Linux操作系统课程设计中国地质大学（武汉）计算机学院计算机科学与技术专业本科生《操作系统概论》课程设计（作记录）。1. 课程设计要求按时参加上机实习，不得旷课、迟到、早退。每个学生需在 Linux 下用 C 语言完成六道上机实习题。每个学生需独立完成上机实习，不得相互抄袭。如发现抄袭者和被抄袭者成绩均不及格。每个学生需在实习结束一周内将实习报告和源程序提交到班级 学习委员，再由学习委员打包发到

作业2：BP 算法实验报告1. 算法介绍BP 算法全称叫做误差反向传播（error Back Propagation， 或者叫作误差逆传播）算法。现实任务中使用神经网络时，大多是在是使用 BP 算法进行训练。BP 算法不仅可以用户多层前馈神经网络，还可以用于其它类型的神经网络，例如训练递归神经网络。但通常说“BP 网络”时，一般是指用 BP 算法训练的多层前馈神经网络。BP 神经网络是这样一种神经

使用机器学习或者深度学习对羽毛进行等级识别判断1. 运行环境CPU：I5-10400内存：16GB系统：Win10 64位专业版，20H2IDE：Pycharm2020.1Python：3.7.9Pytorch：1.7.12. 实验目的理解机器学习如何应用到实际场景。掌握特征提取方法。3. 实验内容数据集介绍：在制作羽毛球时，羽毛会根据质量的高低而价格不同，因此存在根据羽毛的图片而对其分级的需求。

使用机器学习或者深度学习对羽毛进行等级识别判断1. 运行环境CPU：I5-10400内存：16GB系统：Win10 64位专业版，20H2IDE：Pycharm2020.1Python：3.7.9Pytorch：1.7.12. 实验目的理解机器学习如何应用到实际场景。掌握特征提取方法。3. 实验内容数据集介绍：在制作羽毛球时，羽毛会根据质量的高低而价格不同，因此存在根据羽毛的图片而对其分级的需求。

作业3：LeNet 网络实现报告LeNet-5 网络模型作为卷积神经网络中的开创性工作，提出了三大思想：局部感知权值共享下采样因为图像特征分布在图像的像素上，利用卷积操作可以在多个位置提取相类似的特征，于是有了局部感知。另外由于当年并没有计算能力强悍的 GPU 来辅助训练神经网络，因此通过下采样层有效地加快训练和提取更高维特征，能够节省参数和计算，这与当年的技术相比是一个关键的优势。另外原论文中提

使用机器学习或者深度学习对羽毛进行等级识别判断1. 运行环境CPU：I5-10400内存：16GB系统：Win10 64位专业版，20H2IDE：Pycharm2020.1Python：3.7.9Pytorch：1.7.12. 实验目的理解机器学习如何应用到实际场景。掌握特征提取方法。3. 实验内容数据集介绍：在制作羽毛球时，羽毛会根据质量的高低而价格不同，因此存在根据羽毛的图片而对其分级的需求。

作业2：BP 算法实验报告1. 算法介绍BP 算法全称叫做误差反向传播（error Back Propagation， 或者叫作误差逆传播）算法。现实任务中使用神经网络时，大多是在是使用 BP 算法进行训练。BP 算法不仅可以用户多层前馈神经网络，还可以用于其它类型的神经网络，例如训练递归神经网络。但通常说“BP 网络”时，一般是指用 BP 算法训练的多层前馈神经网络。BP 神经网络是这样一种神经

作业5：SVM实现鸢尾花分类1. SVM 介绍支持向量机（support vector machines）是一种二分类模型，是定义在特征空间上的间隔最大的线性分类器。它的目的是寻找一个超平面来对样本进行分割，分割的原则是间隔最大化，最终转化为一个凸二次规划问题（convex quadratic programming）来求解，可等价于正则化的合页损失函数最小化问题。SVM算法流程如图1所示：SVM

作业1：ID3 算法实验报告1. 算法介绍信息增益：特征 A 对训练数据集 D 的信息增益 g(D, A)，定义为集合 D 的经验熵 H(D) 与特征 A 给定条件下 D 的讲演条件熵 H(D|A) 之差，即 g(D, A) = H(D) - H(D|A)。ID3 算法的核心实在决策树各个节点上应用信息增益准则选择特征，递归地构建决策树。具体方法是：从根结点（root node）开始，对节点计算所

SRS：Software Requirement Specification，软件需求规格说明书。文档结构如下：1. 引言引言提出了对软件需求规格说明的纵览，这有助于读者理解文档如何编写并且如何阅读和解释。1.1. 目的对产品进行定义，在该文档中详尽说明了这个产品的软件需求，包括修正或发行版本号。如果这个软件需求规格说明只与整个系统的一部分有关系，那么只定义文档中说明的部分或子系统。1.2. 文档