分类

天一生水water

时间序列非平衡样本分类研究综述：发展脉络、核心方法与前沿方向时间序列非平衡分类（Imbalanced Time Series Classification, ITSC）广泛存在于工业故障诊断、设备健康监测、医疗异常识别、金融欺诈、网络入侵和稀有事件检测等场景。与普通表格数据的类别不平衡相比，时间序列同时包含时间依赖、相位偏移、局部模式、多尺度变化以及多变量耦合，因此简单复制少数类样本或直接使用传统 SMOTE 往往不能从根本上解决问题。从研究发展来看，ITSC 大致经历了三个阶段：早期研究主要解决“样本数量不平衡”；随后转向“生成样本时保持时间结构”；近年的研究

YOLO数据集集合

红外多类型无人机检测数据集 | 红外检测无人机识别多类型分类低空安防反无人机 9139期本数据集专注于红外热成像场景下多类型无人机的视觉检测与分类，服务于低空安防、反无人机系统及空域监测。数据涵盖固定翼无人机与直升机式无人机两类目标，适配红外成像条件下的目标识别、威胁预警及智能监控等应用。

AI驱动的客户反馈分类实战：多标签提取、去重与统计方案详解用AI整理客户反馈，先准备定义清楚的标签、固定记录编号，以及缺失信息和重复项的处理规则，再让模型逐条标注证据。人工确认后才能统计主题，否则整齐的图表可能只是把分类错误放大。

YOLO数据集集合

树木检测数据集 | 树木检测树种分类航拍林业森林监测9131期本数据集专注于航拍/遥感影像中的多树种树木检测，服务于林业资源调查、森林生态监测及植被覆盖评估。数据涵盖三种典型树种，适配树木计数、树种分类及林分调查等应用。

计算二分类模型的精确率与召回率在机器学习二分类问题中，我们通常需要评估模型的性能。假设我们正在开发一个医疗诊断系统，用于判断患者是否患有某种疾病（正类）或健康（负类）。给定两个整数数组：

全套补充材料：评测报告模板 + Bad Case 分类方案 + 评测数据集构建规范目录一、自动化评测报告 Markdown 模板（可直接导出）二、Bad Case 自动分类脚本思路（Python）

千里码aicood

基于CART算法的图书分类系统设计与实现摘要随着互联网的快速发展，电子图书的数量和种类日益增多，如何高效地对图书进行分类管理成为了一个亟待解决的问题。图书分类系统作为数字图书馆的重要组成部分，对于提高图书检索效率和用户体验具有重要意义。本文提出了一种基于Django框架和CART算法的图书分类系统设计与实现方案。本文的主要内容包括：首先，介绍了图书分类系统的背景和意义，强调了其在数字图书馆建设中的重要性；其次，详细阐述了CART算法的基本原理及其在图书分类中的应用；最后，通过Django框架实现了图书分类系统的开发，并进行了实验验证。本项目采

千里码aicood

基于DenseNet的皮肤病变分类算法设计与实现摘要随着医学影像分析技术和深度学习方法的快速发展，基于皮肤镜图像的皮肤病变智能分类逐渐成为辅助临床诊断的重要研究方向。传统皮肤病变识别方法较多依赖医生经验，不仅诊断效率受限，而且在面对复杂病灶类型时容易受到主观因素影响。为提高皮肤病变分类的自动化与准确性，本文设计并实现了一种基于 DenseNet 的皮肤病变分类算法系统。

分类任务解决样本数据不均衡的落地实战指南做分类任务的同学，大概率都踩过数据不均衡的坑。尤其是在AI内容审核、风险分类、语音故障识别、异常检测这类真实业务场景中，数据分布失衡几乎是常态：正常样本动辄几万条，而违规、异常、小众场景的样本仅有几百条，类别数量差距高达几十倍甚至上百倍。

YOLO数据集集合

风机叶片缺陷检测数据集 | 风机叶片缺陷检测风电运维无人机巡检细粒度分类9126期本数据集专注于风机叶片表面缺陷的视觉检测与分类，服务于风电运维、无人机巡检及能源设施管理。数据涵盖九类典型叶片缺陷，适配缺陷识别、维护决策及自动化巡检等应用。

眨眼检测——OCEC 112KB 模型重新定义实时眼部状态分类TL;DR — OCEC（Open Closed Eyes Classification）是一个超轻量级的眼部开合二分类模型系列，最小变体仅 112KB，CPU 推理延迟低至 0.16ms，F1 高达 0.9924。它能以超过 6000 FPS 的速度判断一只眼睛是睁开还是闭合，为眨眼检测、疲劳驾驶预警、人机交互等场景提供了前所未有的实时性。

估值探索者

【Python量化系统工程化 #08】关了 SSH 就停？systemd 让脚本开机自启 + 异常自动拉起系列定位：让"写一个能稳定跑半年的量化脚本"这件事，从散落的经验贴变成可复制的流水线。上一篇我们给脚本加上了定时调度。现在它能每天自动执行数据拉取和归档，看起来万事大吉。

YOLO数据集集合

无人机航拍建筑与拆除废物检测数据集 | 建筑垃圾无人机巡检废物分类资源回收目标检测10042期本数据集专注于无人机航拍视角下的建筑与拆除废物识别，服务于建筑垃圾智能监管、资源回收及城市环境管理。数据由大疆系列无人机（DJI Mini 3 Pro、Mavic 2 Pro、Phantom 4 Pro V2等）在高分辨率下采集，涵盖建筑拆除场地常见的多种废物类型，适配自动废物分类、堆场监测及环保评估等应用。

陈年老古董

PyTorch食物图像分类实战：从数据集制作到CNN模型训练全流程详解很多刚入门深度学习的同学都会困惑：自己本地的图片数据集，到底怎么一步步变成模型能训练的数据？CNN每一层的维度该怎么算？训练和测试模式到底有什么区别？这篇博客就以食物图像识别为例，从零带大家走一遍完整流程，代码拆成小段讲，把原理说透。

估值探索者

【AI+量化实战 #05】财报季的信息洪流：用LLM给业绩预告分类+算事件窗口收益系列进度：AI+量化实战 #05 / 共 12 篇财报季一到，交易所的公告像洪水一样涌来。你打开股票软件，弹窗里是"预增"“预降”“扭亏”“减亏”，眼睛都看花了，却不知道哪条真值得跟进。

基于 PyTorch 的 CNN 图片分类学习在学习深度学习的过程中，图片分类是一个比较典型的任务。它的基本过程就是将图片输入神经网络，让模型学习图片中的特征，最后判断图片属于哪个类别。本次使用 PyTorch 搭建一个简单的 CNN 图片分类模型，通过食品图片数据集学习从数据读取到模型训练、测试的完整过程。

磁场转动100万匹

PyTorch 食物图像分类实战：从数据准备到 CNN 训练全流程解析本文围绕一段完整的 PyTorch 食物图像分类代码展开，逐段讲解从数据集整理、自定义 Dataset、数据预处理、CNN 网络搭建到训练与测试循环的完整流程。代码以食物图片二分类（train/test 目录）为背景，适合初学者理解 PyTorch 图像分类任务的基本套路。

用 AI 解决音频转换编程问题###用 AI 解决音频转换编程问题：从格式互转到批量处理的实战指南音频转换——格式互转、采样率调整、声道合并、语音识别——几乎是每个后端、算法或数据工程师都绕不开的"脏活累活"。它本身不难，但细节极多：MP3 的比特率、WAV 的头文件、FFmpeg 的参数、Python 各库之间的差异……一个参数写错，就可能得到一份"看似正常实则损坏"的音频。

天行健，君子而铎

数据分类分级的范式转换：从规则匹配到模型持续优化规模化前瞻算法分类分级系统建成即落后，是大量企业数据治理项目的隐形陷阱，根源在于算法缺少面向未来业务的前瞻设计。一家互联网平台复盘三年前上线的分类分级系统。项目上线初期运行平稳。后续业务迭代产生AIGC生成内容、用户长序列行为日志等全新数据类型。原有规则和旧模型几乎无法识别这一类新型敏感载体。团队着手重写规则、补充样本，完整改造耗时两个月。这两个月新业务产生的数据处于管控真空。建成即落后，成为分类分级项目最大风险。

第24课：TensorFlow｜图像分类实战训练【手写数字、日常图像分类完整项目】对于小数据集，数据增强可显著提升泛化能力。常见策略：在TensorFlow中，可使用tf.image或Keras的预处理层（RandomFlip, RandomRotation等）。注意：验证集和测试集只做归一化，不做随机增强。