虚假新闻检测器使用LSTM-RNN通过使用LSTM（长期短期记忆）递归神经网络，开发了深度学习模型来识别文章何时可能是假新闻。
数据集数据集在kaggle网站上给出任务在nltkFramework的协助下，通过删除标点符号，停用词等对文本数据进行预处理执行一种热编码，包括填充序列应用词嵌入语料库文件训练具有100个神经元的单层LSTM模型训练数据的准确性为99％，测试数据的准确性为90％
数据集数据集在kaggle网站上给出任务在nltkFramework的协助下，通过删除标点符号，停用词等对文本数据进行预处理执行一种热编码，包括填充序列应用词嵌入语料库文件训练具有100个神经元的单层LSTM模型训练数据的准确性为99％，测试数据的准确性为90％
2018/8/11 9:08:51
2.75MB
1
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
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
2020/8/13 20:40:30
123KB
1
多模光纤是一种厚散射介质,当目标图像经过多模光纤传输时将构成多种模式耦合,从而在光纤的输出端生成散斑图案。
基于深度学习对多模光纤成像进行复原,解决了厚散射介质成像失真的问题。
采用DenseUnet,并以散斑图样作为模型的输入来重建目标图像。
DenseUnet模型采用融合机制加深了网络的深度,提高了重建的准确性,并具有很好的鲁棒性。
实验结果表明,DenseUnet可以很好地对具有不同长度的多模光纤产生的散斑图像进行重建。
基于深度学习对多模光纤成像进行复原,解决了厚散射介质成像失真的问题。
采用DenseUnet,并以散斑图样作为模型的输入来重建目标图像。
DenseUnet模型采用融合机制加深了网络的深度,提高了重建的准确性,并具有很好的鲁棒性。
实验结果表明,DenseUnet可以很好地对具有不同长度的多模光纤产生的散斑图像进行重建。
2015/4/9 15:42:45
13.45MB
1
目前基于深度学习模型的预测在真实场景中具有不确定性和不可解释性，给人工智能应用的落地带来了不可避免的风险。
首先阐述了风险分析的必要性以及其需要具备的3个基本特征：可量化、可解释、可学习。
接着，分析了风险分析的研究现状，并重点引见了笔者最近提出的一个可量化、可解释和可学习的风险分析技术框架。
最后，讨论风险分析的现有以及潜在的应用，并展望其未来的研究方向。
首先阐述了风险分析的必要性以及其需要具备的3个基本特征：可量化、可解释、可学习。
接着，分析了风险分析的研究现状，并重点引见了笔者最近提出的一个可量化、可解释和可学习的风险分析技术框架。
最后，讨论风险分析的现有以及潜在的应用，并展望其未来的研究方向。
2022/9/13 22:23:45
1.42MB
1
图像分类，顾名思义，是一个输入图像，输出对该图像内容分类的描述的问题。
它是计算机视觉的核心，实际应用广泛。
图像分类的传统方法是特征描述及检测，这类传统方法可能对于一些简单的图像分类是无效的，但由于实际情况非常复杂，传统的分类方法不堪重负。
现在，我们不再试图用代码来描述每一个图像类别，决定转而使用机器学习的方法处理图像分类问题。
目前，许多研究者使用CNN等深度学习模型进行图像分类;另外，经典的KNN和SVM算法也取得不错的结果。
然而，我们似乎无法断言，哪种方法对于图像分来问题效果最佳。
本项目中，我们做了一些有意思的事情：将业内普遍用于图像分类的CNN和迁移学习算法与KNN，SVM，BP神经网络进
它是计算机视觉的核心，实际应用广泛。
图像分类的传统方法是特征描述及检测，这类传统方法可能对于一些简单的图像分类是无效的，但由于实际情况非常复杂，传统的分类方法不堪重负。
现在，我们不再试图用代码来描述每一个图像类别，决定转而使用机器学习的方法处理图像分类问题。
目前，许多研究者使用CNN等深度学习模型进行图像分类;另外，经典的KNN和SVM算法也取得不错的结果。
然而，我们似乎无法断言，哪种方法对于图像分来问题效果最佳。
本项目中，我们做了一些有意思的事情：将业内普遍用于图像分类的CNN和迁移学习算法与KNN，SVM，BP神经网络进
2018/5/23 7:43:50
529KB
1
分享课程——Python-深度学习-物体检测实战；
计算机视觉-物体检测-通用解决框架Mask-Rcnn实战课程旨在帮助同学们快速掌握物体检测领域当下主流解决方案与网络框架构建原理，基于开源项目解读其应用领域与使用方法。
通过debug方式，详细解读项目中每一模块核心源码，从代码角度理解网络实现方法与建模流程。
为了方便同学们能将项目应用到自己的数据与任务中，实例演示如何针对自己的数据集制作标签与代码调整方法，全程实战操作，通俗讲解其中复杂的网络架构。
章节1物体检测框架-MaskRcnn项目介绍与配置章节2MaskRcnn网络框架源码详解章节3基于MASK-RCNN框架训练自己的数据与任务章节4练手小项目-人体姿势识别demo章节5必备基础-迁移学习与Resnet网络架构章节6必备基础-物体检测FasterRcnn系列
计算机视觉-物体检测-通用解决框架Mask-Rcnn实战课程旨在帮助同学们快速掌握物体检测领域当下主流解决方案与网络框架构建原理，基于开源项目解读其应用领域与使用方法。
通过debug方式，详细解读项目中每一模块核心源码，从代码角度理解网络实现方法与建模流程。
为了方便同学们能将项目应用到自己的数据与任务中，实例演示如何针对自己的数据集制作标签与代码调整方法，全程实战操作，通俗讲解其中复杂的网络架构。
章节1物体检测框架-MaskRcnn项目介绍与配置章节2MaskRcnn网络框架源码详解章节3基于MASK-RCNN框架训练自己的数据与任务章节4练手小项目-人体姿势识别demo章节5必备基础-迁移学习与Resnet网络架构章节6必备基础-物体检测FasterRcnn系列
2016/7/7 13:17:22
704B
1
人工智能基础视频教程零基础入门课程第十二章人工智能基础视频教程零基础入门课程，不需要编程基础即可学习，共15章，由于整体课程内容太大，无法一次传输，分章节上传。
第一章人工智能开发及远景引见（预科）第二章线性回归深入和代码实现第三章梯度下降和过拟合和归一化第四章逻辑回归详解和应用第五章分类器项目案例和神经网络算法第六章多分类、决策树分类、随机森林分类第七章分类评估、聚类第八章密度聚类、谱聚类第九章深度学习、TensorFlow安装和实现第十章TensorFlow深入、TensorBoard十一章DNN深度神经网络手写图片识别十二章TensorBoard可视化十三章卷积神经网络、CNN识别图片十四章卷积神经网络深入、AlexNet模型十五章Keras深度学习框架
第一章人工智能开发及远景引见（预科）第二章线性回归深入和代码实现第三章梯度下降和过拟合和归一化第四章逻辑回归详解和应用第五章分类器项目案例和神经网络算法第六章多分类、决策树分类、随机森林分类第七章分类评估、聚类第八章密度聚类、谱聚类第九章深度学习、TensorFlow安装和实现第十章TensorFlow深入、TensorBoard十一章DNN深度神经网络手写图片识别十二章TensorBoard可视化十三章卷积神经网络、CNN识别图片十四章卷积神经网络深入、AlexNet模型十五章Keras深度学习框架
2022/9/9 0:14:27
351.03MB
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