文章分类 -  人工智能与机器学习

1
摘要:# 基于 OpenVINO 的目标识别 ## YOLOV5原理 YOLOv5是一种快速高效的目标检测算法,具有优秀的实时性能和较高的准确度。该算法利用深度学习技术实现了端到端的目标检测,在计算资源有限的情况下也能够获得出色的表现 YOLOv5采用了一种基于Anchor的检测方式,在输入图像中通过预先 阅读全文
posted @ 2023-07-16 22:16 ppqppl 阅读(68) 评论(0) 推荐(0) 编辑
摘要:# 卷积神经网络狗猫数据集的分类 ## 环境搭建 安装Anaconda 具体安装过程,请自行百度 配置TensorFlow、Keras 1. 创建虚拟环境 输入下面命令: ```shell conda create -n ppqppl_tfl python=3.6 #tf1是自己为创建虚拟环境取的名 阅读全文
posted @ 2023-07-02 18:24 ppqppl 阅读(53) 评论(0) 推荐(0) 编辑
摘要:掌握决策树ID3算法的原理,通过增益熵实现手工推导的过程。 参考案例: https://cuijiahua.com/blog/2017/11/ml_2_decision_tree_1.html 机器学习实战教程(二):决策树基础篇之让我们从相亲说起 # 决策树 ID3 手工推导 ## 决策树 ID3 阅读全文
posted @ 2023-07-01 22:03 ppqppl 阅读(56) 评论(0) 推荐(0) 编辑
摘要:# 机器学习图像处理 HOG 算法实现 ## 一、实验介绍 **1. 实验内容** 本实验将学习HOG 特征提取算法。 **2. 实验要点** * HOG 算法 * HOG 算法有效的原因 * 创建 HOG 描述符 * HOG 描述符中的元素数量 * 可视化 HOG 描述符 * 理解直方图 **3. 阅读全文
posted @ 2023-06-05 23:44 ppqppl 阅读(93) 评论(0) 推荐(0) 编辑
摘要:# 机器学习图像处理 HOG 算法原理 ## HOG 算法思想 HOG算法(方向梯度直方图)是在2005年由Navneet Dalal在论文Histograms of Oriented Gradients for Human Detection中首次提出的,主要是为了基于各像素点的梯度提取出图像中目 阅读全文
posted @ 2023-06-05 23:31 ppqppl 阅读(295) 评论(0) 推荐(1) 编辑
摘要:# 机器学习图像处理 SIFT 特征关键点检测 ## SIFT简介 SIFT 的全称是 Scale Invariant Feature Transform,尺度不变特征变换,由加拿大教授 David G.Lowe 提出的。SIFT 特征对旋转、尺度缩放、亮度变化等保持不变性,是一种非常稳定的局部特征 阅读全文
posted @ 2023-06-05 22:37 ppqppl 阅读(234) 评论(0) 推荐(0) 编辑
摘要:# 机器学习 —— 支持向量机 ## 介绍 在本练习中,我们将使用支持向量机(SVM)来构建垃圾邮件分类器。 在开始练习前,需要**下载如下的文件进行数据上传**: - data.tgz -包含本练习中所需要用的数据文件 其中: - ex5data1.mat -数据集示例1 - ex5data2.m 阅读全文
posted @ 2023-06-05 14:59 ppqppl 阅读(87) 评论(0) 推荐(0) 编辑
摘要:# 机器学习 —— 通俗易懂的解释支持向量机 本文主要内容如下: 1. SVM原始模型构建 2. 对偶形式的推导 3. 求解的方法 4. 软间隔SVM及核方法 5. SVM 优缺点及应用 ## 什么是 SVM 首先,让我们来对 SVM 产生一个直观的认识:支持向量机(Support Vector M 阅读全文
posted @ 2023-06-03 00:26 ppqppl 阅读(169) 评论(0) 推荐(0) 编辑
摘要:# 机器学习 —— 逻辑回归原理 ## 模型介绍 Logistic Regression 虽然被称为回归,但其实际上是分类模型,并常用于二分类。Logistic Regression 因其简单、可并行化、可解释强深受工业界喜爱 Logistic 回归的本质是:假设数据服从这个分布,然后使用极大似然估 阅读全文
posted @ 2023-06-02 16:15 ppqppl 阅读(34) 评论(0) 推荐(0) 编辑
摘要:Jupyter —— 简单线性回归分析 我们在前面的博客中已经介绍了什么是线性回归:回归分析 本片博客将从编程的角度介绍线性回归,这里主要分为使用 sklearn 库和非 sklearn 库来两种编程方式 sklearn 库线性回归分析 首先我们要读取本地数据 import numpy as np 阅读全文
posted @ 2023-03-13 16:36 ppqppl 阅读(264) 评论(0) 推荐(0) 编辑
摘要:回归分析 在统计学中,回归分析(regression analysis)指的是确定两种或两种以上变量间相互依赖的定量关系的一种统计分析方法。回归分析按照涉及的变量的多少,分为一元回归和多元回归分析;按照因变量的多少,可分为简单回归分析和多重回归分析;按照自变量和因变量之间的关系类型,可分为线性回归分 阅读全文
posted @ 2023-03-12 14:36 ppqppl 阅读(272) 评论(0) 推荐(0) 编辑
摘要:Excel 线性回归分析 数据集下载地址放在文末 Excel 如何进行线性分析? 物联网工程作为一个计算机相关的领域,大多都是使用编程实现数据分析,而那些数学、金融、财经等领域,有些并不会使用类似于 Python 的这类编程语言,而是使用 Excel 进行数据分析,Microsoft 也在 Exce 阅读全文
posted @ 2023-03-11 17:35 ppqppl 阅读(137) 评论(0) 推荐(0) 编辑
摘要:Python Matplotlib 综合练习 可视化练习(一些杂例) 引入库: import numpy as np import matplotlib import matplotlib.mlab as mlab import matplotlib.pyplot as plt 正弦函数: def 阅读全文
posted @ 2023-03-07 19:29 ppqppl 阅读(46) 评论(0) 推荐(0) 编辑
摘要:Python Pandas 综合练习 Pandas 综合练习 在线数据集地址:https://raw.githubusercontent.com/justmarkham/DAT8/master/data/chipotle.tsv 这个在线数据集是一份饭店的一段时间内的流水单,通过这一数据集解决一些综 阅读全文
posted @ 2023-03-06 23:23 ppqppl 阅读(63) 评论(0) 推荐(0) 编辑
摘要:Python numpy 矩阵运算练习 首先我们使用最简单的程序查看 numpy 版本和配置: import numpy as np print(np.__version__) np.show_config() 这里我们默认安装的是清华大学镜像源里面的包,版本号是 1.21.5: Create a 阅读全文
posted @ 2023-03-06 22:14 ppqppl 阅读(118) 评论(0) 推荐(0) 编辑
摘要:图灵测试 艾伦·麦席森·图灵 在我们了解图灵测试之前,我们需要了解图灵测试的提出者:艾伦·麦席森·图灵 艾伦·麦席森·图灵(英语:Alan Mathison Turing,1912年6月23日~1954年6月7日),英国数学家、逻辑学家,被称为计算机科学之父,人工智能之父。1931 年图灵进入剑桥大 阅读全文
posted @ 2023-03-06 21:58 ppqppl 阅读(316) 评论(0) 推荐(0) 编辑
摘要:Python 基础复习 —— 习题练习 python 语言综合示例 首先需要构造斐波那契数列,然后再由随机数做读取对应下标的斐波那契数列数值,然后再将读出的斐波那契的数列值作为最终我们要显示的数列的下标,最终读出我们需要的内容 代码如下: import random def fin_loop(n): 阅读全文
posted @ 2023-03-05 17:18 ppqppl 阅读(24) 评论(0) 推荐(0) 编辑
摘要:Jupyter Notebook 使用基础 基本操作 顶部的三个选项卡 顶部的3个选项卡是:Files(文件)、Running(运行)和 Cluster(集群) Files(文件)显示当前 notebook 工作文件夹”中的所有文件和文件夹 点击 Running(运行)选项卡会列出所有正在运行的 n 阅读全文
posted @ 2023-03-05 14:29 ppqppl 阅读(405) 评论(0) 推荐(0) 编辑
摘要:Anaconda 环境安装与虚拟环境创建 首先我们需要在官网下载 Anaconda 的最新版本:Anaconda 官网 然后进行安装,在安装的过程中建议不要勾选使用 python 3.9 作为默认版本的选项 创建虚拟环境 首先我们需要打开 Anaconda Prompt (在开始菜单中) 在默认路径 阅读全文
posted @ 2023-03-02 22:21 ppqppl 阅读(459) 评论(0) 推荐(0) 编辑

1
点击右上角即可分享
微信分享提示