mo_3.m_lbp特征提取，fitcecoc训练svm模型，predict预测，人脸分类。
使用fitcecoc函数训练一个多分类的SVM模型，使用predict函数利用训练出的模型对测试数据进行预测，将得到的类标预测值与测试数据真实的类标进行比较，计算测试数据中被正确分类的样本所占的比例。

这个利用行人HOG特征通过SVM分类器进行分类的代码。
程序运行环境为VS2013+OpenCV2.20。
程序内可以选择Opencv自带的行人检测算法，也可以自己训练HOG特征进行检测。
如果自己训练的话，需要在D盘建立一个文件（具体文件名程序中有）里面存在训练的正负样本，和测试样本。
具体D盘的这个文件夹在本人自愿中已上传，需要请自行下载。

带c的sgx样本

使用BP神经网络对样本数据（某水库年降雨量监测数据+中国铁矿石年进口量监测数据）进行操作，生成需要的训练数据和测试数据。
并使用这些数据进行训练处误差小于指定要求的网络，之后可根据界面获取需要预测的年限，并最终进行预测

云计算概论期末考试题目和样卷，供学生参考使用，不含答案

内容简介······《字体设计的规则与艺术》分为衬线大写字母、衬线小写字母、无衬线大写字母、无衬线小写字母、数字、标点符号、变音符号和间距几个部分，介绍了字体设计的规则与方法。
《字体设计的规则与艺》呈现了大量字体样本和图解，对字体创作的流程进行了深度解析，生动诠释了字体设计的视觉要领，探讨了字体的结构、视觉补偿及可辨认性，阐述了一种字体中字母与负形的系统关联。
《字体设计的规则与艺》分析了大量历史上的经典字体及现代字体，并展示了很多学生作品的典型案例，将理论与实际操作相结合，不但能使读者掌握字体设计的规律，还能为他们打开创作思路。
　　《字体设计的规则与艺》适用于设计专业的老师和学生阅读，同时也供从业的设计师参考。
作者简介······凯伦程是美国西雅图市华盛顿大学视觉交流设计项目的副教授，主要教授该大学的字体设计和字体排印学课程。
她是一名积极的字体设计实践者，其设计作品早已获得了美国平面设计师协会（AIGA）、ID杂志和美国设计中心的认可。
她在ID杂志上出版了《交流艺术》一书。
目录······引言设计流程字体设计中的变量字母的“部位”字体分类========================================================衬线大写字母（SerifCapitals）衬线大写字母O衬线大写字母E衬线大写字母C衬线大写字母G衬线大写字母D衬线大写字母B衬线大写字母P和R衬线大写字母J衬线大写字母Q衬线大写字母S衬线大写字母I、H、T、F和L衬线大写字母V和A衬线大写字母U衬线大写字母X衬线大写字母W衬线大写字母Y衬线大写字母M衬线大写字母N衬线大写字母K衬线大写字母Z========================================================衬线小写字母（SerifLowerCase）衬线小写字母o和l衬线小写字母d、q、b和p衬线小写字母e和c衬线小写字母n、h、m和u衬线小写字母r衬线小写字母a衬线小写字母s衬线小写字母g衬线小写字母i和j衬线小写字母f和t衬线小写字母v、w和y衬线小写字母k衬线小写字母x和z无衬线大写字母（SansSerifCapitals）无衬线大写字母O和E无衬线大写字母I、H、T、L和F无衬线大写字母S、C和G无衬线大写字母U和J无衬线大写字母D、B、R和P无衬线大写字母Q无衬线大写字母V、A和W无衬线大写字母K、X和Y无衬线大写字母M，N和Z========================================================无衬线小写字母（SansSerifLowerCase）无衬线小写字母o和l无衬线小写字母d、b、p和q无衬线小写字母s、c和e无衬线小写字母a和g无衬线小写字母n、m、h、u和r无衬线小写字母i、j、f和t无衬线小写字母v、w和y无衬线小写字母k、x和z数字（Numbers）数字0和1数字2数字4数字7数字3和5数字6和9数字8标点符号（Punctuation）句号、逗号、冒号和分号引号问号和感叹号========================================================变音符号（DiacriticalMarks）尖音符和钝音符长音符号元音变音符和分音符波浪符号软音符合字========================================================间距（Spacing）字母的安全空间测试间距单词间距、数字间距和标点符号间距========================================================字距调整（Kerning）参考书目（References）索引（Index）

角离子科尔多瓦插件样本ionoc（Angular）プロジェクトにcordovaプラグインを组み込むサンプルプロジェクトです。
设定内容は以下の记事を参照してください。

支持向量机是一种基于统计学习理论的VC维理论和结构风险最小原理基础上的机器学习系统，主要用来处理二元样本的分类问题，根据有限的样本信息在模型的复杂性和学习能力之间寻求最佳折衷，来获得最好的推广能力，要求分类线不但能将两类无错误地分开，而且要使两类的分类间隔最大，前者是保证经验风险最小（如使训练误差为0），而使分类间隔最大实际上就是使置信范围最小，

用来图像数据增强，进行图像扭曲，从而生成更多样本

这里主要讲深度学习用在超分辨率重建上的开山之作SRCNN。
超分辨率技术（Super-Resolution）是指从观测到的低分辨率图像重建出相应的高分辨率图像，在监控设备、卫星图像和医学影像等领域都有重要的应用价值。
SR可分为两类:从多张低分辨率图像重建出高分辨率图像和从单张低分辨率图像重建出高分辨率图像。
基于深度学习的SR，主要是基于单张低分辨率的重建方法，即SingleImageSuper-Resolution(SISR)。
SR方法主要可以分为四种模型：基于边缘，基于图像统计，基于样本（基于补丁）的方法。
本文的SRCNN网络结构非常简单，仅仅只有三层网络就是实现了SR。
网络结构如下图所示：

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。