机器深度学习

机器学习,深度学习是人工智能的核心分支,致力于让计算机系统通过数据驱动的方式自动学习和改进性能,而无需显式编程。其核心是从数据中识别模式或规律,构建数学模型,使计算机能完成预测、分类、聚类等任务。主要类型包括监督学习、无监督学习和强化学习。机器学习广泛应用于自然语言处理、计算机视觉、推荐系统等领域,正重塑各行各业,是当前AI爆发的核心技术之一。
系统实现了一个完整的黑盒对抗攻击检测与防御展示平台。用户可以在前端选择CIFAR-10+ResNet-18或TinyImageNet+EfficientNet-B0实验组合,配置黑盒攻击方法、防御方法、查询场景、查询预算、样本数量和检测阈值。系统支持HSJA、NES、SimBA、BA、Sign-Op
110Python人工智能
本预测体系由三层结构化模块构成。数据准备层通过Python爬虫定向抓取2016Q1至2025Q3的财务三表数据,构建分赛道季度收入拆分方法与事件哑变量体系。LayerA驱动型基线模型采用“赛道拆分+业务量×变现率”框架,对智慧教育、开放平台、智慧城市、其他四大业务分别建模,辅以均值回归毛利率与历史中
190Python金融
数据预处理模块 全量8个CSV文件合并→缺失值中位数填充(按类别分段)→Z-score标准化(fitontrain)→7:3分层划分;模型训练模块 PyTorch从零搭建CNN-1D和LSTM;两层评估模块第一层:Binary检测(异常vs正常)—Precision/Recall/F1;第二层:五分
260Python机器深度学习
整体架构可以理解成一个典型的“云端训练+本地推理部署”的混合系统。训练阶段,所有模型(YOLOv8、YOLOv26、ResNet、MobileNet)都在Python环境里完成训练和评估,并且统一用同一份数据集和相同的数据划分方式,保证对比结果公平。训练完之后,最优模型会被导出成部署格式(比如TFL
250Java机器深度学习
1.数据处理与特征工程:自动构建生存分析数据集,利用空间索引算法计算历史路径依赖、地理决定论等多维时空特征,并进行数据清洗与平滑处理。2.混合建模与竞赛优选:内置Cox模型竞赛引擎,自动筛选最优理论模型;集成随机生存森林与梯度提升算法,实现高精度风险预测。3.结果评估与解释:提供C-index交叉验
740Python人工智能
核心技术:YOLO视觉算法(YOLOv5/v7/v8),针对跌倒检测优化功能:通过实时视频流识别跌倒、触发警告、降低安全风险性能:端到端检测,30+帧/秒,准确率超过95%
580Python机器深度学习
1、基于Ollama+Flask架构,搭建轻量化Web聊天界面,支持Qwen3.5、Qwen2.5、Qwen-VL视觉多模型切换与图文解析。2、内置全套自动化脚本,支持一键启动、一键关停服务,可配置系统开机最小化自启动,自动规避Ollama多进程端口冲突问题。3、配套国内镜像安装指引、Ollama离
980Python人工智能
1.基于ROS2Humble搭建机器人通信框架,实现多节点分布式开发,支持传感器数据实时采集与传输;2.集成YOLOv8目标检测算法,实现对行人、车辆、障碍物等多类目标的实时识别与跟踪,检测帧率稳定在30FPS以上;3.提供目标坐标输出、ROS话题发布功能,可直接对接机器人导航、避障等上层模块,支持
870C++人工智能
1.亚像素级特征测量:深度集成Halcon(HalconCpp),实现基于形态学与高斯平滑的1DMetrology边缘测距,以及基于形状的模板匹配,实现亚像素级圆/靶标提取。2.视觉抓靶与刚体对齐(Rigid2DAlign):内置视觉偏差计算引擎,支持多点靶标识别并求解最佳平移与旋转矩阵(XYθ)。
1340C++智能硬件
本项目为电商用户行为分析与可视化平台,核心功能模块如下:1.数据采集模块:通过Flume采集APP埋点日志,结合Kafka实现实时数据缓冲,支持历史数据批量导入与实时数据流接入。2.数据分层模块:基于Hive构建ODS→DWD→ADS三层数据仓库,完成数据清洗、维度建模与指标汇总,支持多粒度时间/地
1500Java人工智能
本项目提供四位一体的智能化期货预测解决方案:首先是多品种实时行情监控,支持黄金、白银、原油等10余种期货合约的实时价格、成交量、持仓量数据可视化展示,实现市场动态的全面把握。其次是WOA智能超参数优化,采用鲸鱼优化算法自动搜索LSTM网络的最佳超参数组合,显著提升模型预测精度和训练效率。第三是双算法
1480PHP金融
1.具体功能模块:包含数据集构建、模型训练、情绪检测、结果统计四大核心模块。2.主要功能描述:数据集构建模块生成包含7类情绪的标准化人脸情绪数据集,输出结构清晰、可直接用于模型训练的emotion_dataset文件;模型训练模块基于PaddlePaddle框架实现数据预处理、模型搭建与训练,支持R
1320Python人工智能
具体功能模块:包含缺陷检测、模型管理、模型训练、数据统计四大核心模块。主要功能描述:缺陷检测支持单张PCB图片上传实时检测、多张图片批量处理,可在原图上可视化标注缺陷位置,同时支持置信度阈值配置以平衡检测精度与召回率;模型管理可加载自定义训练的YOLOv8模型,支持导出ONNX、TorchScrip
1720Python人工智能
当前共13个项目more
×
寻找源码
源码描述
联系方式
提交