▍1. sift
基于SIFT的快速图像匹配,可适用于于目标追踪,适合初学者参考使用
提供了Python笔记本代码。PCA可以通过特征值分解或奇异值分解技术执行。此代码通过奇异值分解执行PCA
该代码是基于Python写的,可基于LSB机制的实现信息隐藏,并可以对隐藏的信息进行提取
分类是把一个事物分到某个类别中。一个事物具有很多属性,把它的众多属性看作一个向量,即x=(x1,x2,x3,…,xn),用x这个向量来代表这个事物,x的集合记为X,称为属性集。类别也有很多种,用集合C={c1,c2,…cm}表示。一般X和C的关系是不确定的,可以将X和C看作是随机变量,P(C|X)称为C的后验概率,与之相对的,P(C)称为C的先验概率。
在windows平台上,WebRTC采用的是dshow技术,来实现枚举视频的设备信息和视频数据的采集,WebRTC的视频部分,包含采集、编解码(I420/VP8)、加密、媒体文件、图像处理、显示、网络传输与流控(RTP/RTCP)等功能。视频加密是WebRTC的video_engine一部分,相当于视频应用层面的功能,给点对点的视频双方提供了数据上的安全保证,可以防止在Web上视频数据的泄漏。
BTMAS 网站BT发布系统是新一代BT发布系统,速度更快,超高负载,占用资源极小,非常适合中大型BT网站投入使用和运营,商业版除拥有所有功能并可整合论坛和扩展功能等.
图书推荐系统,依托豆瓣的图书和评分信息,使用基于items的推荐算法,实现推荐1:环境说明Mysql 5.6 + python 2.7 + django 1.8 + MySQLdb2:文件夹说明bookrecommend:是项目综合展示的目录,是一个django的工程,使用时,只需在该目录下打开cmd,运行manage.py runserver 即可数据集:里边是项目所需要的数据集 books.csv:书本的相关信息users.csv:用户的相关信息uid_score_bid.csv:用户给书本的打分信息数据库备份:使用时在数据中新建一个bookrecommend数据库,导入sql文件即可算法原型:协同过滤基于items的推荐算法3:爬取数据部分代码暂时不提供
高斯混合模型GMM实现EM算法,高斯混合模型(Gaussian Mixed Model)指的是多个高斯分布函数的线性组合,理论上GMM可以拟合出任意类型的分布,通常用于解决同一集合下的数据包含多个不同的分布的情况(或者是同一类分布但参数不一样,或者是不同类型的分布,比如正态分布和伯努利分布)
k男声女声识别程序,识别出男性和女性声音,通过样本学习和对比,可以识别比较准确,是比较方不的一个工具
最简单的单隐层BP神经网络的python实现,没有应用复杂的框架,纯手打的代码,采用了冲量项加快收敛,帮助深度学习的初学者了解反向误差传播的含义
Django测试,Django测试Django测试,Django测试,Django测试,Django测试,Django测试,Django测试,Django测试,Django测试,Django测试,Django测试,Django测试,Django测试,Django测试,Django测试,Django测试,Django测试,Django测试,Django测试,Django测试,Django测试,Django测试,Django测试,Django测试,Django测试,Django测试,Django测试,Django测试,Django测试,Django测试,Django测试,Django测试,Django测试,Django测试,Django测试,Django测试,Django测试,
运用梯度下降法实验手写体识别: 初学机器学习,第一步是做一个简单的手写数字识别,我选用的是MNIST数据集(用其他数据集也可以,原理都差不多),算法是KNN(下载库直接调用函数,算法的具体实现没有过多关心)。在网上也看到过MNIST数据集的Python代码,但是感觉有些复杂,作为初学者见到那么多代码就头大……这里分享一下我的代码,虽然并不完善,但是可以为其他初学者提供一点简单的思路吧。
它的例子GUI发送和使用SLL Python技术得到Gmail。