支持向量机的相关经典案例，里面包含线性核函数和非线性核函数，另外还有实例：支持向量机手写数字识别；
内含测试集训练集、代码源文件及正文，可直接运行（需安装numpy和matplotlib）
内含测试集训练集、代码源文件及正文，可直接运行（需安装numpy和matplotlib）
2022/9/7 7:50:43
151KB
1
手写数字的识别是模式识别及机器学习的一个重要应用,应用范围非常广泛。
本文提出一种基于决策树算法的手写数字识别方法,该方法通过提取基于密度的特征,通过训练得到一个决策树分类模型,进而进行手写数字的识别。
实验证明该方法能够快速无效的进行手写数字的识别。
本文提出一种基于决策树算法的手写数字识别方法,该方法通过提取基于密度的特征,通过训练得到一个决策树分类模型,进而进行手写数字的识别。
实验证明该方法能够快速无效的进行手写数字的识别。
2022/9/3 0:25:35
292KB
1
MNIST应该是最简单，也是最好的起始数据集，使用极为简单的分类器就可以达到不错的泛化准确率（何为泛化？即我们的模型对于没有进入训练集的判断能力，反应了模型能否正确或是鲁棒），实际上，基本上由图像各密集像素区的简单分布就可以达到分类手写数字识别的目的（特别是限制了手写范围，数字一般处于居中的位置的时候）。
此为其下载的脚本文件，此外，只需要一次下载后即可无须下载立刻使用，具体请看我的教程。
此为其下载的脚本文件，此外，只需要一次下载后即可无须下载立刻使用，具体请看我的教程。
2019/9/19 21:57:15
1KB
1
是用于字母A到J的字体glypyhs的图像识别数据集，可用于简单的神经网络。
它与手写数字0到9的经典非常相似。
不幸的是，notMNIST数据的提供格式与MNIST数据的格式不同，因而，您不能只交换notMNIST数据文件并在其上不更改地运行神经网络。
这个仓库解决了这个问题：这里的四个*.gz文件具有与MNIST数据集中的同名文件相同的数据格式和相同的条目数。
但是图像不是手写数字，而是从A到J的字母（标签仍然是0到9）。
（这些文件在这里获得了notMNIST数据集的原始作者的许可。
）如果您有使用MNIST的神经网络，则应该能够替换此存储库中的数据文件并运行程序，而无需进行任何更改。
请注意，notMNIST数据集比MNIST更难，更不干净。
使用这些notMNIST文件，在MNIST上获得98％的准确度的简单2隐藏层网络就可以得到93或94％的准确度。
notMNIST数
它与手写数字0到9的经典非常相似。
不幸的是，notMNIST数据的提供格式与MNIST数据的格式不同，因而，您不能只交换notMNIST数据文件并在其上不更改地运行神经网络。
这个仓库解决了这个问题：这里的四个*.gz文件具有与MNIST数据集中的同名文件相同的数据格式和相同的条目数。
但是图像不是手写数字，而是从A到J的字母（标签仍然是0到9）。
（这些文件在这里获得了notMNIST数据集的原始作者的许可。
）如果您有使用MNIST的神经网络，则应该能够替换此存储库中的数据文件并运行程序，而无需进行任何更改。
请注意，notMNIST数据集比MNIST更难，更不干净。
使用这些notMNIST文件，在MNIST上获得98％的准确度的简单2隐藏层网络就可以得到93或94％的准确度。
notMNIST数
2015/3/4 9:25:41
22.13MB
1
MNIST数据集是一个手写阿拉伯数字图像识别数据集，图片分辨率为20x20灰度图图片，包含‘0-9’十组手写手写阿拉伯数字的图片。
其中，训练样本60000，测试样本10000，数据为图片的像素点值，作者曾经对数据集进行了压缩。
其中，训练样本60000，测试样本10000，数据为图片的像素点值，作者曾经对数据集进行了压缩。
2017/7/22 9:43:20
10.16MB
1
在日常工作中，钉钉打卡成了我生活中不可或缺的一部分。然而，有时候这个看似简单的任务却给我带来了不少烦恼。
每天早晚，我总是得牢记打开钉钉应用，点击"工作台"，再找到"考勤打卡"进行签到。有时候因为工作忙碌，会忘记打卡，导致考勤异常，影响当月的工作评价。而且，由于我使用的是苹果手机，有时候系统更新后，钉钉的某些功能会出现异常，使得打卡变得更加麻烦。
另外，我的家人使用的是安卓手机，他们也经常抱怨钉钉打卡的繁琐。尤其是对于那些不太熟悉手机操作的长辈来说，每次打卡都是一次挑战。他们总是担心自己会操作失误，导致打卡失败。
为了解决这些烦恼，我开始思考是否可以通过编写一个全自动化脚本来实现钉钉打卡。经过一段时间的摸索和学习，我终于成功编写出了一个适用于苹果和安卓系统的钉钉打卡脚本。
2024-04-09 15:03
15KB