搜索资源列表
Kmeans
- 《视觉机器学习20讲配套仿真代码》——1、K-means学习-" Vision Machine Learning Lecture 20 supporting the simulation code" 1, K-means learning
Adaboost
- 《视觉机器学习20讲》的配套仿真代码——Adaboost分类算法，可运行，有注释-The visual machine learning about 20 supporting simulation code- Adaboost classification algorithm, can run, with comments
kmeans
- 机器学习，kmeans算法的实现。kmeans算法-Machine learning, achieve kmeans algorithm.
CMachine2
- 机器学习的课程，一些图像处理的，利用MFC编写的小界面-Machine learning courses, some image processing, using MFC prepared by the small screen
car-recognization
- 实现对车辆图片的识别，对机器学习算法有较大的改进-Identification of the vehicle to achieve a picture of the machine learning algorithms have greatly improved
KNN
- KNN K近邻算法 来自视觉机器学习中的代码-The KNN K Nearest Neighbor algorithm comes the code in the visual machine learning
Gabor_GLM_FEX
- 视网膜血管检测的Gabor变换和机器学习，教程 本教程将演示如何Gabor变换和广义 的线性模型（GLM）可用于视网膜血管检测 图像。 ，我们将尝试检测视网膜血管从 的训练图像，首先，Gabor滤波器与图像卷积。 GLM将使用Gabor变换的图像特征确定 （独立变量）和容器的位置 为结果（因变量）。- Retinal Vessel Detection by Gabor Transform and Machine Learning, a Tutorial T
52957362
- EM算法估计GMM的matlab版本的源代码,适合给类机器学习问题,-EM algorithm to estimate GMM version of the matlab source code, suitable for such machine learning problems,
6422495
- Sigmoid的参数求解matlab源代码,可以嵌入到各种机器学习问题中使用,-The parameters of the Sigmoid solve the matlab source code, can be embedded in a variety of machine learning problems in use,
K-Means PCA降维
- K-Means算法,不要求建立模型之后对结果进行新的预测，没有相应的标签，只是根据数据的特征对数据进行聚类。主成分分析降维对数据进行可视化操作,对features进行降维.(K-Means algorithm does not require the establishment of the model after the new prediction of the results, there is no corresponding tag, but only on the character
facial-expression-recognition-svm-master
- 表情识别，svm，效果不错，适合初学者，啦啦啦(facial expression recognition)
GD
- 机器学习课程中的梯度下降算法的代码示例（MATLAB版本）(Code examples of gradient descent algorithms in machine learning programs)
TraficLightDetection
- 应用adboost和opencv实现红绿灯检测(Application of adboost and OpenCV to traffic light detection)
基于机器学习的遥感图像水体提取研究_王知音
- 图形图像处理主要用于图像代码显示，为了更好的处理图像(Graphic image processing)
Colorhist_Libsvm_dem
- 随着科学技术的飞速发展，机器学习与人工智能技术的不断创新，人们对特定信息检索的需求逐渐增加，使得如何对资源进行合理有效的分类成为一个关键问题。近几年来，基于内容的图像分类的研究焦点主要集中在自然图像的场景分类和物体分类两个方面，大多采用有监督学习方法，通过对底层特征建模和中间语义分析来实现分类。 本文基于Libsvm的图像分类研究及实现，主要针对的是物体分类这一方面，选用了五类水果作为分类研究的对象。对图像进行分类的大体步骤主要包括采集图像样本（主要从Web上获取）、图像预处理（如截成大小一致
14.SVM(代码)
- 用SVM在python平台实现手写数字的识别(using the algorithm of SVM to recognition of handwritten numerals on python)
ML Final project
- 计算H矩阵，通过机器学习进行分类。提供三种分类方法(Computing H Matrix using machine learning to do the clustering.)
bin
- haarconv 机器学习训练样本生成工具(Haarconv machine learning training sample generation tool)
KNN人脸识别
- 使用KNN算法实现的人脸识别程序，KNN是机器学习里的K最近邻算法。(face recognition of KNN using python)
PCA大作业
- PCA程序,处理绿萝的数据，机器学习，进行主成分分析，提取指定重要特征的方法。(PCA program, data processing ,Scindapsus, machine learning, principal component analysis method, A method of specifying important features .)