qq_63805579的博客

本资源为深度学习课程设计 含课程设计完整过程的数据集以及实验报告 可供参考 由matlab代码编写构建双层CNN卷积神经网络识别Minist的手写体数据，其中将不断改进的代码跟另外使用工具函数编写的另一个CNN程序结果比较，有一个较为直观的运行效果对比。能够很好的看出程序设计的优劣。使用的是双层卷积神经网络，后向传播用的是随机梯度下降及其优化版本。 适用于CNN初学者以及希望更进一步的学习者。 dataset是MNIST。这里层的概念是指convolution+pooling 函数说明： read_label和read_image分别为读取标签和图像数据点的函数 convolve是实现卷积的函数，pool是实现池化的函数 SGD_MSGD是主函数，把minibatch设为1就是SGD，大于1就是MSGD OPTIMAL是优化版的主函数，OPTIMAL_FINALE是最终优化版的主函数，toolbox是用工具箱函数写的CNN，用于对比之前函数的运行效果。 SGD_MSGD，OPTIMAL，OPTIMAL_FINALE，toolbox都可以直接运行得到答案

随着金融行业的迅猛发展，银行等部门逐渐积累了大量的客户数据，如何根据积累的数据跟踪个人客户的信用记录。如何根据累积的数据跟踪个人客户的信用记录并利用已有客户的数据，分析、判断新客户的信用状况，成为迫切需要解决的问题。个人信用评估对促进消费有极大的帮助。 采用一种简单的个人客户信贷信用评估方法，对所有客户做二分类，只区分好和差两种情况。数据采用德国信用数据库。德国信用数据库由Hans Hofmann教授整理，包含1000份客户资料，每位客户包含20条属性，并给出了信用的好或差的标注 代码使用文件german.data提供的1000×20属性及分类标签作为数据构建BP神经网络，完成个人信贷的信用评估。 数据集齐全 代码初稿和终稿都有 下载后可以直接运行 较为适合新手在该领域的学习