目录哈夫曼编码（最优二叉树）优势：缩短电文长度思想：过程：图解实现过程：总代码哈夫曼编码（最优二叉树）一、优势：缩短电文长度二、思想：获取每个字符出现的频率，用一个大小为[256]的数组保存（因为ASCII码是256个），最后作为每个字符的权重。权重越大，意味着出现频率越大，希望它的码长越短，这样总体电文最小。最后把这些字符（不重复部分）、权重依次放入结点中，把这些结点作为一个个元素，从小到大依次

目录基础理论一、生成验证码数据集1、生成验证码训练集1-0、判断文件夹是否为空1-1、创建字符集（数字、大小写英文字母）1-2、随机生成验证码（1000个，长度为4）2、生成验证码测试集代码二、获取数据（训练集、测试集）1、获取数据和标签1-1、获取训练集数据和标签（路径和标签）1-2、获取测试集数据和标签（路径和标签）1-3、数据组合（图像路径和标签）2、打乱数据3、处理每条数据4、自定义重复周

由于是二分类，所以最后会用到sigmoid激活函数。一、准备数据# 1、准备数据from tensorflow.keras.preprocessing.image import ImageDataGenerator1、创建两个数据生成器# 1-1、创建两个数据生成器train_data_gen = ImageDataGenerator(rescale=1/255)test_data_gen = I

图像被划分成3个图像：图像在多次卷积压缩后，小物体容易消失，所以我们分别用52*52、26*26、13*13的网格检测小物体、中物体、大物体。（猫是大物体，所以用13*13的网格检测）import cv2import numpy as np# 读取文件def ReadFile():global name_listname_list = []# 1、读取文件with open('coco.names

目录基础理论1、单词感知器介绍2、单词感知器学习规则前向传递（得到输出y）反向传递（更新权重w）手写单层感知器1、初始参数设置2、正向传播（得到输出y）3、 反向传播（更新权重参数）总代码基础理论1、单词感知器介绍感知器：模拟生物神经网络的人工神经网络结构。w：权值，可以调节神经信号输入值的大小。b：偏置，相当于神经元内部自带的信号。f(x)：激活函数，信号进行线性/非线性变化。（有sign、si

一、基础理论朴素贝叶斯算法：（朴素：假设数据集属性之间是相互独立的）因此算法的逻辑性十分简单,并且算法较为稳定,当数据呈现不同的特点时,朴素贝叶斯的分类性能不会有太大的差异。贝叶斯公式：最后概率最大的即为预测结果。...

目录成果展示基础理论一、数据准备1、载入数据集2、数据处理2-1、归一化2-2、独热编码二、神经网络拟合1、搭建神经网络2、设置优化器、损失函数3、训练三、预测1、备份图像数据集2、预测分类3、显示结果(plt)总代码成果展示训练1次：训练30次：基础理论本次手写数字识别，采用的是MNIST数据集。http://yann.lecun.com/exdb/mnist/这里输出层用到了softma...

如果不做数据处理直接划分，会出现如下的错误：ValueError: Found input variables with inconsistent numbers of samples: [697, 699]

目录一、基础理论二、身高体重预测性别1、获取数据（男女生身高体重）2、数据处理（合并数据）3、设置标签4、创建分类器（支持向量机）4-1、创建svm分类器4-2、设置分类器属性（线性核）5、训练6、预测总代码一、基础理论SVM本质：寻求一个最优的超平面进行分类。（分类器）SVM核：支持很多核（这里主要使用线性核）左图分类比较简单，一条线就可以分类；但右图一条线明显无法完成分类，这时则需要多条线甚至

一、概念与定义BP神经网络：是一种按照误差逆向传播算法训练的多层前馈神经网络。BP 算法的基本思想：学习过程由信号的正向传播和误差的反向传播两个过程组成。正向传播：把样本的特征从输入层进行输入，信号经过各个隐藏层逐层处理后，最后从输出层传出。反向传播：对于网络的实际输出与期望输出之间的误差，把误差信号从最后一层逐层反传，从而获得各个层的误差学习信号，再根据误差学习信号来修正各个层神经元的权值。周而