搜索资源列表
CNN_mnist
- 使用CNN网络对mnist数据集进行训练(Use the CNN network to train MNIST data sets)
kNN
- K近邻算法，即是给定一个训练数据集，对新的输入实例，在训练数据集中找到与该实例最邻近的K个实例（也就是上面所说的K个邻居）， 这K个实例的多数属于某个类，就把该输入实例分类到这个类中(K nearest neighbor algorithm function)
AlexNet
- 使用TensorFlow 实现 AlexNet ，并使用 Mnist 数据集进行训练并测试。(AlexNet is implemented using TensorFlow and trained and tested using the Mnist data set.)
BP Matlab实现
- 采用Iris数据集在matlab上实现简单的数据训练和分类(Using Iris data set in matlab to achieve a simple data training and classification.)
Knn_train_mnist
- 利用Python实现Mnist数据集训练knn算法(Use Knn method to train mnist.)
lenet_test
- 包含mnist数据集的lenet例子,快速训练部分数据,达到85%的准确率(A lenet example that contains the MNIST dataset to quickly train part of the data to reach a 85% accuracy rate)
alexnet_test
- 因上传文件大小的限制,仅包含了cifar10部分数据集,将32*32*3扩展到227*227*3,然后完全使用alexnet,短时间训练,可达75%的准确率(Due to the limitation of uploaded file size, it contains only part of cifar10 data set, extends 32*32*3 to 227*227*3, and then uses alexnet completely, and training for a
keras-dcgan
- keras平台下dcgan源码，包含配置文件，py文件，可直接运行训练网络，数据集为mnist手写数据集(Dcgan source code under the keras platform)
MNIST_CNN
- 用于MNIST数据集，训练卷积神经网络，预测准确率大约为99.3%(Training Convolutional Neural Network on MNIST dataset)
Handwritten_digit_classification
- 分别使用梯度法和牛顿法训练数据，从而得到3和5两个数字的训练模型，对测试集进行判决，得到训练错误率(The training data were trained by the gradient method and Newton method, and the training models of 3 and 5 numbers were obtained. The test set was judged and the training error rate was obtained.)
kmean
- 一个学习k均值聚类的实例，代码实现了其基本原理，简单易懂，带有测试，训练数据集，可直接上手操作(A learning k-means clustering example, the code to achieve its basic principles, easy to understand, with a test, training data set can be used directly)
Run_MNIST
- 下载MNIST数据集(手写体数字0-9)后，搭建卷积神经网络，将输入的数据集经过一层一层的卷积，到最后计算交叉熵，用梯度下降算法去优化它，使它变得最小，这就训练出了权重和偏置量，识别的准确率为91%(Download the MNIST data set (handwritten number 0-9), build a convolutional neural network, the input data set by convolutional layers, finally calcul
KNN
- 利用KNN算法识别手写数字，zip内包含训练数据集和测试数据集(This is a handwriting number recognition demo using kNN algorithm)
apriori
- 收集数据：使用任何方法 准备数据：任意数据类型都可以，因为我们只保存集合 分析数据：使用任何方法 训练算法：使用Apriori算法来找到频繁项集 测试算法：不需要测试过程 使用算法：用于发现频繁项集以及物品之间的关联规则 使用Apriori算法，首先计算出单个元素的支持度，然后选出单个元素置信度大于我们要求的数值，比如0.5或是0.7等。然后增加单个元素组合的个数，只要组合项的支持度大于我们要求的数值就把它加到我们的频繁项集中，依次递归。 然后根据计算的支持度选出来的频繁项集来
CNN
- 手写体识别的训练，采用卷积神经网络，附带数据集下载代码(The training of handwritten recognition is based on convolution neural network, and the download from the dataset.)
P_train
- 该程序为kdd99的训练测试集程序，经检验算法程序可靠(This program is a training test set program for KDD99, and is verified by algorithm and program.)
Irisflower-class-code
- 实验将Iris花的数据集分为2组，每组各75个样本，每组中每种花各有25个样本。其中一组作为以上程序的训练样本，另外一组作为检验样本。为了方便训练，将3类花分别编号为1，2，3 。 使用这些数据训练一个4输入（分别对应4个特征），3输出（分别对应该样本属于某一品种的可能性大小）的前向网络。(The data set of Iris flower was divided into 2 groups, 75 samples in each group. Each group had 25 sam
HOGSVM
- 输入训练样本集和测试样本集，通过提取HOG然后用SVM实现分类。(Input training samples and test samples, extract HOG and implement classification with SVM.)
PCA+SVM
- 采用经典的ORL人脸数据集，利用PCA进行进行降维，然后用SVM进行数据集的分类和训练。上传文件内包含libSVM3.2安装包(The classical ORL face dataset is used for dimension reduction by PCA, and then SVM is used to classify and train the dataset.)
ID3决策树算法实验
- 决策树ID3算法实验_数据集car_databases。用python编写的决策树ID3算法，运用了Car-Evaluation的例子。BUG较少，综合了网上的优秀代码，并进一步形成自己的代码。代码基本有注释，风格良好，能够很快看懂。内含有比较规范的报告文档，包含所有流程图，说明图，以及文档风格绝对不错，无需更改，建议下载！ 该算法所测试的数据集如下（已经打包在内，并已经生成xls格式，方便直接使用）： 已知：UCI标准数据集Car-Evaluation，定义了汽车性价比的4 个