SVM算法的代码，用pyhon实现的，可直接用，很方便，下载即可用！该算法可用于机器学习分类研究，是一种典型的分类算法，非常适合论文实验。

利用opencv库函数检测人脸、眼睛以及鼻子等区域haarcascades各种分类器xml文件,训练好的分类器，有人脸，人眼，倾斜的人脸，鼻子，口嘴，上半身，下半身等等。
是基于haar特征的

手动从BIOID库以及MIT库截取人眼样本，左眼以及右眼并吞截取，分别有2254张，未举行归一化处置，归一化之后能够用作harr特色熬炼的输入样本，最终熬炼出人眼检测的分类器，由于是手工截取，耗时2周多功夫实现。

用java实现基于ID3算法的遴选树分类器的eclipse残缺工程代码，测试下场准确。

matlab罕用代码大全，帮手你科研，论文实证阐发，数模竞赛第44章条理阐发法第45章灰色联系瓜葛度第46章熵权法第47章主成份阐发第48章主成份回归第49章偏最小二乘第50章垂垂回归阐发第51章模拟退火第52章RBF,GRNN,PNN-神经收集第53章相助神经收集与SOM神经收集第54章蚁群算法tsp求解第55章灰色料想GM1-1第56章模糊综合评估第57章交织验证神经收集第58章多项式拟合plotfit第59章非线性拟合lsqcurefit第60章kmeans聚类第61章FCM聚类第62章arima功夫序列第63章topsis第1章BP神经收集的数据分类——语音特色信号分类第2章BP神经收集的非线性体系建模——非线性函数拟合第3章遗传算法优化BP神经收集——非线性函数拟合第4章神经收集遗传算法函数极值寻优——非线性函数极值寻优第5章基于BP_Adaboost的强分类器方案——公司财政预警建模第6章PID神经元收集解耦抑制算法——多变量体系抑制第7章RBF收集的回归--非线性函数回归的实现第8章GRNN收集的料想----基于狭义回归神经收集的货运量料想第9章离散Hopfield神经收集的遥想影像——数字识别第10章离散Hopfield神经收集的分类——高校科研才气评估第11章络续Hopfield神经收集的优化——遨游商下场优化盘算第12章初始SVM分类与回归第13章LIBSVM参数实例详解第14章基于SVM的数据分类料想——意大利葡萄酒品种识别第15章SVM的参数优化——若何更好的提升分类器的成果第16章基于SVM的回归料想阐发——上证指数收盘指数料想.第17章基于SVM的信息粒化时序回归料想——上证指数收盘指数变更趋向以及变更空间料想第18章基于SVM的图像联系-真玄色图像联系第19章基于SVM的手写字体识别第20章LIBSVM-FarutoUltimate货物箱及GUI版本介绍与使用第21章自结构相助收集在方式分类中的使用—患者癌症发病料想第22章SOM神经收集的数据分类--柴油机缺陷诊断第23章Elman神经收集的数据料想----电力负荷料想模子钻研第24章概率神经收集的分类料想--基于PNN的变压器缺陷诊断第25章基于MIV的神经收集变量遴选----基于BP神经收集的变量遴选第26章LVQ神经收集的分类——乳腺肿瘤诊断第27章LVQ神经收集的料想——人脸朝向识别第28章遴选树分类器的使用钻研——乳腺癌诊断第29章极限学习机在回归拟合及分类下场中的使用钻研——比力试验第30章基于随机森林脑子的组合分类器方案——乳腺癌诊断第31章脑子进化算法优化BP神经收集——非线性函数拟合第32章小波神经收集的功夫序列料想——短时交通流量料想第33章模糊神经收集的料想算法——嘉陵江水质评估第34章狭义神经收集的聚类算法——收集入侵聚类第35章粒子群优化算法的寻优算法——非线性函数极值寻优第36章遗传算法优化盘算——建模自变量降维第37章基于灰色神经收集的料想算法钻研——定单需要料想第38章基于Kohonen收集的聚类算法——收集入侵聚类第39章神经收集GUI的实现——基于GUI的神经收集拟合、方式识别、聚类第40章动态神经收集功夫序列料想钻研——基于MATLAB的NARX实现第41章定制神经收集的实现——神经收集的本能化建模与仿真第42章并背运算与神经收集——基于CPU/GPU的并行神经收集运算第43章神经收集高效编程本领——基于MATLABR2012b新版本特色的谈判

使用Hu距作为特色SVM分类器举行料想的行为识别法度圭表标准，能够识别stand_up/hand_up/nothing三个种别，适宜初学者，可普通运行。
由于熬炼的样本较少，所以识别下场不是很准确，有待于扩展样本数目，驱散巨匠下载交流。

酸橙已经有一个叫做石灰的包裹，谁的模子多少乎是高尚的，它评释晰它们的变更，一次查核一次。
莱姆·瑞克（MaraAverick）这是Python石灰包（）的R端口，该石灰包是由石灰（当地可评释模子不可知的评释）方式的作者开拓的，用于黑盒模子评释。
该方式的发现部份归功于原始开拓人员。
lime的目的是评释黑匣子分类器的料想。
这象征着对于任何给定的料想以及任何给定的分类器，它均能够未必原始数据中增长料想下场的一小部份特色。
要知道无关lime的方式的更多信息，请浏览并晤面的资料库。
R的lime包并不旨在成为其Python对于应版本的逐行端口。
相同，它付与原始代码中列

基于深度学习的资源三号遥感影像云检测方式。
摘要针对于资源三号卫星影像波段少、光谱规模受限的特色，本文提出了基于深度学习的资源三号遥感影像云检测方式。
起首，付与主成份阐发非把守预熬炼搜集合构，患上到待测遥感影像特色；
其次，为削减在池化进程中影像特色信息的损失，提出自顺应池化模子，该模子能很好开掘影像特色信息；
末了，将影像特色输入反对于向量机分类器举行分类，患上到云检测下场。
选取典型地域举行云检测试验，并与传统Otsu方式举行比力。
下场评释：本文方式检测精度高，并且不受光谱规模限度。

能够要行使此样本熬炼Haar级联分类器，外面有已经熬炼好的级联分类器以及正负图片样本，驱散相互学习

网上凑集来的人脸识别数据集，搜罗正样本（人脸）以及负样本（配景），均有10000张以上图片；
能够用来熬炼haar分类器。

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。