本项目使用 Hepatitis C（丙型肝炎）血液检测数据集，根据年龄、性别及多项生化指标预测受试者类别。实验先以随机森林建立基线模型，再利用 PyTorch 搭建单层 LSTM 网络完成五分类，并使用 Optuna 搜索合适的超参数。项目内容模型RandomForestRegressor（基线）+ 单层 LSTM任务五分类：Blood Donor / suspect Blood Donor /

使用Pytorch构建一个CNN模型对MNIST手写数字数据集进行识别MNIST手写数字数据集由Yann LeCun等人整理，来源于美国国家标准与技术研究院（NIST），是计算机视觉和机器学习领域最著名的公开数据集之一。该数据集包含250位不同职业人士手写的数字图像，官方获取地址为：http://yann.lecun.com/exdb/mnist/。网站提供四个压缩文件，分别对应训练图像、训练标签

利用Pytorch构建CNN模型以用于识别彩色图片CIFAR-10数据集，又称加拿大高等研究院数据集是一个常用于训练机器学习和计算机视觉算法的图像集合。它是最广泛使用的机器学习研究数据集之一。CIFAR-10数据集包含60,000张32×32像素的彩色图像，分为10个不同的类别。

本实验利用Pytorch实现天气识别数据集中有cloudy(多云) ，rain(雨天)，shine(晴天)， sunrise(日出)四种天气标签，各约有200-350张照片。

通过图片集识别猴痘病图片集中有980张猴痘病图片，1162张正常或其他病图片。

利用PyTorch构建CNN模型识别运动鞋品牌为耐克还是阿迪达斯。数据集分为train和test，其中训练集中各品牌有251张图片，测试集中各品牌有38张图片。

该实验先调用官方的VGG-16网络框架对模型进行训练，测试准确率仅有%；之后手动搭建VGG-16网络框架使测试准确率达到%。VGG-16是由牛津大学视觉几何组于2014年提出的深度卷积神经网络，凭借其16层（13个卷积层和3个全连接层）的深层结构在ImageNet竞赛中脱颖而出。其核心设计特色在于统一使用3x3小卷积核通过堆叠来增强非线性表达并减少参数，配合ReLU激活函数和最大池化层，实现了对大

实验搭建 VGG-16 模型通过对马铃薯叶子健康情况建模，进行病害识别。数据集分为三类：健康 healthy, 早疫病 Early_blight, 晚疫病 Late_blight。其中健康叶子有 152 张图片，早疫病和晚疫病叶子各有 1000 张图片。

利用 YOLO v5 算法中的 C3 模块搭建网络以识别天气。数据集中有 cloudy、rain、shine、sunrise 四类数据，每类数据 300 张左右的图片。

利用 YOLO v5 算法中的 Backbone 模块搭建网络以识别天气。YOLO v5 的 Backbone 采用 CSPDarknet 架构，通过大量 CSP（Cross Stage Partial）结构，在保持强大特征提取能力的同时显著降低计算量和内存占用，是速度与精度平衡的关键模块。数据集中有 cloudy、rain、shine、sunrise 四类数据，每类数据 300 张左右的图片。