这是一个运行于vs2015的项目，代码也就200+行，实现的功能有基础的四则运算以及math里面cos,sin，pow函数的，有这几个函数为样本添加其他函数也很简单，代码实现简单，中缀转后缀，只用了一个栈，附加提示，若是使用函数，一定要加括号，如pow(1+2,sin(3+4))这样的可行。

本人对ExtendedYaleB做了数据样本每人25张图片，测试样本每人40张图片的分类，便于人脸辨认时候测试。

利用RBF网络（隐含层神经单元个数和学习率等参数可在内部修改，不作为输入参数）学习和训练，并对输入的测试样本做出响应。
输入和输出维数可以多维。
实际运转，逼近y=sin(t)函数效果不错。

相关向量机的MATLAB代码，经过验证是正确的，很实用推荐相关向量机（Relevancevectormachine,简称RVM）是Tipping在2001年在贝叶斯框架的基础上提出的，它有着与支持向量机（Supportvectormachine,简称SVM）一样的函数方式，与SVM一样基于核函数映射将低维空间非线性问题转化为高维空间的线性问题。
RVM原理步骤RVM通过最大化后验概率（MAP）求解相关向量的权重。
对于给定的训练样本集{tn,xn}，类似于SVM,RVM的模型输出定义为y(x;w)=∑Ni=1wiK(X,Xi)+w0其中wi为权重，K(X,Xi)为核函。
因此对于,tn=y(xn,w)+εn,假设噪声εn服从均值为0,方差为σ2的高斯分布,则p(tn|ω,σ2)=N(y(xi,ωi),σ2),设tn独立同分布,则整个训练样本的似然函数可以表示出来。
对w与σ2的求解如果直接使用最大似然法，结果通常使w中的元素大部分都不是0，从而导致过学习。
在RVM中我们想要避免这个现像，因此我们为w加上先决条件：它们的机率分布是落在0周围的正态分布:p(wi|αi)=N(wi|0,α?1i),于是对w的求解转化为对α的求解，当α趋于无穷大的时候，w趋于0.RVM的步骤可以归结为下面几步：1.选择适当的核函数，将特征向量映射到高维空间。
虽然理论上讲RVM可以使用任意的核函数，但是在很多应用问题中，大部分人还是选择了常用的几种核函数，RBF核函数，Laplace核函数，多项式核函数等。
尤其以高斯核函数应用最为广泛。
可能于高斯和核函数的非线性有关。
选择高斯核函数最重要的是带宽参数的选择，带宽过小，则导致过学习，带宽过大，又导致过平滑，都会引起分类或回归能力的下降2.初始化α，σ2。
在RVM中α，σ2是通过迭代求解的，所以需要初始化。
初始化对结果影响不大。
3.迭代求解最优的权重分布。
4.预测新数据。

hog特征+svm分类器行人检测训练的负样本处理程序，千万留意路径问题

CNN深度学习-字符识别；
可以进行单张样本的识别；
源代码是进行批量的测试，无法进行单张测试；
test_example_CNN_yhw.m可以直接运转

一个简单的Tesseract多样本合并训练测试，比如用tesseract训练得有多个样本，假如想要把这多个训练的样本进行合并，则该实例记录文档是个不错的选择（简单明了，避免趟坑：〉）

本资源对应我的博文http://blog.csdn.net/zhuangxiaobin/article/details/25476833中的正样本，做车辆检测的网友可以下载并举行尝试

包含了一些用户做基于用户的引荐、基于内容的引荐的数据样本

支持向量数据描述(SupportVectorDataDescription,SVDD)语言：MATLAB版本：V2.1-----------------------------------------------------创作不易，欢迎各位5星好评~~~如有疑问或建议，请发邮件至：iqiukp@outlook.com可提供关于该算法/代码的付费咨询和有偿编写-----------------------------------------------------主要特点1.支持单值分类和二值分类的超球体构建2.支持多种核函数(linear,gaussian,polynomial,sigmoid,laplacian)3.支持2D或3D数据的决策边界可视化4.支持基于贝叶斯超参数优化、遗传算法和粒子群算法的SVDD的参数优化5.支持加权的SVDD-----------------------------------------------------注意1.SVDDV2.1仅支持R2016b以上的MATLAB版本2.正样本和负样本对应的标签分别为1和-13.提供了多个示例文件，每个文件的开头都有对应的引见4.此代码仅供参考5.可以阅读“SVDD-V2.1使用说明.pdf”文件了解更多用法

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。