人工智能 机器学习
人工智能与机器学习
有勇气的牛排
CSDN全栈&网络安全领域优质创作者、阿里云社区博客专家。写博客是为了系统化构建与盘点知识,并且减小记忆成本;同时,希望本人分享的文章能够帮助到更多的开发者,让编程产生更大价值。非常欢迎热衷于技术的朋友关注,交个朋友,一起探索未知。
展开
-
opencv 基础(持续更新中)
https://www.couragesteak.com/打开一张图片:4 颜色在OpenCV中有超过150种颜色转换的方法,常用的有 BGR↔Gray 和 BGR↔HSV。4.2 HSV 颜色空间RGB适用于显示系统;HSV适用于图像处理(物体跟踪)。注意:不同软件取值可能不同。4.3 颜色调整&翻转4.4 物体跟踪(蓝色物体周围画一个圈)6 图片马赛克6.1 缩小->放大拉伸这种方式,可以理解为模糊化每10个中 取一个像素下载特征文件:https://github.com/原创 2023-09-11 21:47:00 · 402 阅读 · 0 评论 -
python Jupyter程序之Matplotlib数据可视化
案例二:画出谋城市11点到12点1小时内每分钟的温度变化折线图,温度范围在15度~18度。可视化是在整个数据挖掘的关键辅助工具,可以清晰的理解数据,从而调整我们的分析方法。案例一:展示上海一周的天气,比如从星期一到星期日的天气温度如下。cell: 一对Out会话被视作一个代码单元,称为cell。二、为什么要学习 Matplotlib。一、什么是 Matplolib。原创 2022-10-20 16:58:19 · 1913 阅读 · 0 评论 -
python实现 基于邻域的算法之协同过滤(电影推荐实战)
用户行为数据通常把包括:网页浏览、购买点击、评分和评论等。显性反馈行为(explicit feedback)包括:用户明确表示明确对物品喜好的行为,网站中收集显性反馈的方式就是评分喜欢/不喜欢。隐形反馈行为(implicit feedback)指那些不能明确反应用户喜好的行为,最具有代表性的隐形反馈行为就是页面浏览行为。安装反馈方向分,又可以分为正反馈和负反馈正反馈指用户的行为倾向于指用户喜欢该物品负反馈指用户的行为倾向于指用户不喜欢该物品。原创 2022-04-15 16:44:07 · 3671 阅读 · 1 评论 -
感知机学习
有勇气的牛排。原创 2021-06-21 22:58:51 · 123 阅读 · 0 评论 -
k近邻算法
如果一个样本在特征空间中的k个最“相似”(即特征空间中最邻近)的样本中的大多数属于某一个类别,则该样本也属于这个类别相似度:即两个点的距离来衡量 距离越近 越近 相似度越高K近临 算法步骤计算已知类别数据集中的点与当前点之间的距离;按照距离递增次序排序;选取与当前点距离最小的k个点;确定前k个点所在类别的出现频率;返回前k个点出现频率最高的类别作为当前点的预测分。import numpy as npfrom sklearn.datasets import load_irisfro原创 2021-06-24 21:08:40 · 118 阅读 · 0 评论 -
朴素贝叶斯
【代码】朴素贝叶斯。原创 2021-06-24 21:16:04 · 95 阅读 · 0 评论 -
K-means聚类
如果在一次迭代前后,J的值没有发生变化,说明算法已经收敛,结束迭代。距离量度:常用欧几里得距离和余弦相似度(先标准化)质心:每个簇的均值向量,即向量各维取平均即可。是很典型的基于 距离的 聚类 算法。K值:要得到的簇的个数。原创 2021-06-24 21:31:00 · 149 阅读 · 0 评论 -
支持向量机SVM
学习目标:在特征空间中找到一个超平面。二分类模型 非线性分类器。学习策略:间隔最大化。原创 2021-06-24 21:38:37 · 109 阅读 · 0 评论 -
决策树算法
【代码】决策树算法。原创 2021-06-24 21:42:14 · 123 阅读 · 0 评论 -
RuntimeError: The full_object_detection must use the iBUG 300W 68 point face landmark style.
报错RuntimeError: The full_object_detection must use the iBUG 300W 68 point face landmark style.解决方法:pip install dlib==19.7.0 -i https://pypi.douban.com/simple原创 2021-03-28 23:59:31 · 156 阅读 · 0 评论 -
Python人脸识别
安装 face_recognition。原创 2021-03-29 00:03:57 · 211 阅读 · 0 评论