1.项目利用Python爬虫技术，通过网络爬取验证码图片，并通过一系列的处理步骤，包括去噪和分割，以实现对验证码的识别和准确性验证。
2.项目运行环境：Python环境：需要Python 2.7配置，在Windows环境下下载Anaconda完成Python所需的配置，下载地址为https://www.anaconda.com/，也可以下载虚拟机在Linux环境下运行代码。
3.项目包括4个模块：数据爬取、去噪与分割、模型训练及保存、准确率验证。用request库爬虫抓取验证码1200张，并做好标注。图片爬取成功后进行去噪与分割。处理数据后拆分训练集和测试集，训练并保存。模型保存后，可以被重新使用，也可以移植到其他环境中使用。
4.准确率评估：测试结果精度达到99%以上。
5.项目博客：https://blog.csdn.net/qq_31136513/article/details/131571160
2024-04-28 10:40:57
23.11MB
1
1.本项目采用百度地图API获取步行时间，基于GBDT模型对排队时间进行预测。实现用户自主选择多个目的地，系统输出最佳路线规划的结果，并根据用户的选择给出智能化推荐。
2.项目运行环境：需要Python 3.6及以上配置。
3.项目包括6个模块：数据预处理、客流预测、百度地图API调用、GUI界面设计、路径规划和智能推荐。选用GBDT建立模型，GBDT通过多轮迭代，每轮迭代产生一个弱分类器，每个分类器在上一轮的残差基础上进行训练；采用GBDT模型进行预测，输入当前天气、温度、风力风向、日期(是否是节假日、星期几)和时间即可得出当前客流量；当前客流量在后续预测排队时做一系列操作即可转换为排队时间；通过调用百度地图API模块产生节点之间的步行时间矩阵和客流模型，应用穷举法设计算法，得出最佳路线规划；系统将用户未选择的地点一次分别加入已选择的队列中进行运算，其基本思路与最佳路线规划模块一致，采用穷举法得到所有路线及其总耗时，最后将它们输出，实现智能推荐。
4.博客：https://blog.csdn.net/qq_31136513/article/details/133018114
2024-04-24 18:32:16
10.68MB
1
本项目基于朴素贝叶斯和SVM 分类模型，通过对垃圾邮件和正常邮件的数据训练，进行相关词汇词频的统计分析，实现垃圾邮件的识别功能。本项目包括3个模块：数据模块、模型构建、附加功能。需要Python 3.6 及以上配置，在Windows 环境下载Anaconda 完成Python 所需的配置，也可以下载虚拟机在Linux 环境下运行代码。从github 网站下载与python PIL 库配搭使用的文字引擎pytesseract，将PIL 文件夹里的.py 文件，改为相应pytesseract.exe 路径。注册百度云账号，分别建立图像文字识别和图像识别的小程序。
2024-03-06 16:41:14
28.64MB
1
机器学习算法第二版
这是Packt发布的《 的代码库。
流行于数据科学和机器学习的算法
这本书是关于什么的？
机器学习以其强大而快速的大型数据集预测而获得了极大的普及。 但是，强大功能背后的真正力量是涉及大量统计分析的复杂算法，该算法搅动大型数据集并产生实质性见解。
本书涵盖以下激动人心的功能：
研究特征选择和特征工程过程
评估性能和误差权衡以进行线性回归
建立数据模型并使用不同类型的算法了解其工作方式
学习调整支持向量机（SVM）的参数
探索自然语言处理（NLP）和推荐系统的概念
如果您觉得这本书适合您，请立即获取！
说明和导航
所有代码都组织在文件夹中。 例如，Chapter02。
该代码将如下所示：
from sklearn.svm import SVC
from sklearn.model_selection import cross_val_score
svc =
2023-12-15 16:31:18
97KB
1
数据集：
Id
R
F
M
1
27
6
232.61
2
3
5
1507.11
3
4
16
817.62
4
3
11
232.81
5
14
7
1913.05
6
19
6
220.07
7
5
2
615.83
8
26
2
1059.66
9
21
9
304.82
10
2
2
1227.96
11
15
2
521.02
代码：
# -*- coding: utf-8 -*-
# @File : k-means.py
# @Date : 2020-02-18 9:58
# @Author : admin
2023-10-15 11:51:17
123KB
1
1.项目基于机器学习算法，通过对单模型和融合模型计算所得的指标进行对比，实现小分子在人体内清除率指标的预测。
2.项目运行环境：Python环境、安装Jupyter Notebook 或Spyder、需要matplotlib、numpy、pandas 、sklearn安装包库
3.项目包括3个模块：数据预处理，创建模型并编译，模型训练
4.单模型训练：训练岭回归模型、随机森林模型和极端森林模型。
5. 多模型融合：回归问题最简单的模型融合方式，取加权平均对最优的两个模型进行不同权值的平均，最终输出最优的权值结果。
6. 不同模型的评价指标以rmse为指标，经过分析，融合模型得到最低的rmse，为2.698796237546118。
2023-09-20 06:59:59
10.72MB
1
本文来自于网络，文章详细介绍了使用Python实现机器学习算法的损失函数、反向传播过程等相关知识。在这一章节里，我们将实现一个简单的神经网络架构，将2维的输入向量映射成二进制输出值。我们的神经网络有2个输入神经元，含6个隐藏神经元隐藏层及1个输出神经元。我们将通过层之间的权重矩阵来表示神经网络结构。在下面的例子中，输入层和隐藏层之间的权重矩阵将被表示为W，隐藏层和输出层之间的权重矩阵为W。除了连接神经元的权重向量外，每个隐藏和输出的神经元都会有一个大小为1的偏置量。我们的训练集由m=750个样本组成。因此，我们的矩阵维度如下：训练集维度：X=(750，2)目标维度：Y=(750，1)W维度：(
2023-07-23 12:51:37
199KB
1