- 博客(17)
- 资源 (6)
- 收藏
- 关注
RSS订阅原创 VGG16卷积神经网络实现数字识别应用
在黑色画板上使用鼠标写出数字，比如8，单击“人工智能预测”按钮。稍等一会会在‘预测结果是：’出现使用VGG16卷积神经网络预测的结果，如图。直接打开main.exe应用程序后，出现运行程序界面 是黑色界面，需要稍等一会，然后出现pyqt5编好的可视化界面。本应用可直接在win10上运行，不需要安装编程工具或运行库。如果需要再次测试，可以单机‘清空画板’按钮，重新写。
2023-07-13 11:07:15
159
1
原创 机器学习--基于FaceNet的人脸识别实战3.0
原先2.0版本的构造人脸库对应特征文件的功能，3.0版本移到了左上方，更名为“初始人脸库特征”。因为在3.0版本中，我们在人脸库中放了1242张图片，生成相应特征会比较耗时，不会低于10分钟。如果实验时，我们想把自己的照片或其他的一些人物照片加入人脸库并把特征追加到特征文件中，看看效果好不好。我们这时候使用右上角的“单脸入库并算特征”功能即可。相对2.0的版本，本版本主要新增了两项功能：单图像新增到人脸库，从人脸库中找出最像的三幅人脸。
2023-07-10 23:08:09
154
1
原创 机器学习--基于FaceNet的人脸识别实战2.0
在2.0版本中，我们增加“构建人脸库特征”功能，该功能能提前把人脸库（目前指定项目下的image文件夹作为人脸库。）的所有人脸特征先算好，然后这些特征数据及每张人脸的文件名保存到database_features_lables文件夹中的database_features.pkl和lables.pkl文件中。在1.0版本中，每次识别的时候，都需要重新计算人脸库里面所有人脸的特征，这是非常痛苦的。假如1张脸耗时5秒，有100张，执行10次就是5*100*10=5000秒>3600秒=1小时。
2023-07-10 13:15:39
188
1
原创 机器学习--基于FaceNet的人脸识别实战1.0
第五步，使用calculate_distance方法，计算出库中所有人脸的特征与测试人脸的特征之间的距离。第三步，将矫正后的测试图片facenet_model实例（通过load_weights方法加载类人脸特征提取模型参数），提取出测试图片的特征。当我们单击“人脸识别”按钮后，我们将把左侧的图片拿过来，使用Face_Rec类的recognize方法进行人脸特征比对。第二步，确定有人脸的基础上，对测试的图片进行预处理，比如裁剪出图片中的人脸部分，比如脸倾斜了要矫正对齐。1.判定是否是人脸的模型。
2023-07-09 22:21:44
227
1
原创 机器学习--智能推荐算法（关联规则Apriori算法）原理
关联规则经常用于智能推荐。像平时大家购物的过程中，我们买了手机，根据关联关系，购物平台就会推荐耳机，手机保护套等配件给我们。类似还有，通过社交平台外卖平台知道你的很多朋友都爱吃辣的，那么根据你和朋友的关联关系，外卖就会推荐一些辣的菜品给你。为了更好的理解关联规则。我们下面通过一个简单购物案例来讲解几个概念。现在有10个顾客到超市买了西红柿，鸡蛋，袜子，苹果，排骨这五种商品，如下表：表1-1通过表1-1我们现在希望得到一些关联规则，比如顾客买了西红柿的情况下，会不会大概率买苹果呢？
2023-06-25 22:26:05
1870
1
原创 机器学习--集成学习（随机森林，Adaboost，GBM和Stacking）
集成学习算法，和以往一个个单独的算法不太一样。比如我们可以使用决策树生成一个分类器，使用支持向量机生成一个分类器。那么，现在能不能构造这样一个分类器呢？综合考虑决策树生成的分类器和支持向量机的分类器的结果。确定最终的分类情况。我们可以想象这种算法效果应该会比单独使用一种分类器的效果更好。就比如，班上41个人参加考试，我不会要去抄袭其他40人的试卷，其中某道选择题30人选A，3人选B，6人选C，1人选D。我就选了A。整张试卷下来我都这么选。通常我们考的分数会比任何1人都考的好。
2023-06-24 17:22:42
236
1
原创 机器学习--朴素贝叶斯原理
在讲解朴素贝叶斯前，我们先来考虑解决一个问题。一、背景我们观察下面这张表，我们希望从表中找出规律。找出什么规律呢？期末考试球赛直播心情行动没有有不好看球赛明天无不好学习没有/有不好看球赛没有有良好看球赛没有无不好约会没有有良好看球赛临近无良好学习临近无不好出门运动明天无良好学习没有有良好学习表1-1我们表1-1红色字体部分，在没有期末考试，有球赛和心情良好的3条记录中，有1条是学习，2条是看球赛。
2023-06-24 15:44:50
103
1
原创 机器学习--决策树（ID3，C4.5，CART）的原理
ID3，C4.5和CART三种决策树。树结构是计算机领域中常见的一种数据结构，他由1个根节点，若干个中间节点和若干个叶子节点构成。如图所示，1是根节点（根节点明显特征是没有任何的输入），2和3是中间节点（中间节点明显特征是有输入且有输出），4和5及6是叶子节点（叶子节点明显特征是没有任何的输入）.
2023-06-22 12:06:34
1556
原创 机器学习--支持向量机原理与数学推导过程
一、支持向量机理论理解支持向量是用于二分类的一种方法。当然如果我想多分类，也可以使用支持向量机。无非就是在二分类的的基础之上再做分类。那么支持向量机是如何做二分类的呢？我们以二维平面可以分开的两个类别来理解支持向量机。如图：用支持向量机的思想是什么呢？首先我们找两个分类的切线，这些切线有无数多条。如图红色和蓝色的线条我们第一步要找到两个类别斜率相同的切线，并且这两根切线在两个分类之间。这样的话我们就可以找到有限的几对切线了如上图，假如我们找到了2组切线对，他们的斜率都相同。那我们选择哪一对呢。
2023-06-15 17:29:05
512
1
原创 机器学习--BP神经网络原理的数学公式推导
一、什么是BP神经网络1、什么是神经网络以图像为例，在机器学习中，很多时候我们在原始的数据空间中，没法总结出数据的内在规律，那么我么就要先做个数据转换过程。把数据从一个空间维度转到另外一个空间维度。而我们的神经网络就是其中一种方式。注： 上面图像从下往上看原始数据是X(x1,x2,x3,...) 没办法用关系表达X到Y之间的关系。那么我们中间就可以多做几次空间变换。变换后的数据可以使X和Y关联起来。上图中为了便于理解，中间变换只做了一次。
2023-06-15 15:25:15
706
1
原创 机器学习--基于水色图像的水质评价
常用的手段是计算图片的颜色均值，颜色方差分布等。但我们这里选择一个自带特征提取的机器学习算法--卷积神经网络，它可以在构造神经网络的过程中，提取出图片的特征。鉴于机器学习的应用，我们很容易联想到，可以使用分类的算法来完成这项任务。从图像中提取出特征自变量X，最后分类成颜色因变量Y（Y的取值可以是浅绿色、灰蓝色、黄褐色、茶褐色还是绿色）因为要涉及到读取图片，所以我们要预先安装好PIL库。现在我们手头上有203张图片，我们目标是让机器代替专家，来识别出这些图片是浅绿色、灰蓝色、黄褐色、茶褐色还是绿色？
2023-06-08 15:22:01
758
原创 机器学习--微博文本情感分析
在分词后，我们得到了很多单词，但是这些单词中，有很多一部分与我们情感分析无关，是无效的单词，所以我们就要去掉它，防止它对我们机器学习带来干扰。具体的，我们首先定义了一个文件，加入叫“stopword.txt"，这里面存放了常见的无效单词，只要在这里面的，我们就从分词得到的数据中去掉他们。至此，我们已经得到了有效的单词库了，但这些单词还不能直接用于机器学习，我们机器学习用到的特征一般都是用数值表达的。所以我们需要把上面处理好的单词，编码成数值，并放置到tensorflow能够处理的向量中。
2023-06-08 14:39:57
2780
1
原创 机器学习--众包任务定价优化
什么是“众包任务”，就是一个app在上面发送任务，众多注册的会员可以在上面领取任务，完成后就可以后相应金额的奖励。使用神经网路建模和已经完成的任务数据进行建模，并对未完成的任务，根据特征预测出他们的优化定价值。我们优化后，站在公司的角度，当然是希望钱少了。所以经过优化定价后，未完成任务在新的定价机制下能更多的会被完成，所需的金额反而少了。第二个，重新定价后，那些未完成的任务，在新的定价下，是否有希望能被完成呢？根据附件一中已完成的任务对应的特征和定价建模，未完成的任务根据特征预测出优化后的价格是多少。
2023-06-08 12:10:44
626
原创 机器学习--基于主成分分析（PCA)的优质股票推荐
那现在看哪个城市人的收入高，把每个城市对应的Y1，Y2，Y3值加起来就可以表示该城市的收入情况了，但前面我们又说过他们三字段保留的特征多少不一样，Y1更重要些，所以我们不能直接让他三相加，而是把他三乘以PCA得到的他三权重值再求和，这样就可以表达每个城市的收入情况了，从而进行排名。我们拿到一堆预先处理好的数据（即做过空值填充，分布不平衡处理等）后，首先取其中与我们特定任务有关的一部分字段（即部分数据，如：X1，X2，X3，X4），这些数据之间可能存在着相关性，即数据之间存在着内部联系。
2023-06-07 20:38:16
918
1
原创 anaconda卡在loading application 启动Anaconda时，弹出There is an instance of anaconda navigator already runn
找到自己对应的安装目录，比如：C:\ProgramData\Anaconda3\Lib\site-packages\anaconda_navigator\api。在cmd窗口输入命令语句：tasklist | findstr “pythonw”4、再次运行Anaconda navigator就可以正常打开了。在该文件夹下找到anaconda_api.py文件。然后重新打开就可以了。
2023-06-06 08:33:55
675
原创 机器学习---贷款违约行为预警预测
人们总是希望看到的现象主要是由少数的关键特征造成的，找到这些关键特征也是数据分析的目的。对变量WORK_PROVINCE进行空值处理后，发现该变量的值比较多，这将导致对该变量独热编码时，产生大量的二元特征，且非常稀疏，因此将其进行维规约，将城市变量规约到省份变量中，最终得到近30个代表省份的虚拟变量。针对标称变量IS_LOCAL、WORK_PROVINCE、MARRY_STATUS，进行独热编码，生成该变量每一个类别对应的虚拟变量，同时需要注意虚拟变量陷阱，剔除作为对照组的虚拟变量，以防止多重共线性。
2023-06-05 14:52:26
1242
1
原创 机器学习--基于主成分分析（PCA）的各地区综合排名
综合排名值=y1+y2+y3 吗？（下面为了表达方便，我们把工资性收入，经营净收入，财产净收入和转移净收入简称为x1，x2，x3，x4）我们就把x1,x2,x3,x4用一些不存在线性相关的因素（比如：y1，y2，y3，y4）来表达他们，但一定要保持前后的特征不变。那么我们就可以考虑在保持方差不变，或者变化很小的情况下用y1，y2，y3，y4来表达x1,x2,x3,x4比如。如果项目需求只要求能保留95%特征就行，那么我们只要用y1，y2，y3来代替原来的x1,x2,x3,x4就可以了。
2023-06-03 16:51:32
1142
1
VGG16lNet卷积神经网络实现0-9数字识别的可视化exe文件
2023-07-13
基于FaceNet和MTCNN可在win10上可视化界面的人脸识别3.1版app
2023-07-12
基于FaceNet和MTCNN可在win10上可视化界面的人脸识别3.0版app
2023-07-10
基于FaceNet和MTCNN可在win10上可视化界面的人脸识别2.0版app
2023-07-10
基于FaceNet和NTCNN可在win10上可视化界面的人脸识别app
2023-07-09
机器学习-众包任务定价优化方案完整的代码和数据资源
2023-06-08
机器学习-零售商品销售预测（基于pyspark的7种回归预测，包含完整代码和数据）
2023-06-07
机器学习-保险产品推荐（tensorflow的神经网络判断是否推荐，使用交叉熵作为损失函数，资源包含完整代码和数据）
2023-06-07
机器学习-保险风险预测（基于神经网络和SVM实现，包含完整的代码和数据，数据来源与保诚公司）
2023-06-07
机器学习-贷款违约行为预测（基于逻辑回归和朴素贝叶斯和随机森林及SVM四种方法实现，资源包含完成则代码及数据，数据3万余条记录
2023-06-07
VGG16lNet卷积神经网络实现0-9数字识别的app.zip
2023-05-20
GooglNet卷积神经网络实现0-9数字识别的app
2023-05-20
深度学习中使用卷积神经网络实现和python可视化技术pyqt5实现的0-9数字识别的app
2023-05-18
python使用支持向量机算法实现0-9数字识别的app
2023-05-08
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人