搜索资源列表
CIFAR10
- 在CIFAR-10数据集上使用卷积神经网络进行图像分类(Image classification using convolution neural network on CIFAR-10 dataset)
Geolife Data 1.3
- Geolife GPS 轨迹数据集–用户指南 这一 GPS 轨迹数据集是在 (微软研究亚洲) Geolife 项目中收集的, 178 用户在四年 (2007年4月至 2011年10月) 期间。该数据集的 GPS 轨迹由一个时间戳点序列表示, 每一个都包含纬度、经度和高度信息。该数据集包含17621个轨迹, 总距离为1251654公里, 总持续时间为48203小时。该轨迹数据集可以应用于移动模式挖掘、用户活动识别、基于位置的社交网络、位置隐私和位置推荐等多个研究领域。(Geolife GPS t
pima indians diabete data
- prima indian diabetes dataset
depth-map-prediction-
- 基于AlexNet网络模型的单幅彩色图的深度估计，在NYU Depth 数据集，Make3D 数据集，KITTI 数据集经过测试效果很好，只是本次上传由于大小限制，压缩包不包括数据集，读者可自行下载数据集进行训练！(Based on the AlexNet network model, the depth estimation of a single color map, in the NYU Depth dataset, Make3D dataset, KITTI dataset ha
鸢尾花
- 封装KNN算法，了解IRIS数据集 分类鸢尾花数据集(Encapsulation of KNN algorithm to understand IRIS dataset classification iris dataset)
K-means聚类
- 应用K-means聚类算法，实现对iris数据集的分类(Using K-means clustering algorithm to realize the Classification of iris dataset)
BCI_MI_CSP_DNN
- BCI_MI_CSP_DNN是一种基于matlab的运动图像脑电信号分类程序。 基于matlab深度学习工具箱编写了BCI_MI_CSP_DNN程序 本程序的原理基于CSP和DNN算法 这个程序的性能是基于BCI竞赛II数据集II 提出了一种基于深度学习的运动图像脑电信号分类方法。在预处理原始脑电图信号的基础上，采用共空间模型(CSP)方法提取脑电图特征矩阵，并将其输入深度神经网络(DNN)进行训练和分类。我们的工作在BCI Competition II Dataset III上进行了实
ml_homework_1
- 此代码使用python中的sklearn实现了对uci中spambase垃圾邮件数据集的分类(This code uses sklearn in Python to realize the classification of spam dataset in UCI)
数据(1)
- DEAP 数据库 EEG_feature.txt 包含了1216个脑电信号样本的160维特征，每行为一个样本，每列为一种特征。特征从左至右分别是每个脑电电极的theta（1-32列）、slow alpha（33-64列）、alpha（65-96列）、beta（1-97128列）、gamma（129-160列）波段的脑电特征。 subject_video.txt 包含了1216个脑电信号对应的32名被试和38段视频信息，其中包含两列。第一列是对应的被试编号，第二列是对应的视频编号。 EEG_
DBSCAN
- 名称：DBSCAN经典聚类算法 功能：聚类数据集 类别：密度聚类算法(Name: DBSCAN Classic Clustering Algorithm Function: Clustering dataset Category: Density Clustering Algorithm)
mnist_dataset_csv
- 已经转换过来的mnist数据集的csv格式(CSV format of the converted MNIST dataset)
data_batch_2
- cifar-10数据集由10个类的60000个32x32彩色图像组成，每个类有6000个图像。有50000个训练图像和10000个测试图像。数据集分为五个训练批次和一个测试批次，每个批次有10000个图像。测试批次包含来自每个类别的恰好1000个随机选择的图像。训练批次以随机顺序包含剩余图像，但一些训练批次可能包含来自一个类别的图像比另一个更多。总体来说，五个训练集之和包含来自每个类的正好5000张图像。 具体：batch2.mat文件，该训练集可以用于图片识别，非负矩阵分解等。(The ci
UCI
- 用于神经网络训练的UCI数据集，mat格式(UCI training dataset for ANN training with mat form)
2
- （a）产生两个都具有200个二维向量的数据集和（注意：在生成数据集之前最好使用命令randn(‘seed’,0)初始化高斯随机生成器为0（或任意给定数值），这对结果的可重复性很重要）。向量的前半部分来自均值向量的正态分布，并且协方差矩阵。向量的后半部分来自均值向量的正态分布，并且协方差矩阵。其中是一个2*2的单位矩阵。 （b）在上述数据集上运用感知器算法，并且使用不同的初始向量初始化参数向量。 （c）测试每一次算法在和上的性能。 （d）画出数据集和，以及分类面。((a) Generate