分类标签_松山湖开发者村综合服务平台

分类

机器学习全景指南-启蒙篇——人工智能与机器学习的宏观版图

深度学习是机器学习的一种特殊方法，而机器学习是实现人工智能的主要途径。

Yardon_Official
2026-03-08 21:59:16

 747

 12

#人工智能 #机器学习 #学习 +4
机器学习算法分类与数据处理

做机器学习别一上来就挑模型，先把地图画清：数据有没有标签，决定用监督、无监督、半监督还是强化。再按“数据→特征→训练→评估→上线”走流程，效果多半卡在特征工程上。模型只是工具而已。

IvanCodes
2026-02-25 15:44:20

 9.5w

 26

#机器学习 #算法 #分类 +1
【图像识别】基于卷积神经网络实现垃圾分类附Matlab代码

一、引言：环保需求下，CNN 赋能智能垃圾分类1.1 垃圾分类的痛点与技术解决方案传统垃圾分类依赖人工识别，存在效率低、准确率差、成本高等问题：垃圾类别多（可回收、厨余、有害、其他等细分 10 + 类）；相似垃圾难区分（如纸类 vs cardboard、塑料瓶 vs 玻璃瓶）；环境干扰大（污渍、遮挡、光照变化影响识别）。

Matlab科研工作室
2026-01-26 21:43:46

 989

 22

#cnn #分类 #matlab
机器学习（二）：KNN算法简介及API介绍（分类、回归）

本文介绍了KNN（K-近邻）算法的核心原理与应用。KNN通过计算样本间欧氏距离，基于最近邻样本进行预测，适用于分类和回归任务。分类采用多数投票法，回归采用均值法。文章详细分析了K值选择对模型的影响（过小易过拟合，过大易欠拟合），并提供了Python实现代码示例，包括鸢尾花分类和房价预测回归任务。最后对比了KNN在分类与回归中的核心差异，强调回归任务必须进行特征标准化。该算法简单直观，但计算复杂度随

 2401_87533975
2026-01-22 21:21:14

 1263

 58

#机器学习 #算法 #分类 +2
BERT分类的上下文限制及解决方案

✅BERT 分类上下文有硬上限：512 tokens❌ 超过就只能截断或切分短 chunk + 多标签分类是最优解🚫 不要迷信“CLS 能看全文”

Jin-Sjh
2026-01-08 22:13:57

 1264

 11

#bert #分类 #人工智能
《数字图像处理》第 12 章 - 图像模式分类

本文摘要：《数字图像处理》第12章系统讲解了图像模式分类的理论与方法。首先介绍了模式分类的基本概念和发展历程，包括传统手工特征、浅层神经网络和深度学习三个阶段。重点阐述了四种典型分类方法：原型匹配（最小距离、互相关、SIFT特征匹配、结构匹配）、贝叶斯统计分类器、神经网络（感知机、多层前馈网络）和深度卷积神经网络（CNN）。通过MNIST手写数字分类等实例，详细推导了各类算法的数学原理，并提供了完

 啊阿狸不会拉杆
2025-12-23 23:28:34

 1091

 20

#分类 #数据挖掘 #人工智能 +4
室内定位无线技术的分类和原理全解析（一）

本文系统介绍了室内定位无线技术的分类与原理。室内定位技术主要分为射频类（蓝牙、Wi-Fi、UWB、RFID）、声波类（超声波、声呐）、光学类（红外、可见光）及其他新兴技术（毫米波雷达、地磁定位）。不同技术基于各自的信号传播特性，在定位精度、成本和适用场景上各具优势：射频类应用最广，UWB精度最高但成本昂贵；声波类适合短距离高精度需求；光学类在密闭空间表现优异。文章还详细阐述了各类技术的核心定位原理

 lbs智能定位
2025-12-10 16:08:54

 1800

 50

#分类 #数据挖掘 #人工智能
Scikit-learn四大分类算法实战：逻辑回归、SVM、决策树、随机森林

机器学习四大经典算法（逻辑回归、SVM、决策树、随机森林）在工程落地中的核心原理与实践要点：逻辑回归通过Sigmoid函数实现线性分类，适合解释性要求高的场景；SVM利用核函数处理非线性数据，但对参数敏感；决策树模拟人类决策过程，解释性强但易过拟合；随机森林通过集成多棵树降低方差，泛化能力强但解释性差。实测数据显示，随机森林在客户流失预测案例中表现最优（AUC 0.892），配合逻辑回归可兼顾准确

 黑客思维者
2025-12-08 20:23:09

 1337

 19

#scikit-learn #分类 #逻辑回归
【机器学习】7-9 分类任务 & 逻辑回归的成本函数 & 逻辑回归的梯度下降

本文介绍了逻辑回归的基本原理及其实现方法。首先指出线性回归不适用于分类任务，进而引入逻辑回归模型，使用Sigmoid函数将输出限制在0-1之间作为概率预测。讨论了决策边界的线性与非线性形式，并重点推导了逻辑回归的成本函数，采用对数损失函数替代平方误差以解决非凸优化问题。最后给出了梯度下降算法的具体实现公式，包括权重和偏置项的更新规则。虽然形式上与线性回归相似，但本质差异在于预测函数f的不同。整个推

 weixin_54010404
2025-11-24 14:57:41

 905

 31

#机器学习 #分类
无人机方面数据集目标检测分割分类数据集汇总介绍

它有效地弥补了该领域高质量公共数据的不足，为开发更鲁棒、更智能的无人机视觉感知系统奠定了坚实的数据基础，是相关领域学者和工程师一个非常有价值的资源。该项目由研究者 futureflsl 创建和维护，汇集了多个具有针对性的子数据集，覆盖了目标检测、跟踪、语义分割等多个核心任务。这一视角带来了独特的挑战，如小目标检测、目标外观的剧烈变化等，使其成为开发和评估无人机专用视觉算法的理想测试平台。：该项目明

 FL1623863129
2025-11-19 19:35:17

 1127

 17

#无人机 #目标检测 #分类
基于深度卷积神经网络与迁移学习的动物图像分类

本文提出了一种基于深度卷积神经网络的动物图像分类方法。项目采用迁移学习技术，通过TensorFlow框架实现高精度动物识别系统，可分类10种动物。研究克服了动物外观多样性、图像质量差异等挑战，特别关注技术伦理问题。实验使用包含24,000余张图像的数据集，采用数据增强、批归一化等技术优化模型性能。开发过程中强调结果复现性，通过设置随机种子确保实验可靠性。该系统在野生动物保护、农业监测等领域具有应用

 Bony-
2025-11-17 16:44:38

 1155

 34

#cnn #迁移学习 #分类
基于ResNet50和PyTorch的猫狗图像分类系统设计与实现

本文实现了一个基于ResNet50和PyTorch的猫狗分类系统，通过迁移学习微调预训练模型，并结合标准化与数据增强提升分类精度，最终在测试集上达到了90%以上的准确率。系统使用PySide6构建用户界面，支持模型训练、预测及结果可视化，并分析了迁移学习和数据预处理中的技术挑战，展望了未来优化与多任务分类的潜力。

Dev7z
2025-11-04 22:13:07

 1140

 38

#pytorch #分类 #人工智能
从 Transformer 理论到文本分类：BERT 微调实战总结

本文系统性梳理了 BERT 模型的结构与预训练过程，从理论到实战，完整复现了 **BERT 模型的微调流程**，并结合优化实验，探索了模型在小样本任务中的表现与调参策略。

Ellenjing
2025-10-25 22:47:32

 1020

 22

#transformer #分类 #bert
Annals of Neurology | EEG‘藏宝图’：用于脑电分类、聚类与预测的语义化低维流形

摘要目标：由于病因和病理生理学的异质性，以及由此导致的脑电图(EEG)高度可变性，意识障碍(DOCs)患者的预后评估仍然具有挑战性。在这里，本研究利用易于表征的EEG模式构建了一个潜在映射，将新的EEG数据定位在一个连续谱上。本研究通过以心脏骤停后预后作为首个应用案例，评估该映射作为一种通用工具从长程EEG中提取具有预后价值信息的能力。方法：在健康-疾病连续体中可分类的EEG(包括清醒[W]、睡眠

 茗创科技
2025-10-20 11:42:02

 1308

 20

#分类 #聚类 #数据挖掘
YOLO V3 目标检测教程：从样本分类到性能评价

YOLO V3目标检测核心技术解析本文系统讲解了YOLO V3目标检测模型的核心技术要点：样本分类机制：采用IoU阈值严格区分正负样本和忽略样本正样本负责计算坐标、类别和置信度损失负样本仅产生置信度损失损失函数设计：引入惩罚项平衡不同尺寸目标检测使用Sigmoid替代Softmax实现多标签分类综合坐标损失、类别损失和置信度损失性能评价体系：详细解析精确率、召回率等核心指标

 Zhang_Xuu
2025-10-20 22:36:56

 1050

 15

#目标检测 #分类
【机器学习】感知机

本文系统介绍了感知机模型及其学习算法。感知机是二类分类的线性模型，通过分离超平面实现分类。文章详细阐述了感知机模型定义、几何解释、学习策略（基于误分类的损失函数），并给出了原始形式和对偶形式两种学习算法。通过实例分析和Python代码实现，展示了感知机的应用过程。研究证明感知机在线性可分条件下收敛，但无法解决非线性问题（如异或）。最后，文章指出感知机是神经网络的基础，具有重要的理论价值。

2401_84149564
2025-10-20 00:25:42

 1078

 35

#机器学习 #人工智能 #算法 +2
深度学习——基于ResNet18迁移学习的图像分类模型

通过继承该类通过.txt文件读取样本路径与类别标签，实现灵活的数据管理。本文完整展示了一个基于ResNet18 迁移学习的20类图像分类任务，从模型加载、参数冻结、数据增强、训练与验证流程，到优化器与学习率调度的全流程实现。通过冻结特征提取层、仅微调分类层的设计，我们能够以极低的训练成本获得高准确率模型，体现了迁移学习在现实任务中的高效性与实用价值。

星期天要睡觉
2025-10-18 21:54:02

 1222

 13

#迁移学习 #分类 #人工智能 +1
【完整源码+数据集+部署教程】航拍杂草检测与分类系统源码和数据集：改进yolo11-RVB-EMA

【完整源码+数据集+部署教程】航拍杂草检测与分类系统源码和数据集：改进yolo11-RVB-EMA

飞翔的佩奇
2025-10-12 15:07:48

 1004

 36

#分类 #计算机视觉
Cohen‘s Kappa系数：衡量分类一致性的黄金标准及其在NLP中的应用

在分类任务（如医学诊断、机器学习模型评估、数据标注等）中，**两个评估者（或模型）的分类一致性**是衡量结果可靠性的关键指标。**Cohen's Kappa系数（κ）** 是一种经典的统计方法，用于评估分类一致性，同时**校正随机一致的影响**，比简单的“一致率”更可靠。

梦想画家
2025-10-09 09:48:07

 2794

 16

#分类 #自然语言处理 #数据挖掘
11. Pandas 数据分类与区间分组（cut 与 qcut）

在数据分析中，我们常常需要将连续型变量划分为若干区间，从而对数据进行离散化、分层统计或可视化展示。Pandas 提供了两种常用方法：cut（等宽分组）和 qcut（等频分组）。它们能帮助我们快速地将连续数值数据转化为类别变量，为后续的趋势分析、分层汇总和建模提供有力支持。

白鸥问我
2025-10-06 22:28:00

 793

 8

#pandas #分类 #数据挖掘 +3
多目标识别YOLO :YOLOV3 原理

YOLOv3是一种高效的单阶段目标检测算法，通过单次前向传播即可预测目标位置和类别。其核心框架采用Darknet-53主干网络，结合特征金字塔结构输出13×13、26×26、52×52三种尺度的检测结果，分别对应大、中、小目标的检测。每个网格预测3个边界框，使用预定义的锚框和偏移量计算实现高效定位。网络通过255个通道输出（85×3），包含80个类别概率、4个坐标偏移和1个置信度。

七芒星2023
2025-10-07 22:32:41

 1114

 11

#人工智能 #计算机视觉 #目标跟踪 +3
用 PyTorch 实现食品图像分类：从数据预处理到模型训练与预测

PyTorch 提供了Dataset抽象类，我们通过继承该类，实现自定义的食品图像数据集，支持图像读取、数据增强与标签处理。为了提升模型泛化能力并统一输入格式，我们对训练集和验证集（测试集）分别定义数据变换操作，主要包括图像尺寸调整和张量转换。

dlraba802
2025-09-02 19:03:50

 1084

 12

#pytorch #分类 #人工智能
从 0 到 1 实现 PyTorch 食物图像分类：核心知识点与完整实

PyTorch 通过Dataset和DataLoader实现数据加载，其中Dataset负责 “定义数据来源和格式”，DataLoader负责 “批量加载和并行处理”。本项目自定义了类，用于加载食物图像和对应标签，我们详细解析其实现逻辑。x = self.conv1(x) # 经卷积块1处理x = self.conv2(x) # 经卷积块2处理x = self.conv3(x) # 经卷积块3处理

 过往入尘土
2025-09-03 21:45:27

 1756

 41

#pytorch #分类 #人工智能
深度学习——基于卷积神经网络实现食物图像分类（数据增强）

我们将使用自定义的食物数据集，构建一个卷积神经网络(CNN)模型，并实现完整的训练流程。a = (pred.argmax(1) == y) #dim=1表示每一行中的最大值对应的索引号，dim=0表示每一列中的最大值对应的索引号。nn.MaxPool2d(kernel_size=2),# 进行池化操作(2×2操作),输出结果为(16,128,128)x = x.view(x.size(0),-1)

2501_91113915
2025-09-02 21:36:41

 1443

 13

#深度学习 #cnn #分类
机器学习(四）KNN算法-分类

A(X11,X12,……，X1n）与B(X21,X22,……，X2n）闵可夫斯基距离是将多个距离公式总结而成的一个公式。当p=1，是曼哈顿距离；p=2，欧式距离；p为无穷大，就是切比雪夫距离。

玉木子
2025-09-01 20:10:17

 480

 5

#机器学习 #算法 #分类
机器学习 - Kaggle项目实践（6）Dogs vs. Cats Redux: Kernels Edition 猫狗二分类

本文介绍了使用ResNet50预训练模型进行猫狗图像分类的完整流程。首先从Kaggle数据集解压图片并处理数据，将文件名转换为独热标签（猫[0,1]，狗[1,0]）。然后构建ResNet50模型，移除原始分类层并改为二分类softmax输出，使用ImageNet预训练权重初始化。模型在训练集上训练20个epoch后，在验证集上准确率达到98%以上。最后对测试集进行预测并生成提交文件。整个流程包括数

 nju_spy
2025-08-31 00:00:00

 956

 17

#机器学习 #分类 #人工智能 +2
机器学习通关秘籍｜Day 02：特征降维、用KNN算法和朴素贝叶斯实现分类

本文系统介绍了机器学习中的特征降维与分类算法。主要内容包括：1. 特征降维技术（特征选择、PCA），通过方差过滤、相关性分析和主成分分析降低数据维度；2. KNN分类算法，详述距离度量、K值选择和算法优缺点；3. 模型调优方法，包括多种交叉验证技术和超参数搜索策略；4. 朴素贝叶斯分类原理，涵盖贝叶斯定理、条件独立性假设和拉普拉斯平滑。文章通过代码示例展示了各技术的实际应用，为机器学习分类任务提供

 bxbc2391901156
2025-08-04 19:56:50

 985

 21

#机器学习 #算法 #分类
OpenCV 与深度学习：从图像分类到目标检测技术

深度学习作为机器学习的重要分支，通过神经网络实现自动特征提取，突破了传统机器学习依赖人工设计特征的局限。文章系统介绍了深度学习在图像识别领域的核心应用：1. 图像分类方面，CNN架构通过卷积和池化层处理图像数据，主流算法包括VGG、ResNet等；2. 目标检测方面，对比了两阶段（如Faster R-CNN）和单阶段（如YOLO系列）算法的特点，详细解析了YOLO从v1到v8的演进。文章还展示了如

 我的猴子
2025-07-11 15:43:30

 1897

 14

#opencv #深度学习 #分类
基于 PyTorch 的猫狗图像分类实战

通过本次实战，我们从零开始搭建了一个基于 PyTorch 的猫狗分类器，涵盖了数据准备模型设计训练调试到评估推理的完整流程。我们使用简单的卷积神经网络在经典的 Kaggle 猫狗数据集上取得了不错的效果，展示了深度学习解决图像二分类问题的基本范式。在这个过程中，我们还体验了在 Apple Silicon 上利用 MPS 加速训练的便利。为了进一步提高和扩展，本项目有许多可以改进和延伸引入预训练模型

 Wade_Crab
2025-07-04 15:24:50

 2426

 13

#pytorch #分类 #人工智能
基于连接感知的实时困倦分类图神经网络

由于受试者数量较少，研究者采用了留一法交叉验证来评估模型性能。在每个训练周期中，一个受试者的数据被用作测试集，其余数据用于训练。所有实验重复五次，每次使用不同的随机种子，以确保结果的稳定性和可靠性。

是Dream呀
2025-07-03 23:17:16

 1.1w

 72

#分类 #神经网络 #数据挖掘
基于MATLAB的SVM支持向量机的乳腺癌分类方法应用

摘要本项目基于MATLAB平台开发了一种支持向量机（SVM）的乳腺癌分类模型，旨在辅助医生进行高效准确的早期诊断。通过对包含569条样本的30项特征数据集进行预处理、特征工程和80/20数据集划分，构建了线性核SVM分类器。模型在测试集上表现优异：准确率97.35%，查准率100%，F1分值0.9630，仅3例恶性样本被误判。研究表明，该方法可有效区分乳腺肿瘤的良恶性，未来可进一步优化特征选择以

 胖哥真不错
2025-06-30 14:58:58

 2029

 36

#支持向量机 #分类 #机器学习 +2
基于 Transformer RoBERTa的情感分类任务实践总结之二——R-Drop

性能提升：相比基础RoBERTa，改进后模型在测试集上的F1分数提升约1.2%，AUC提升约0.8%，过拟合现象明显缓解。核心价值：R-Drop通过强制模型输出一致性，有效增强了预测稳定性；标签平滑则降低了模型对硬标签的依赖，两者结合显著提升了泛化能力。适用场景：文本分类、情感分析等任务，尤其适合标注数据有限或需提升模型鲁棒性的场景。

张大鹏的博客
2025-06-07 15:46:10

 1419

 24

#transformer #分类
MindSpore框架学习项目-ResNet药物分类-模型评估

通过这个用ResNet50进行对中药材的种类及品阶进行12分类的项目，学习mindspore AI框架的使用和深度学习任务的一般流程，熟悉如何通过深度学习的方式来拟合数据，处理生产生活中的问题，为AI赋能的时代贡献点滴实践。

yuange1666
2025-05-10 10:53:53

 1460

 15

#数据挖掘 #人工智能 #深度学习 +3
机器学习Python实战-第三章-分类问题-4.支持向量机算法

支持向量机(support vector machine，SVM)是一种二分类模型，它的基本模型是定义在特征空间上的间隔最大的线性分类器，间隔最大使它有别于感知机；SVM还包括核技巧，这使它成为实质上的非线性分类器。SVM的学习策略就是间隔最大化，可形式化为一个求解凸二次规划的问题，也等价于正则化的合页损失函数的最小化问题。SVM的学习算法就是求解凸二次规划的最优化算法。

Hdejac
2025-05-04 00:33:56

 1078

 17

#机器学习 #python #分类 +2
Python----深度学习（基于深度学习Pytroch簇分类，圆环分类，月牙分类）

深度学习是一种通过模拟人脑神经元结构来进行数据学习和模式识别的技术，在分类任务中展现出强大的能力。分类任务涵盖了各种场景，例如簇分类、圆环分类和月牙分类，每种任务都有不同的特征和应用。

蹦蹦跳跳真可爱589
2025-04-25 09:11:25

 1062

 13

#python #深度学习 #分类 +2
猫咪如厕检测与分类识别系统系列【三】融合yolov11目标检测

本次将继续制作 **实时检测模块**：使用 **YOLOv11** 检测摄像头画面中的猫、判断是否进入指定区域，并调用分类模块识别是哪只猫

 读研三年再学java的dragon
2025-04-12 08:35:35

 2170

 39

#分类 #目标检测 #人工智能
基于Python的垃圾短信分类

随着移动互联科技的高速发展，信息技术在不断改变着我们的生活，让我们的生活更方便，其中移动通信技术己经在我们生活起到至关重要的作用，与我们每个人人息息相关。短信作为移动通信的一个基础业务，由于简单方便而且廉价，在很久以前就己成为人们交流沟通的一种方式，得到人们的认同，成为人们生活中不可缺少的一部分，以短信拜年为例，2015 年春节期间，全国短信发送量达到 203.9 亿条，2016 年春节期间，全国

 神仙别闹
2025-03-21 11:46:41

 1527

 27

#python #分类 #java
基于深度学习的网络摄像头图像实时分类实践：从理论到完整实现

深度学习与实时图像分类

 青橘MATLAB学习
2025-03-03 12:31:55

 1642

 22

#深度学习 #网络 #分类 +2
故障诊断 | 一个小创新：特征提取+KAN分类

本文基于凯斯西储大学（CWRU）轴承数据，使用特征提取和KAN模型进行故障识，并通过CNN-SENet、MLP以及传统机器学习模型SVM进行对比分析。

【建模先锋】
2024-12-21 21:20:32

 2849

 39

#分类 #数据挖掘 #人工智能
BP分类-反向传播神经网络（Backpropagation Neural Network）

BP神经网络，即反向传播神经网络（Backpropagation Neural Network），是一种前馈神经网络，通过反向传播算法训练网络权重。其基本结构包括输入层、一个或多个隐藏层以及输出层。BP算法通过计算输出误差并将误差反向传播到网络中，逐步调整权重，以最小化误差。BP神经网络作为一种经典的前馈神经网络，因其强大的学习和泛化能力，在各个领域得到了广泛应用。通过适当的数据预处理、网络结构设

 落魄君子
2024-12-21 19:16:26

 1874

 29

#分类 #神经网络
搭建神经网络实现多分类并本地部署

使用resnet实现自己数据集的多分类，并部署

 Hello未来
2024-11-03 22:29:07

 1599

 11

#分类 #pytorch #目标检测 +3
目标检测与图像分类：有什么区别？各自的使用场景是什么？

目标检测与图像分类：有什么区别？各自的使用场景是什么？

阿_旭
2024-10-07 16:04:05

 3780

 23

#目标检测 #分类 #人工智能 +2
分别通过SVM和MLP对数据进行分类测试matlab仿真,输出ROC曲线

由于是在高维特征空间中建立线性学习机，所以与线性模型相比，不但几乎不增加计算的复杂性，而且在某种程度上避免了"维数灾难".这一切要归功于核函数的展开和计算理论.对于分类问题，SVM的目标是找到一个超平面，使得不同类别的样本尽可能地被分开，并且两类样本之间的间隔最大化。当数据不是线性可分时，可以使用核函数K(xi,xj)=ϕ(xi)⋅ϕ(xj)，其中ϕ 是映射函数，将原始数据从低维空间映射到

 fpga和matlab
2024-08-13 17:57:29

 1504

 24

#支持向量机 #分类 #matlab
基于神经网络的分类和预测

基于神经网络的分类和预测在数学建模中的运用

 wanchen_Gabby
2024-07-13 18:02:48

 3213

 21

#神经网络 #分类 #人工智能 +2
PMG：基于渐进式多粒度拼图块训练的细粒度视觉分类——【ECCV_2020_论文学习】

由于类内对象本身的细微变化，细粒度视觉分类（FGVC）比传统的分类任务更具挑战性。最近的工作主要通过关注如何定位最具辨别力的部分、更多互补部分和各种粒度的部分来解决这个问题。然而，对于哪些粒度最具区分性，以及如何跨多粒度融合信息，所做的工作较少。在这项工作中，我们提出了一种新的细粒度视觉分类框架来解决这些问题。特别地，我们提出：（i）一种新的渐进式训练策略，该策略在每个训练步骤中添加新的层，以利用

 墨理学AI
2024-07-11 12:58:19

 1992

 15

#分类
NLP——CNN处理姓氏分类

这是一篇实验博客——数据集、代码均未完整公示，谨展示基本训练流程，请客官谨慎食用。本次实验基于torch架构，适合具有一定基础的读者阅读。本次实验适合具有一定NLP基础的读者阅读。一、CNN是什么？卷积神经网络（Convolutional Neural Network，CNN）是一种在计算机视觉领域取得了巨大成功的深度学习模型。它们的设计灵感来自于生物学中的视觉系统，旨在模拟人类视觉处理的方式。

m0_72088520
2024-06-08 09:46:33

 1269

 30

#自然语言处理 #cnn #分类