分类

【机器学习】k近邻法目录一、引言二、k 近邻算法算法 1：k 近邻法三、k 近邻模型（一）模型（二）距离度量（三）k值的选择

白杆杆红伞伞

01_svm_二分类dlib库二分类问题中1表示正类，-1表示反类（这一点与其他库不太一样）训练模型前需要将样本数据转换为std::vector<dlib::matrix<double,T,1>>形式（matrix 是一个多维数组的模板类，可以用来表示不同类型的矩阵）

白杆杆红伞伞

02_svm_多分类支持向量机（SVM）最初是设计用于二分类问题的，但在实际应用中经常要处理多分类问题。为了使用SVM解决多分类问题，研究者们提出了多种策略，主要分为两类：一对多（one-vs-all ）和一对一（one-vs-one）。

包饭厅咸鱼

QT----使用onnxRuntime运行图像分类模型下载opencv 4.11 ,选择版本下载,下载exe版本安装即可包含目录添加E:\APP\opencv4.11\opencv\build\include\opencv2,E:\APP\opencv4.11\opencv\build\include

大模型数据筛选、分类、生成任务，满足并发速度和处理准确要求抽象出来，整个流程我觉得是这样的：本阶段旨在系统提升原始数据质量，消除噪声与不一致性，并通过增强手段丰富数据信息，为模型训练与推理提供高质量数据支持，确保生成、分类、筛选等任务的准确性、鲁棒性和可靠性。

Hoeffding树：数据流挖掘中的高效分类算法详解本文由「大千AI助手」原创发布，专注用真话讲AI，回归技术本质。拒绝神话或妖魔化。搜索「大千AI助手」关注我，一起撕掉过度包装，学习真实的AI技术！

【小白笔记】区分类方法/实例方法和静态函数/命名空间函数针对 PyTorch 编程习惯的关键问题。在背诵代码时，理解何时需要写 torch. 前缀，何时不需要，是区分类方法/实例方法和静态函数/命名空间函数的核心。

独热编码：分类数据处理的基石技术本文由「大千AI助手」原创发布，专注用真话讲AI，回归技术本质。拒绝神话或妖魔化。搜索「大千AI助手」关注我，一起撕掉过度包装，学习真实的AI技术！

【机器学习07】激活函数精讲、Softmax多分类与优化器进阶视频链接吴恩达机器学习p57-69激活函数是神经网络的核心组成部分，它为模型引入了非线性表达能力，这是神经网络能够学习复杂模式的基础。

星期天要睡觉

深度学习——基于 PyTorch 的蔬菜图像分类本项目旨在利用深度学习技术对蔬菜图片进行自动分类。系统基于 PyTorch 框架构建，采用 ResNet18 网络作为主干模型，并结合数据增强与迁移学习，实现六类蔬菜的识别任务。

实时NLP数据处理：流数据的清洗、特征提取与模型推理适配在大数据与AI融合的场景中，日志、用户评论等流数据具备实时性强、噪声密集、价值密度低的特点，传统离线NLP处理模式已无法满足实时决策需求（如实时舆情监控、智能客服响应）。本文聚焦流数据的实时NLP全流程，从数据清洗、特征提取到模型推理适配，拆解技术要点与实践方案。一、实时流数据的核心挑战日志（如系统操作日志、APP行为日志）与用户评论（如电商评价、社交留言）作为典型流数据，在处理中需突破三大核心难点： - 实时性要求高：数据以毫秒/秒级持续产生，需在秒级内完成处理（如评论违规实时拦截需≤1秒）； -

前网易架构师-高司机

鸡蛋质量识别数据集，可识别染血的鸡蛋，棕色鸡蛋，钙沉积鸡蛋，污垢染色的鸡蛋，白鸡蛋，平均正确识别率可达89%，支持yolo, json, xml格式的标注鸡蛋质量识别数据集，可识别染血的鸡蛋，棕色鸡蛋，钙沉积鸡蛋，污垢染色的鸡蛋，白鸡蛋，平均正确识别率可达89%，支持yolo, json, xml格式的标注

阿尔茨海默病早期症状影像分类数据集本数据集包含四类认知障碍影像样本：轻度认知障碍、中度认知障碍、无认知障碍和极轻度认知障碍。旨在构建高精度的分类模型，实现对不同认知状态的自动识别，为临床提供辅助诊断依据，推动深度学习与人工智能技术在阿尔茨海默病早期诊断和认知障碍检测中的应用。

Annals of Neurology | EEG‘藏宝图’：用于脑电分类、聚类与预测的语义化低维流形摘要目标：由于病因和病理生理学的异质性，以及由此导致的脑电图(EEG)高度可变性，意识障碍(DOCs)患者的预后评估仍然具有挑战性。在这里，本研究利用易于表征的EEG模式构建了一个潜在映射，将新的EEG数据定位在一个连续谱上。本研究通过以心脏骤停后预后作为首个应用案例，评估该映射作为一种通用工具从长程EEG中提取具有预后价值信息的能力。

低资源NLP数据处理：少样本/零样本场景下数据增强与迁移学习结合方案摘要在自然语言处理（NLP）领域，低资源场景（少样本/零样本）因标注数据稀缺，成为模型性能提升的核心瓶颈。本文提出将数据增强技术与迁移学习框架深度结合的解决方案，通过数据增强扩充样本多样性、迁移学习复用预训练知识，形成“数据扩容-知识迁移-模型适配”的闭环。实验表明，该方案在情感分析、命名实体识别等低资源任务中，可使模型F1值提升8%-15%，为低资源NLP任务提供高效可行的技术路径。一、低资源NLP场景的核心挑战低资源NLP任务主要分为两类：少样本学习（Few-Shot Learning）指目标

舌苔舌象分类图像数据集本数据集包含六类舌苔样本：红色舌苔厚腻、白色舌苔厚腻、黑色舌苔、白霉舌苔、紫色舌苔和红色舌苔黄腻厚，旨在构建高精度的分类模型，实现对不同舌苔状态的自动识别，为临床提供辅助诊断依据，推动智能医疗技术在中医诊断和疾病早期检测中的应用。。

基于Matlab的深度堆叠自编码器（SAE）实现与分类应用1.1 深度SAE结构层级组成：由多个稀疏自编码器（SAE）堆叠，每层包含编码器（Encoder）和解码器（Decoder）

星期天要睡觉

深度学习——基于ResNet18迁移学习的图像分类模型在深度学习视觉任务中，卷积神经网络（CNN）已经成为图像分类、检测与识别的核心工具。然而，从零开始训练一个CNN模型往往需要数十万甚至上百万的标注样本，训练成本高昂。因此，迁移学习（Transfer Learning）成为一种极为实用的策略。

中达瑞和-高光谱·多光谱

多光谱图像颜色特征用于茶叶分类的研究进展多光谱成像技术结合颜色特征分析为茶叶分类提供了高效、非破坏性的解决方案。本文系统综述了该技术的原理、方法、应用案例及挑战，探讨了其在茶叶品质分级、品种识别和产地溯源中的研究进展，并展望了未来发展方向。

【深度学习计算机视觉】13：实战Kaggle比赛：图像分类 (CIFAR-10)【作者主页】Francek Chen 【专栏介绍】 ⌈ ⌈ ⌈PyTorch深度学习 ⌋ ⌋ ⌋ 深度学习 (DL, Deep Learning) 特指基于深层神经网络模型和方法的机器学习。它是在统计机器学习、人工神经网络等算法模型基础上，结合当代大数据和大算力的发展而发展出来的。深度学习最重要的技术特征是具有自动提取特征的能力。神经网络算法、算力和数据是开展深度学习的三要素。深度学习在计算机视觉、自然语言处理、多模态数据分析、科学探索等领域都取得了很多成果。本专栏介绍基于PyTorch的深度学习算法实现