资源列表
SVM做图片处理
- 使用SVM算法对CIFAR-10图片数据集进行分类，包括模型的训练，测试和参数的调优(Using SVM algorithm to classify CIFAR-10 image data sets, including model training, testing and parameter tuning)
DNN
- 利用python3完整实现DNN，包括前向传播和反向传播。实现一个2次函数的拟合。(Complete implementation of DNN using python3, including forward propagation and reverse propagation. Implement a quadratic function fitting.)
sa_bp
- 基于模拟退火算法对BP神经网络进行的改进，有效提高了精度和迭代速度。(The improvement of BP neural network based on simulated annealing algorithm effectively improves the accuracy and speed of iteration.)
Ch04
- 贝叶斯算法使用python ,内含测试数据文件，数据为多个txt格式的邮件文件。(The bayesian algorithm USES python, which contains test data files that are multiple mail files in TXT format.)
7-9
- 分别介绍了概率与数理统计概述、统计估计、假设检验、方差分析、回归分析、正交试验分析、聚类分析、判别分析和多元数据相关分析等内容，理论与实践相结合，向读者演示了matlab在数理统计中的应用。(It respectively introduces the outline of probability and mathematical statistics, statistical estimation, hypothesis test, variance analysis, regression
dskpla
- MATLAB的函数、算法基本库和实例。 里面包含大量的运算函数，基本可以直接调用使用，提高效率(MATLAB function, algorithm base library and examples. It contains a lot of operation functions, which can be called directly to improve efficiency)
DenseNet-master
- 这篇文章是CVPR2017的oral，非常厉害。文章提出的DenseNet（Dense Convolutional Network）主要还是和ResNet及Inception网络做对比，思想上有借鉴，但却是全新的结构，网络结构并不复杂，却非常有效！众所周知，最近一两年卷积神经网络提高效果的方向，要么深（比如ResNet，解决了网络深时候的梯度消失问题）要么宽（比如GoogleNet的Inception），而作者则是从feature入手，通过对feature的极致利用达到更好的效果和更少的参数。(
tensorflow-resnet-master
- ResNet在2015年被提出，在ImageNet比赛classification任务上获得第一名，因为它“简单与实用”并存，之后很多方法都建立在ResNet50或者ResNet101的基础上完成的，检测，分割，识别等领域都纷纷使用ResNet，Alpha zero也使用了ResNet，所以可见ResNet确实很好用。(ResNet was proposed in 2015 and won the first place in the classification task of ImageNe
梯度下降求解逻辑回归
- 用梯度下降求解逻辑回归基于python语言的实现(Using gradient descent to solve logistic regression based on Python language)
决策树
- 决策树算法基于python语言的具体实现实例(Implementation of decision tree algorithm based on Python language)
Deep Learning with Python
- 本书由Keras之父、现任Google人工智能研究员的弗朗索瓦?肖莱（Fran?ois Chollet）执笔，详尽介绍了用Python和Keras进行深度学习的探索实践，涉及计算机视觉、自然语言处理、生成式模型等应用。书中包含30多个代码示例，步骤讲解详细透彻。由于本书立足于人工智能的可达性和大众化，读者无须具备机器学习相关背景知识即可展开阅读。在学习完本书后，读者将具备搭建自己的深度学习环境、建立图像识别模型、生成图像和文字等能力。(Deep Learning with Python intr
Caffe-Python-Tutorial-master
- 深度学习下的卷积神经网络 剪枝算法 CNN(Deep learning Prune for CNN Deep learning Prune for CNN)