[机器学习] sift(matlab).zip

说明：该代码简单易懂，对于初学者，入门者有着绝对的学习和参考价值。并且与算法文章相结合着看，效果更好。该代码不同于其他人上传的代码，我对基本语法，关键部分，每一步骤都用中文做了详细注释，读者能以最快速度对该算法进行理解和加深（小白都能看得懂）。最后如果不懂，可私信我，互相交流。
<weixin_45662152> 上传 | 大小：1mb

[机器学习] SaDE-ELM-master.rar

说明：该程序为Matlab，自适应差分进化算法优化极限学习机程序Matlab代码，可用于预测或者分类，程序亲测可用。
<qq_38811376> 上传 | 大小：9kb

[机器学习] ncc_0.1_win.zip

说明：--------------------------为k210生成kmodel V3的 nncase工具箱 --------------------------0.1.0 版本 这里的是windows平台的
<qq_40508193> 上传 | 大小：53mb

[机器学习] 逻辑回归模型，python代码

说明：logistic回归又称logistic回归分析，是一种广义的线性回归分析模型，常用于数据挖掘，疾病自动诊断，经济预测等领域。例如，探讨引发疾病的危险因素，并根据危险因素预测疾病发生的概率等。以胃癌病情分析为例，选择两组人群，一组是胃癌组，一组是非胃癌组，两组人群必定具有不同的体征与生活方式等。因此因变量就为是否胃癌，值为“是”或“否”，自变量就可以包括很多了，如年龄、性别、饮食习惯、幽门螺杆菌感染等。自变量既可以是连续的，也可以是分类的。然后通过logistic回归分析，可以得到自变量的权重，
<qq_27047075> 上传 | 大小：113kb

[深度学习] CNN_MNIST.zip

说明：深度学基本的手写数字识别，应用到自己的图片上。 首先我们要将自己的图片做成数据集的格式。也就是每个数字是28x28的像素点，并转成灰度，这些可以用cv库来实现也可以用其他的来实现，最主要是要使图片与数据集里的图片一样。首先了解一个概念，黑色背景的像素是0，白色（其实是灰度图是1-255的）是非0， # 那么从行开始，我们计算将每一行的像素值加起来，如果都是黑色的那么和为0（当然可能有噪点，我们可以设置个阈值将噪点过滤）， # 有字体的行就非0，依次类推，我们再根据这个图来筛选边界就可以得出
<X_m_w> 上传 | 大小：1mb

[机器学习] MINST数据集mat格式文件.7z

说明：MNIST手写数字图像数据库 60000个训练集，10000个测试集，灰度图，大小均为28*28 train_images.mat - 60000个训练集 train_labels.mat - 60000个标签 test_images.mat - 10000个训练集 test_labels.mat - 10000个标签
<qq_45784025> 上传 | 大小：11mb

[机器学习] halcon数据处理.png

说明：halcon的数据处理，halcon的数据处理，halcon的数据处理，halcon的数据处理，halcon的数据处理，halcon的数据处理，
<qq_36730717> 上传 | 大小：43kb

[深度学习] mmdetection 模型文件rpn_r50_fpn_1x_20181010-4a9c0712.pth

说明：mmdetection的模型文件，外网下载比较慢，这个是rpn_r50_fpn_1x_20181010-4a9c0712.pth
<wscnwps> 上传 | 大小：104mb

[机器学习] 自然语言处理-条件随机场工具集

说明：自然语言处理、条件随机场 运用字标注法进行中文分词，对语料进行字标注，观察分词效果。开源的条件随机场工具包“CRF++: Yet Another CRF toolkit”进行分词。 可以使用的中文语料资源是SIGHAN提供的backoff 2005语料，目前封闭测试最好的结果是4-tag+CFR标注分词，在北大语料库上可以在准确率，召回率以及F值上达到92%以上的效果，在微软语料库上可以到达96%以上的效果。
<qianjin_w> 上传 | 大小：1mb

[机器学习] IRIS数据集（文本文件和表格）

说明：IRIS数据集，包括三个文本文件和一个EXCEL表格，主要用于验证构建的神经网络的有效性，具体代码https://blog.csdn.net/ckzhb/article/details/60571769
<weixin_42577562> 上传 | 大小：9kb

[深度学习] 残差网络（ResNet）案例分析

说明：使用keras自定义残差网络，以MNIST数据集分类为例，为帮助读者了解残差网络的实现，仅使用简单的全连接层
<m0_37602827> 上传 | 大小：11mb

[机器学习] Cognizant：聊天机器人在保险业的未来

说明：随着消息平台的日益流行，以及人工智能（AI）和机器学习（ML）的发展，2018年针对一系列商业需求的聊天机器人开发激增。现在，聊天机器人是许多专注于业务现代化和网络客户体验的企业计划不可或缺的一部分。 据估计，到2022年聊天机器人预计将在全球范围内节省超过80亿美元的成本，同时还提供全天候客户服务、更短的处理时间、更快的分辨率和直通处理，从而提高客户满意度。但是，当聊天机器人的交互是机械的、非对话的或不如基于人类的对话时，该主动性可能会导致业务损失。因此，企业需要仔细规划和执行这些系统，
<dst1213> 上传 | 大小：3mb