logo
publist
写文章

简介

该用户还未填写简介

擅长的技术栈

未填写擅长的技术栈

可提供的服务

暂无可提供的服务

机器学习：Logistic回归

目录一、基于Logistic回归和Sigmoid函数的分类1.1 Logistic回归的一般过程1.2 Sigmoid函数二、基于优化方法的最佳回归系数确定2.1 梯度上升算法2.2 梯度下降算法2.3 使用梯度上升找到最佳参数2.4 分析数据画出决策边界三、训练算法：随机梯度上升算法3.1 随机梯度上升算法3.2 随机梯度上升算法改进四、从疝气病症预测病马的死亡率4.1 准备数据：处理数据中的缺

#算法#python#机器学习
计算机视觉：图像到图像的映射

图像映射

#python
计算机视觉：局部图像描述子

目录一、Harris角点检测器1.角点检测算法2.Harris检测的数学模型3.Harris角点求解4.代码实现5.结果分析二、SIFT（尺度不变特征变换）1.SIFT特征简介2.SIFT算法实现步骤3.关键点检测的相关概念4.关键点检测——DOG5.代码实现一、Harris角点检测器1.角点检测算法(1)角点（cornerpoints）：局部窗口沿各方向移动，均产生明显变化的点图像局部曲率突变的

#算法#python#机器学习
计算机视觉课程设计：基于SSD、Dlib多进程目标检测的对比研究

计算机视觉课程设计

#计算机视觉#目标检测#深度学习
机器学习：支持向量机

一、基于最大间隔分隔数据1.支持向量机(Support Vector Machines,SVM)最流行的实现是序列最小优化(SequentialMinimal Optimization，SMO)算法。支持向量机优点：泛化错误率低，计算开销不大，结果易解释。缺点：对参数调节和核函数的选择敏感，原始分类器不加修改仅适用于处理二类问题。适用数据类型：数值型和标称型数据。2.概念解释考虑图1中6.1A-D

#支持向量机#机器学习#算法
机器学习：决策树

一、决策树的构造1.决策树优点：计算复杂度不高，输出结果易于理解，对中间值的缺失不敏感，可以处理不相关特征数据。缺点：可能会产生过度匹配问题。适用数据类型：数值型和标称型。2.决策树的一般流程（1）收集数据：可以使用任何方法。（2）准备数据：树构造算法只适用于标称型数据，因此数值型数据必须来离散化。（3）分析数据：可以使用任何方法，构造树完成之后，我们应该检查图形是否符合预期。（4）训练算法：构造

#决策树#机器学习#python
计算机视觉课程设计：基于SSD、Dlib多进程目标检测的对比研究

计算机视觉课程设计

#计算机视觉#目标检测#深度学习
机器学习：Logistic回归

目录一、基于Logistic回归和Sigmoid函数的分类1.1 Logistic回归的一般过程1.2 Sigmoid函数二、基于优化方法的最佳回归系数确定2.1 梯度上升算法2.2 梯度下降算法2.3 使用梯度上升找到最佳参数2.4 分析数据画出决策边界三、训练算法：随机梯度上升算法3.1 随机梯度上升算法3.2 随机梯度上升算法改进四、从疝气病症预测病马的死亡率4.1 准备数据：处理数据中的缺

#算法#python#机器学习
机器学习：支持向量机

一、基于最大间隔分隔数据1.支持向量机(Support Vector Machines,SVM)最流行的实现是序列最小优化(SequentialMinimal Optimization，SMO)算法。支持向量机优点：泛化错误率低，计算开销不大，结果易解释。缺点：对参数调节和核函数的选择敏感，原始分类器不加修改仅适用于处理二类问题。适用数据类型：数值型和标称型数据。2.概念解释考虑图1中6.1A-D

#支持向量机#机器学习#算法
Anaconda安装教程及numpy环境配置

一、下载Anaconda下载地址：https://www.anaconda.com二、安装Anaconda1.进入官网后，看不懂英文可以先将网页翻译成中文。然后点击产品—>个人版。如图进入下载页面;2.可以直接点击下载，也可以滚动到页面最底部根据自己的需求下载anaconda。这里我下载的是477MB的64位的版本;3.下载成功后，打开Anaconda所在的位置，双击Anaconda;4.进

#python
到底了