▍1. MifareClassicCard
在电脑上可以使用ACR122u等设备dump出卡片数据，为了方便在手机上读写卡片，需要将dump转换为mct形式。另外附上M1_TOOLS，都是我收集整理很久的软件，方便大家使用！
更多选项
▍2. random forest 随机森林
模型组合（比如说有Boosting，Bagging等）与决策树相关的算法比较多，这些算法最终的结果是生成N(可能会有几百棵以上）棵树，这样可以大大的减少单决策树带来的毛病，有点类似于三个臭皮匠等于一个诸葛亮的做法，虽然这几百棵决策树中的每一棵都很简单（相对于C4.5这种单决策树来说），但是他们组合起来确是很强大。
▍3. NeoRDBMS PHP Framework
新的高级PHP框架。原创，自主开发。
▍4. dlib python examples
Dlib是一个包含机器学习算法的C++开源工具包。Dlib可以帮助您创建很多复杂的机器学习方面的软件来帮助解决实际问题。也可以安装python版本的dlib，这是一个人脸检测的简单例子
▍5. knn算法，机器学习K-近邻算法
k近邻算法（ kNN ），它的工作原理是：存在一个样本数据集合，也称作训练样本集，并且样本集中每个数据都存在标签，即我们知道样本集中每一数据 与所属分类的对应关系。输人没有标签的新数据后，将新数据的每个特征与样本集中数据对应的特征进行比较，然后算法提取样本集中特征最相似数据（最近邻）的分类标签。一般来说，我们只选择样本数据集中前砼最相似的数，这就是藤近邻算法中的出处，通常是不大于 20 的整数。 最后，选择个最相似数据中出现次数最多的分类，作为新数据的分类。
▍6. 人脸识别门禁系统
该项目为基于python和opencv的人脸识别门禁系统，用了opencv的lbph算法，达到百分之七十以上的相似度才可认为是识别成功
▍7. 采用深度学习中的残差网络进行图像融合
该资料利用了残差网络和ZCA进行图像融合，残差网络采用的是Res-net50，并配合着白化处理进行特征提取。此类融合算法利用了目前较为流行的深度学习，在融合效果上相比于传统的融合算法有不错的提高。缺点是缺乏一定的理论支撑。
▍8. python 果蔬图像处理
利用python+opencv对果蔬图像进行识别。首先对果蔬图像进行灰度化、图像增强、图像滤波和图像二值化，检测出图像中单个的果蔬目标，标识出果蔬轮廓，找出果蔬质心坐标。
▍9. 决策树算法实现
决策树算法是一种逼近离散函数值的方法。它是一种典型的分类方法，首先对数据进行处理，利用归纳算法生成可读的规则和决策树，然后使用决策对新数据进行分析。本质上决策树是通过一系列规则对数据进行分类的过程。 决策树方法最早产生于上世纪60年代，到70年代末。由J Ross Quinlan提出了ID3算法，此算法的目的在于减少树的深度。但是忽略了叶子数目的研究。C4.5算法在ID3算法的基础上进行了改进，对于预测变量的缺值处理、剪枝技术、派生规则等方面作了较大改进，既适合于分类问题，又适合于回归问题。 决策树算法构造决策树来发现数据中蕴涵的分类规则．如何构造精度高、规模小的决策树是决策树算法的核心内容。决策树构造可以分两步进行。第一步，决策树的生成：由训练样本集生成决策树的过程。一般情况下，训练样本数据集是根据实际需要有历史的、有一定综合程度的，用于数据分析处理的数据集。第二步，决策树的剪枝：决策树的剪枝是对上一阶段生成的决策树进行检验、校正和修下的过程，主要是用新的样本数据集（称为测试数据集）中的数据校验决策树生成过程中产生的初步规则，将那些影响预衡准确性的分枝剪除。
▍10. svm解析验证码
SVM做的验证码识别，准确率85%# -*- coding: utf-8 -* __author__ = "eple" from svmutil import * from PIL import Image from numpy import * import os import string def getFeatures(path): features = [] im = array(Image.open(path).convert("L")) h,w = shape(im) for i in xrange(0,h): for j in xrange(0,w): im[i][j] = 0 if im[i][j] < 128 else 1 for i in xrange(1,h-1): for j in xrange(1,w-1): if im[i][j] != 0 and im[i-1][j]==0 and im[i][j-1]==0 and im[i][j+1]==0 and im[i+1][j]==0: im[i][j] = 0 for rang in [xrange(2,8), xrange(12,18), xrange(22,28), xrange(32,38)]: temp = [] for i in rang: for j in xrange(0,10): temp.append(im[j][i]) features.append(temp) return features
▍11. 机器学习实战书籍+源码
机器学习实战书籍 pdf 并附书籍源代码，实战根据详细的例子代码讲解算法的原理，既将原理向受众介绍清楚，也用实际的效果展现了此算法的具体实现，这就非常舒服。非常适合新人入门学习，有需要的可以下载学习
▍13. 爬取微博大V们的微博
首先给出了社交网络中热点话题趋势预测的形式化定义和一个话题趋势预测模型，然后提出了一种针对时间序列数据进行特征抽取和构造的新方法，基于提出的新方法构造了三个相互补充的特征子集，最后将这三个特征子集线性组合起来做为支持向量机的输入向量进行话题趋势的预测。为了验证预测模型的性能，本论文釆集了一个高质量的新浪微博数据集。基于获取到的数据，对预测模型进行了完整的测试，取得了良好的效果。
▍14. caffe网络结构python绘制代码
caffe输入网络结构pro格式描述，利用改代码绘制成图片格式，有利于进一步进行网络结构分析，在caffe深度学习研究中应用广泛
▍16. Demonstration of performance scores and multiclass ROC
提供了python笔记本代码。它演示了f1分数、回忆、敏感性和多类别ROC等绩效分数。它还提出了5倍cros验证和所有性能参数的分类概述。
▍17. set cover
set cover fenxiangyixia顶点覆盖问题可以用几种不同的算法来实现顶点覆盖问题可以用几种不同的算法来实现顶点覆盖问题可以用几种不同的算法来实现顶点覆盖问题可以用几种不同的算法来实现顶点覆盖问题可以用几种不同的算法来实现
▍18. TOPSIS评价方法
1、建立数据矩阵 2、数据的归一化 3、确定指标的最优值和最劣值 4、计算出各单元指标值与最优值和最劣值的距离 5、求出各单元指标值与最优值的相对接近程度
▍19. 支持向量机
SVM算法实现,在机器学习领域，是一个有监督的学习模型，通常用来进行模式识别、分类以及回归分析。它是针对线性可分情况进行分析，对于线性不可分的情况，通过使用非线性映射算法将低维输入空间线性不可分的样本转化为高维特征空间使其线性可分，从而使得高维特征空间采用线性算法对样本的非线性特征进行线性分析成为可能。
▍20. Python爬虫实例
Python的爬虫实例,该实例采用beautifulsoup,以及requests模块访问目标服务器,将目标服务器中的有效信息,获取到本地文件中
本站资源：696518 个
本站会员：104298 个
总计下载：494403 次
今日上传：0 个
- 优秀论文及配套源码 SVM Short-term-Load-Forecasting
- 综合能源优化含储能
- 用遗传算法改进粒子群GA-PSO算法
- 通过粒子群能够很好的解决优化问题 pso
- 天牛群算法 BSO
- 混沌粒子群优化算法
- 2019年中国研究生数学建模竞赛E题
- 智能算法的Matlab仿真程序及教程
- 《MATLAB R2016a神经网络设计与应用28个案例分析》随书代码
- BAS BP论文及代码
- denoising
- Airy 基模高斯光束
- EMS Microgrid
- 2012年全国大学生数学建模竞赛题目--葡萄酒的评价Wines-Evaluation
- GA-bp
- 本人调试的大作业 源程序模型+论文 intelligent_control_modle
- LSTM的例子、单向LSTM、双向LSTM、多层LSTM
- 遗传算法优化BP网络案例
- 通过yalmip平台调用cplex求解器 microgrid Cplex
- 基于lstm算法在MATLAB对短期风速进行预测 LSTM-regression-master
