任务，其中包括创建一个分类器算法，该算法可以使用血液信息和其他一些功能来预测心脏病发作。 在这个项目中，我尝试了3种不同的机器学习模型，即随机森林分类器，SVC和Logistic回归器，其中两个在数据框中运行良好，但是SVC无法正常工作，因此我决定将其从笔记本中删除，在这个项目中，我专注于数据分析，但是缺少功能工程。 同样在这个项目中，我还没有开始使用github，所以我再次希望你理解这一点并下载数据以运行代码。

Keras CNN分类器 该存储库提供代码以根据Tensorflow 2.0中Keras API提供的预训练卷积神经网络（CNN）设置和训练自己的图像分类器。 您可以利用转移学习对自己收集的数据集进行训练，或者从头开始训练网络以比较大型数据集的性能。 如何使用 这个仓库的主要代码包含在ClassifierCNN类Classifier.py 。 您真正需要做的就是导入该类，设置一个适当的实例来指定所需的数据集和模型，一切顺利。 下面提供了一些示例： # Import pre-trained Keras CNN Model from keras.applications.densenet import DenseNet169 # Import ClassifierCNN class from Classifier import ClassifierCNN # Instantiate clas

Python机器学习 通用机器学习算法的Python代码