P1 深度学习架构-alexnet 文档
AlexNet Geoffrey Hinton的ILSVRC2013竞赛所用的卷积神经网络 基于该网络的图像分类算法取得ImageNet ILSVRC2013的第一名，分类结果得到极大提高，是卷积神经网络在计算机视觉问题的一个里程碑工作[9]。
zxlt1129 [Machine Learning] Random Forest 随机森林 经验
能够处理具有高维特征的输入样本，而且不需要降维/It can handle thousands of input variables without variable deletion； 能够评估各个特征在分类问题上的重要性/It
如何利用深度学习诊断心脏病 经验
是计算其 射血分数 ，即每搏输出量占心室舒张末期容积量的百分比。而测量这个指标的第一步依赖于对心脏图像心室的分割。 当我在纽约从事 Insight AI计划 时，我决定着手处理 右心室分割问题 。下面我将简单介绍一下整个过程。
深度学习教程：从感知器到深层网络 经验
数据集）进行分类。IRIS数据集包括三个种类的鸢尾花的特征集合，比如叶萼长度，花瓣长度等等。网络需要从每个种类的鸢尾花中抽取50个样本，这些特征值被作为输入元输入网络，而每个输出元对应着数据集中一个单
深度学习和神经网络简史（二） 经验
传统的视觉模式识别工作已经证明，抽取局部特征并且将它们结合起来组成更高级的特征是有优势的。通过迫使隐藏单元结合局部信息来源，很容易将这样的知识搭建成网络。一个事物的本质特征可以出现在输入图片的不同位置。因此，拥有一套特征探测器，可
AlexNet论文：ImageNet Classification with Deep Convolutional Neural Networks 经验
我们训练了一个大型的深度卷积神经网络，来将在ImageNet LSVRC-2010大赛中的120万张高清图像分为1000个不同的类别。对测试数据，我们得到了top-1误差率37.5%，以及top-5误差率17
P20 神经网络及卷积神经网络用于手写数字识别 文档
在人工神经网络前，用滤波器进行特征抽取 使用卷积核作为特征抽取器 自动训练特征抽取器（即卷积核，即阈值参数） 12. 卷积卷积其实是一个图像处理核 卷积用于增强图像的某种特征 13. 卷积的例子 14. 子采样降低图像分辨率
P20 神经网络及卷积神经网络用于手写数字识别 文档
在人工神经网络前，用滤波器进行特征抽取 使用卷积核作为特征抽取器 自动训练特征抽取器（即卷积核，即阈值参数） 12. 卷积卷积其实是一个图像处理核 卷积用于增强图像的某种特征 13. 卷积的例子 14. 子采样降低图像分辨率
利用深度学习进行时序数据的异常检测 经验
由于“深度学习”的进展闯入了公众视野，这些进展包括 AlphaGo 击败了围棋大师李世乭，以及围绕图像识别和机器翻译方面骄人的新产品。 在本系列的文章中，我们将介绍在机器学习方面强大而又可以普遍应
P9 html5-canvas核心技术图形.动画与游戏开发 文档
canvas的api进行绘制；第3章告诉读者如何绘制并操作canvas中的文本；第4章专门讲解图像、图像的操作及视频处理；第5章介绍如何实现平滑的动画效果；第6章讲解如何用javascript语言来实
如何把AI应用在电子健康记录、肿瘤影像、医保欺诈识别中 资讯
实验室目前在 AI 方向上的研究和应用：基于特征工程的医保欺诈的识别、医保扣费、于洛仑兹分析的医疗架构改革、基于机器学习的医疗体制、基于卷积神经网络的图像识别和基于区块链的电子健康记录。 雷锋
jopen
P2 深度学习架构-lenet 文档
32×32灰度图像的一个像素。 网络的第一个隐层为卷积层，卷积核的数目为6，卷积核的大小（即局部感受域的大小）为5×5，输入层经过第一卷积层，输入图像被卷积成6个28×28的特征图，特征图的大小由输入
P4 AdaBoost 算法的训练过程 文档
AdaBoost算法的训练过程 每个Haar特征对应看一个弱分类器，但并不是任伺一个Haar特征都能较好的描述人脸灰度分布的某一特点，如何从大量的Haar特征中挑选出最优的Haar特征并制作成分类器用于人脸检测，这
P102 Google Maps JavaScript API V3 参考 文档
该地图类型显示卫星图像上的主要街道透明层。 ROADMAP 该地图类型显示普通的街道地图。 SATELLITE 该地图类型显示卫星图像。 TERRAIN 该地图类型显示带有自然特征（如地形和植被）的地图。
深度学习框架Keras简介 经验
ngs这几种layer。 其中core里面包含了flatten(CNN的全连接层之前需要把二维特征图flatten成为一维的)、reshape（CNN输入时将一维的向量弄成二维的）、dense(就是隐藏层，dense是稠密的意思)
Android人脸检测介绍 经验
1中引入了Vision开发库，开发者可以方便地对视频或图像进行人脸定位。只要有一张包含了人脸信息的图片，你就可以收集每一张图片上的人脸信息，例如人脸的位置、是否微笑、睁眼或者闭眼和他们具体的面部特征。 这些信息对于许多应用
【机器学习实践】Kaggle 之 Face Verification Challenge练手 经验
这个一个Inclass 的比赛，主要任务就是给定1000多张图片所组成的901153对所有的组合图像，要求进行判断是否是同一个人。 作为第一次做Kaggle的比赛，来练练手还是不错的。 由于
K近邻(KNN)算法详解及Python实现 经验
）算法是机器学习所有算法中理论最简单，最好理解的。KNN是一种基于实例的学习，通过计算新数据与训练数据特征值之间的距离，然后选取 K（K>=1）个距离最近的邻居进行分类判断（投票法）或者回归。如果K=1，
P29 通信工程应用技术课设--机器视觉 文档
要求：针对一幅图像，利用边缘检测算子（如Robert算子、Sobel算子、Prewitt算子、Laplace算子、Kirsch算子和Marr算子）检测出图像的边缘，然后采取轮廓提取算法得到封闭的二值图像轮廓。
艺术家如何使用机器学习？ 资讯
化、监控等工业领域的科学家和工程师。那时候，艺术家才刚刚开始尝试使用研究实验室流出的软件，比如OpenCV——这是计算机视觉领域首个主要的免费开源源码库。 如果视频无法播放，点击这里试试 而今