GAN 初学者指南
GAN是一个非常巧妙并且非常有用的模型。当有大量关于 GAN 的论文时，但是你会发现这些论文通常很难理解，你可能会想要一些对初学者更友好的东西。所以本文的对非传统机器学习人员来说，是我能想到的最好的例子。
基于LSTM的时空序列预测任务文章总结
时空序列预测任务，LSTM单元结构
交互式多模型-无迹卡尔曼滤波IMM-UKF仿真一——机动目标跟踪中的应用
IMM-UKF交互式多模型-无迹卡尔曼滤波matlab仿真及其在机动目标跟踪中的应用目标运动模型为CV CT CV
李宏毅老师《机器学习》课程笔记-3卷积神经网络
介绍了深度学习在图像识别领域的应用—卷积神经网络。
520拿去表白，表白不成功你打我（Matlab代码动态图）
目录1 幸福和快乐的哲学追问2 提前祝女朋友节日快乐2.1 展现2.2 代码1 幸福和快乐的哲学追问在过去的500年间，我们见证了一连串令人惊叹的革命。地球在生态和历史上都已经整合成一个单一的领域。经济呈现指数增长，今日人类所享有的财富在过去只有可能出现在童话里。而科学和工业革命也带给我们超人类的力
2022中青杯数学建模
2022中青杯免费思路。
2022年第五届中青杯全国大学生数学建模竞赛思路分析
2022年第五届中青杯全国大学生数学建模竞赛通知点击链接加入群聊【2022中青杯数学建模交流群】：https://jq.qq.com/?_wv=1027&k=F0mTdd1h点击链接加入群聊【2022中青杯数学建模交流群】：https://jq.qq.com/?_wv=1027&k=
物体检测快速入门系列(4)-TensorFlow 2.x Object Detection API快速安装手册
tensorflow object detection api框架安装指南
KNN算法数字识别完整代码——打开就可以跑
目录1、原理2、数据集3、代码以及注释1. 数据准备：2. 构建训练数据集：3. 测试集数据测试：4、运行结果5、总结6、致谢1、原理邻近算法，或者说K最近邻（KNN，k-NearestNeighbor）分类算法是数据挖掘分类技术中最简单的方法之一。所谓K最近邻，就是K个最近的邻居的意思，说的是每个
Matplotlib剑客行——初相识Matplotlib
个性签名：整个建筑最重要的是地基，地基不稳，地动山摇。而学技术更要扎稳基础，关注我，带你稳扎每一板块邻域的基础。博客主页：啊四战斗霸的博客南来的北往的，走过路过千万别错过，错过本篇，“精彩”可能与您失之交臂yo有代码，就有注释！！！Triple attack(三连击):Comment,Like an
机器学习系列(14)_PCA对图像数据集的降维_03
文章目录一、噪音过滤1、案例：手写数字图像识别一、噪音过滤降维的目的之一是希望抛弃对模型带来负面影响的特征，同时，带有效信息的特征的方差应该是远大于噪音的，所以相比噪音，有效的特征所带来的信息不会在PCA当中大量抛弃。inverse_transform能够在不恢复原始数据的情况下，将降维后的数据返回
数学建模学习（69）：朴素贝叶斯回归分类，轻松掌握
手把手教你使用贝叶斯回归分类模型
Python学习记录 使用tensorflow 2.8 完成猫狗识别 使用keras构建CNN神经网络
猫狗识别项目数据分为带标签和不带标签带标签：25000张不带标签：12500张数据分类处理下载的数据存放在data文件夹下# 定义数据存储的文件夹data_dir = './data/'train是25000张带标签的猫狗图片test1是12500张无标签的猫狗图片使用代码核对一下# 进入图片数据的
正则化——参数范数惩罚
L1和L2正则化
基于微分方程的图像去噪处理(改进型P-M法)
本文通过结合P-M微分模型与中值滤波进行去噪设计，提出了LMFPM的去噪模型。该模型对P-M法中的扩散函数中的图像梯度模进行处理，为其增加中值滤波的线性影响，以实现对噪声和边界的区分处理，解决了P-M法中对小尺度噪声处理效果不好的问题。对提出的模型利用有限差分法进行数值计算，然后用实验对比均值滤波、
图像处理操作
本文介绍了傅里叶变换处理，离散余弦变换，灰度增强，图像翻转，线性变换，对数变换，直方图均衡化，直方图规定化，均值和中值滤波和低通滤波
神经网络入门（详细 ）
机器学习流程、K近邻算法，以及详细介绍了神经网络的基本框架。
基于聚类算法的城市餐饮数据分析与店铺选址
餐饮业生意好坏的影响因素通常有很多，包括店铺菜系、口味、服务态度、周边环境、人口密度、所在区域、人均消费等等方面。本项目以上海城市为例，对其餐饮业消费数据进行统计分析，从三个维度“口味”、“人均消费”、“性价比”对不同菜系进行横向比较。针对某一商铺类型，将上海划分成格网空间，做空间指标评价，基于聚类
物体检测快速入门系列(3)-Windows部署Docker GPU深度学习开发环境
在《物体检测快速入门系列(2)-Windows部署GPU深度学习开发环境》一文中已经描述了如何在Windows环境下部署GPU深度学习开发环境，但是要我推荐的话，我还是倾向于docker环境，无需安装cuda、cuDNN，docker镜像安装完毕后，就都好了，一键部署好之后，可以随意迁移，再也不用环
