如何从零开始学习人工智能  以下内容仅仅是我个人的见解，如果有说的不合适的地方，希望各位读者评论或私信指出，如果有不同的观点，也可以与我一起讨论。  近几年来，随着人工智能的发展，越来越多的人希望走进AI的大门，从事人工智能的相关工作，不论是人工智能的哪一行业，其基础都是机器学习，以下就是我个人学习及从事机器学习相关工作三年来，得出的一些经验。1 . 该从哪里入门  不管是学什么，入门都是最重要的

神经元  深度学习中最基础的概念：神经元，现在所流行的神经网络，几乎都是由神经元通过不同的方式组合而成的，一个完整的神经元主要由两部分组成，分别是线性函数和激励函数。  线性函数：     y = wX + b    线性函数的公式都是这样的表达方式，这里的x表示输入，y表示输出，w表示权重，b表示偏差。    输入：神经元处理之前的数据，x不一定是一个数，也可以是一个矩阵或者其他数据     输

本文所用文件的链接链接：https://pan.baidu.com/s/1RWNVHuXMQleOrEi5vig_bQ提取码：p57s边缘检测物体的边缘检测是物体识别的常用手段. 边缘检测常用亮度梯度方法, 通过识别亮度梯度变化最大的像素点从而检测出物体的边缘.# Canny边缘检测# 50: 水平方向上的阈值240: 垂直方向上的阈值cv.Canny(img, 50, 240)案例:"""dem

Tensorflow实现图像分类利用tensorflow做图像分类的训练，主要分为读取图像，训练批次，定义模型，训练，保存模型，模型调用几步。首先是读取图像，利用python中os模块的listdir方法来读取图像。在这里可以把每一类的图像放到同一文件夹中，文件夹的名字可以直接作为图像的标签，最好是用数字代替，图像的名字最好也是数字，这样写代码比较方便，如图：读取图像的代码如下：接...

词干提取import nltk.stem.porter as ptimport nltk.stem.lancaster as lcimport nltk.stem.snowball as sb# 波特词干提取器(偏宽松)stemmer = pt.PorterStemmer()# 朗卡斯特词干提取器(偏严格)stemmer = lc.LancasterStemmer()# 思诺博词干提取器(偏中庸)

词袋模型  文本分词处理后, 若需要分析文本语义, 需要把分词得到的结果构建样本模型, 词袋模型就是由每一个句子为一个样本, 单词在句子中出现的次数为特征值构建的数学模型.The brown dog is running. The black dog is in the black room. Running in the room is forbidden.The brown dog is ru

神经元  深度学习中最基础的概念：神经元，现在所流行的神经网络，几乎都是由神经元通过不同的方式组合而成的，一个完整的神经元主要由两部分组成，分别是线性函数和激励函数。  线性函数：     y = wX + b    线性函数的公式都是这样的表达方式，这里的x表示输入，y表示输出，w表示权重，b表示偏差。    输入：神经元处理之前的数据，x不一定是一个数，也可以是一个矩阵或者其他数据     输

pytorch做自己的目标检测模型第一章：制作数据集要训练自己的pytorch目标检测模型，第一步就是要制作自己的数据集。我这里只是尝试，所以做了很小的数据集，只有一个分类，15张图片，就是手机随便拍的。如图，在桌子上随便拍了些益达口香糖的瓶子，目的就是设计一个目标检测模型，最终实现能够检测到这个益达口香糖的瓶子。因为手机拍的图片较大，所以需要先将图像缩小到500x375，打开data文件夹，or

计算车辆转弯半径如图：L，W，θ均为已知条件，根据简单的三角关系，即可得出转弯半径R。轴距，轮距需要按照不同的车型进行配置前轮角度可以根据方向盘角度得到，可以根据方向盘与前轮角度的固定比计算最终结果：R = (L / tanθ + W / 2) / cosθ...

词干提取import nltk.stem.porter as ptimport nltk.stem.lancaster as lcimport nltk.stem.snowball as sb# 波特词干提取器(偏宽松)stemmer = pt.PorterStemmer()# 朗卡斯特词干提取器(偏严格)stemmer = lc.LancasterStemmer()# 思诺博词干提取器(偏中庸)