目录 题目 ： 基于幸福度数据集的预测模型挖掘一、人工智能对研究问题的定义和说明二、结构框架技术和方法1、总体思想2、特征工程3、模型选择4、优化计算方法遗传算法4.1初始群体大小4.2适应度选择4.3交叉4.4变异三、算法的代码实现（最后结果由于电脑性能差的问题没有跑出来，但是可以保证算法逻辑和代码实现没有问题）1、读入数据、数据预处理2、数据测试集和训练集划分及归一化3、训练knn模型4、训练BP神经网络模型5、训练决策树模型6、使用遗传算法，进行进化学习，得到每个决策分类模型中表现较好的7个参数模型，得到一共21个模型，最后进行集成投票的原则得到更好的分类结果。6.1、确定初始群体，进行初始化6.2、选择，使用准确率作为评分依据得到累计概率6.3、交叉，使用的是参数的交叉，随机根据参数的位置进行，交叉6.4、变异，通过对参数进行操作达到变异的目的6.5、进化大约200次最后得到21个较优的个体，最后得到综合的分类器7、最后进行模型综合后，进行最后的评估

题目 ： 基于幸福度数据集的预测模型挖掘

一、人工智能对研究问题的定义和说明

    幸福感是一个古老而深刻的话题，是人类世代追求的方向。与幸福感相关的因素成千上万、因人而异，大如国计民生，小如路边吃红薯，都会对幸福感产生影响。这些错综复杂的因素中，我们能找到其中的共性，一窥幸福感的要义吗？通过中国综合社会调查（ CGSS ）2015年度调查问卷（居民问卷）得到了大量的数据集，该数据集包括了大量影响幸福度和幸福度因素的数据。本文研究问题就是通过问卷调查数据，选取其中多组变量来得到一个人工智能预测模型来对人们的幸福度数值进行预测。

二、结构框架技术和方法

1、总体思想

首先，进行数据特征工程，然后选用的模型是多模型混合，即模型融合的方法来达到自己的预测模型，其中包括BP神经网络，k近邻方法，还有决策树模型。最后，进行模型参数的优化，使用进化计算中的遗传算法来进行参数优化。

2、特征工程

特征工程的主要工作是，探索数据集和处理数据集包括，对缺失值的处理，查看相关的文献或者资料，选择合适的属性特征，进行数据预处理等。

3、模型选择

模型选择为基本的多分类模型，包括BP神经网络，k近邻方法，还有决策树模型。达到一定的分类效果，进行模型融合。使用投票原则每个模型有一定的权重得到最后的分类结果。

4、优化计算方法遗传算法

使用遗传算法来优化，模型融合的权重参数以及各个模型的参数，最后得到自己的模型

4.1初始群体大小

选择合适的初始群体大小，合适的参数个体设计，作为初始基因，进行遗传。

4.2适应度选择

适应度即是，该个体更加适合遗传即分类效果越好，该个体适应度越大。因此使用分类准确率作为适应度函数，然后根据“轮盘赌”原则来获得新一轮的个体。

4.3交叉

个体与个体之间进行交叉，选择合适的位置，来进行参数之间的交叉，来产生一定数量的新个体，来达到获得更优秀基因的概率。

4.4变异

个体有一定的概率发生变异，产生新基因，寻求更优解。

三、算法的代码实现（最后结果由于电脑性能差的问题没有跑出来，但是可以保证算法逻辑和代码实现没有问题）

1、读入数据
2、先训练knn
3、训练bp神经网络
4、训练决策树
5、使用遗传算法,最后得到优化的参数
6、最后从最后的个体中，选取最优的21个个体，进行集成学习，进行幸福感预测
7、最后写报告整理资料、写课堂总结

1、读入数据、数据预处理

# 导入相关的数据读入模块
%matplotlib inline
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns
import random
plt.rcParams['font.sans-serif'] = ['KaiTi']
plt.rcParams['font.serif'] = ['KaiTi']# 导入数据，解析survey_time列的值作为独立的日期列，指定字符集类型
train = pd.read_csv('./data/happiness_train_complete.csv', parse_dates=['survey_time'], encoding='latin-1')
train.head()
id happiness survey_type province city county survey_time gender birth nationality ... neighbor_familiarity public_service_1 public_service_2 public_service_3 public_service_4 public_service_5 public_service_6 public_service_7 public_service_8 public_service_9
0 1 4 1 12 32 59 2015-08-04 14:18:00 1 1959 1 ... 4 50 60 50 50 30.0 30 50 50 50
1 2 4 2 18 52 85 2015-07-21 15:04:00 1 1992 1 ... 3 90 70 70 80 85.0 70 90 60 60
2 3 4 2 29 83 126 2015-07-21 13:24:00 2 1967 1 ... 4 90 80 75 79 80.0 90 90 90 75
3 4 5 2 10 28 51 2015-07-25 17:33:00 2 1943 1 ... 3 100 90 70 80 80.0 90 90 80 80
4 5 4 1 7 18 36 2015-08-10 09:50:00 2 1994 1 ... 2 50 50 50 50 50.0 50 50 50 50

5 rows × 140 columns

# 查看数据的形态
train.shape(8000, 140)#查看所有的幸福度
o=set(train['happiness'])
print(o){1, 2, 3, 4, 5, -8}# 处理异常值
# 将happiness中的‘-8’无法回答，改为‘3’说不上幸福不幸福
train['happiness'] = train['happiness'].replace(-8, 3)# 判断是否包含缺失值
# isnull用于遍历dataframe每一个元素，将是空的元素置为True，将非空的元素置为False，sum用于计算每一列中为True元素的个数
train.isnull().sum()id                         0
happiness                  0
survey_type                0
province                   0
city                       0
county                     0
survey_time                0
gender                     0
birth                      0
nationality                0
religion                   0
religion_freq              0
edu                        0
edu_other               7997
edu_status              1120
edu_yr                  1972
income                     0
political                  0
join_party              7176
floor_area                 0
property_0                 0
property_1                 0
property_2                 0
property_3                 0
property_4                 0
property_5                 0
property_6                 0
property_7                 0
property_8                 0
property_other          7934...
m_political                0
m_work_14                  0
status_peer                0
status_3_before            0
view                       0
inc_ability                0
inc_exp                    0
trust_1                    0
trust_2                    0
trust_3                    0
trust_4                    0
trust_5                    0
trust_6                    0
trust_7                    0
trust_8                    0
trust_9                    0
trust_10                   0
trust_11                   0
trust_12                   0
trust_13                   0
neighbor_familiarity       0
public_service_1           0
public_service_2           0
public_service_3           0
public_service_4           0
public_service_5           0
public_service_6           0
public_service_7           0
public_service_8           0
public_service_9           0
Length: 140, dtype: int64# loc[]方法用于实现将happiness=-8的行进行过滤，也就是保留hapiness不为-8的行，因为幸福指数只有1-5，-8明显是一个错误的读入值
train = train.loc[train['happiness'] != -8]train.shape(8000, 140)train['happiness'].value_counts()4    4818
5    1410
3    1171
2     497
1     104
Name: happiness, dtype: int64# 使用.dt.year将survey_time转换成year的时间
train['survey_time'] = train['survey_time'].dt.year# 通过birth和survey时间计算出接受采访者的年龄
train['Age'] = train['survey_time']-train['birth']del_list=['survey_time','birth']
print(train['Age'])0       56
1       23
2       48
3       72
4       21
5       69
6       52
7       56
8       63
9       30
10      27
11      47
12      51
13      76
14      80
15      32
16      41
17      53
18      39
19      50
20      64
21      67
22      35
23      73
24      59
25      45
26      49
27      52
28      23
29      68..
7970    57
7971    20
7972    38
7973    39
7974    50
7975    43
7976    62
7977    67
7978    39
7979    31
7980    61
7981    69
7982    46
7983    62
7984    80
7985    45
7986    40
7987    52
7988    54
7989    84
7990    25
7991    43
7992    49
7993    61
7994    40
7995    34
7996    70
7997    48
7998    37
7999    24
Name: Age, Length: 8000, dtype: int64'''
对dataframe中的数据进行简单的编码
小于16岁的为0；16-32的为1；32-48的为2；48-64的为3；64-80的为4；大于80的为5
'''
combine=[train]
for dataset in combine:dataset.loc[dataset['Age']<=16,'Age']=0dataset.loc[(dataset['Age'] > 16) & (dataset['Age'] <= 32), 'Age'] = 1dataset.loc[(dataset['Age'] > 32) & (dataset['Age'] <= 48), 'Age'] = 2dataset.loc[(dataset['Age'] > 48) & (dataset['Age'] <= 64), 'Age'] = 3dataset.loc[(dataset['Age'] > 64) & (dataset['Age'] <= 80), 'Age'] = 4dataset.loc[ dataset['Age'] > 80, 'Age'] = 5'''
绘制以下数据的热度图，
.corr()方法表示的是计算dataframe多个指标的相关系数矩阵，默认使用pearson计算方法
train[]表示传入热度图的数据，
annot（布尔类型），用于控制是否在个字中间标明数字，
cmap表示控制热度的渐变色，
linewidths表示每个单元格的线的宽度'''
sns.heatmap(train[['happiness','Age','inc_ability','gender','status_peer','family_status','health','equity','class','work_exper','health_problem','family_m','house','depression','learn','relax','edu']].corr(),annot=True,cmap='RdYlGn',linewidths=0.2) #data.corr()-->correlation matrix
fig=plt.gcf()  #获取当前的图表和子图
fig.set_size_inches(15,15)  #设置图像的密集度：设置图像的长和宽
plt.show()C:\Users\Administrator\AppData\Roaming\Python\Python37\site-packages\matplotlib\backends\backend_agg.py:211: RuntimeWarning: Glyph 8722 missing from current font.font.set_text(s, 0.0, flags=flags)
C:\Users\Administrator\AppData\Roaming\Python\Python37\site-packages\matplotlib\backends\backend_agg.py:180: RuntimeWarning: Glyph 8722 missing from current font.font.set_text(s, 0, flags=flags)'''
最后选择的特征为Age年龄,inc_ability收入是否合理,gender性别,status_peer与同龄人相比的收入情况,work_exper工作经历及情况,family_status家庭年收入情况,health身体健康状况,equity认为社会是否公平,class认为应该处于的社会阶层,health_problem影响健康的程度,family_m家庭人数,house拥有房产数量,depression压力沮丧程度,learn是否学习充电,relax休闲放松,edu教育程度
'''
features=['Age','inc_ability','gender','status_peer','work_exper','family_status','health','equity','class','health_problem','family_m','house','depression','learn','relax','edu']# 设置训练模型参数，target为模型输出的标签项，train为模型输入，test为测试集数据
# 特征工程完成得到最后用于训练和测试的数据集
train_target = train['happiness']
train = train[features]

2、数据测试集和训练集划分及归一化

# 进行数据随机划分模块
from sklearn.model_selection import train_test_split
# 进行数据标准化
from sklearn.preprocessing import StandardScaler
standardScaler = StandardScaler()
standardScaler.fit(train)
train_transform = standardScaler.transform(train)
X_train,X_test,Y_train,Y_test = train_test_split(train_transform,train_target,test_size=0.3)

3、训练knn模型

# 先引入进行评估的相关的包
from sklearn import metrics    from sklearn.neighbors import KNeighborsClassifier
test_knn = KNeighborsClassifier(n_neighbors = 5,p = 2,weights = 'distance')
test_knn.fit(X_train,Y_train)
Y_predict_train = test_knn.predict(X_test)
print(metrics.accuracy_score(Y_test,Y_predict_train),"%")0.5591666666666667 %

4、训练BP神经网络模型

# MLPClassifier() BP神经网络
# 查看文章：https://blog.csdn.net/weixin_42348202/article/details/100568469
from sklearn.neural_network import MLPClassifier   bp = MLPClassifier(hidden_layer_sizes=(50,50),max_iter=100)
bp.fit(X_train,Y_train)
Y_bp_predict = bp.predict(X_test)
print(metrics.accuracy_score(Y_test,Y_bp_predict),"%")0.5870833333333333 %E:\Anaconda3\lib\site-packages\sklearn\neural_network\multilayer_perceptron.py:566: ConvergenceWarning: Stochastic Optimizer: Maximum iterations (100) reached and the optimization hasn't converged yet.% self.max_iter, ConvergenceWarning)

5、训练决策树模型

# 导入需要的块
from sklearn.tree import DecisionTreeClassifier
tree = DecisionTreeClassifier(max_depth=7,min_samples_split=4)
tree.fit(X_train,Y_train)
Y_tree_predict = tree.predict(X_test)
print(metrics.accuracy_score(Y_tree_predict,Y_test),"%")0.595 %

6、使用遗传算法，进行进化学习，得到每个决策分类模型中表现较好的7个参数模型，得到一共21个模型，最后进行集成投票的原则得到更好的分类结果。

# 定义一些全局变量，方便变异操作
# 所有模型对应的范围
# knn模型对应的范围
knn_n_neighbors_min = 5
knn_n_neighbors_max = 30
knn_p_min = 1
knn_p_max = 6
# bp神经网络模型参数对应范围
bp_iter_min = 100
bp_iter_max = 300
bp_x_min = 10
bp_x_max = 50
bp_y_min = 10
bp_y_max = 50
# 决策树模型参数对应的范围
tree_depth_min = 5
tree_depth_max = 15
tree_split_min = 2
tree_split_max = 8
#迭代的次数：
epoches = 200
# 相应的分类器集合和参数集合，设置为全局变量
knn_set = []
bp_set = []
tree_set = []
knn_param_set = []
bp_param_set = []
tree_param_set = []

6.1、确定初始群体，进行初始化

def init():#knn初始化群体for n_neighbors in range(5,31,2):for p in range(1,6,1):knn_set.append(KNeighborsClassifier(n_neighbors =n_neighbors ,p = p))knn_param_set.append([n_neighbors,p])for max_iter in range(100,300,20):for x in range(10,51,5):for y in range(10,51,5):bp_set.append(MLPClassifier(hidden_layer_sizes=(x,y),max_iter=max_iter))bp_param_set.append([max_iter,x,y])for max_depth in range(5,15,1):for min_samples_split in range(2,8,1):tree_set.append(DecisionTreeClassifier(max_depth=max_depth,min_samples_split=min_samples_split))tree_param_set.append([max_depth,min_samples_split])return knn_set,bp_set,tree_set,knn_param_set,bp_param_set,tree_param_set

6.2、选择，使用准确率作为评分依据得到累计概率

# 得到评分
def classfier_score(X,Y,classfier):classfier.fit(X, Y)pred = classfier.predict(X)return metrics.accuracy_score(y_true=Y, y_pred=pred)# 计算每个个体的适应度,返回适应度圆盘，用于下一步轮盘赌原则用于选择个体
def adaption(X,Y,classfier_set):score = []for classfier in classfier_set:score.append(classfier_score(X,Y,classfier))sm = np.sum(score)ada = score / smfor i in range(1, len(ada)):ada[i] = ada[i] + ada[i - 1]return ada# 根据轮盘进行选择,得到对应的分类器和对应的分类参数
def choose_classfiers(classfier_set,classfier_param_set,ada):count = len(classfier_set)result = []result_param =[]for i in range(count):r = random.random()for j in range(len(ada)):if r<= ada[j]:result.append(classfier_set[j])result_param.append(classfier_param_set[j])break;return result,result_param

6.3、交叉，使用的是参数的交叉，随机根据参数的位置进行，交叉

# 两个分类器参数之间的交叉，分类型进行不用类别的交叉,
def cross(index1,index2,type,param_set):if (type == "knn") or (type == "tree"):#随机产生0-1的数进行交叉index_temp = random.randint(0,1)data_temp = param_set[index1][index_temp]param_set[index1][index_temp] = param_set[index2][index_temp]param_set[index2][index_temp] = data_tempelse:# 随机产生0-2的树进行交叉index_temp = random.randint(0,2)data_temp = param_set[index1][index_temp]param_set[index1][index_temp] = param_set[index2][index_temp]param_set[index2][index_temp] = data_tempreturn# 整个集合的交叉也要传进来类型是什么，对于该集合的参数，每间隔三个个体进行随机交叉
def all_cross(classfier_set,type):set_len = len(classfier_set)# 最后交叉完的集合for i in range(1,set_len,3):cross(i,i-1,type,classfier_set)return

6.4、变异，通过对参数进行操作达到变异的目的

# 分类型进行不同类别的变异，变异的范围还要进行自己的确认不能超出正常范围,变异率默认设置为0.2
# 就是简单的+1或者-1操作，当达到最大值时只能减，最小值时只能加，其他随意加减
def variation(classfier_set,type,probality):count = int(len(classfier_set)*probality)#变异的个数while count > 0:index_tep = random.randint(0,len(classfier_set))#每个分类器变异的位置operation = random.randint(0,1)#0减1加if type == 'knn':index_param = random.randint(0,1)#参数变异的位置if operation == 0:if index_param == 0:if classfier_set[index_tep][0] == knn_n_neighbors_min:classfier_set[index_tep][0] = classfier_set[index_tep][0] +1else:classfier_set[index_tep][0] = classfier_set[index_tep][0] -1else:if classfier_set[index_tep][1] == knn_p_min:classfier_set[index_tep][1] = classfier_set[index_tep][1] + 1else:classfier_set[index_tep][1]= classfier_set[index_tep][1] - 1else:#运算是加的情况if index_param == 0:if classfier_set[index_tep][0] == knn_n_neighbors_max:classfier_set[index_tep][0] = classfier_set[index_tep][0] -1else:classfier_set[index_tep][0] = classfier_set[index_tep][0] +1else:if classfier_set[index_tep][1] == knn_p_max:classfier_set[index_tep][1] = classfier_set[index_tep][1] -1else:classfier_set[index_tep][1]= classfier_set[index_tep][1] + 1elif type =="tree":index_param = random.randint(0,1)#参数变异的位置if operation == 0:if index_param == 0:if classfier_set[index_tep][0] == tree_depth_min:classfier_set[index_tep][0] = classfier_set[index_tep][0] +1else:classfier_set[index_tep][0] = classfier_set[index_tep][0] -1else:if classfier_set[index_tep][1] == tree_split_min:classfier_set[index_tep][1] = classfier_set[index_tep][1] + 1else:classfier_set[index_tep][1]= classfier_set[index_tep][1] - 1else:#运算是加的情况if index_param == 0:if classfier_set[index_tep][0] == tree_depth_max:classfier_set[index_tep][0] = classfier_set[index_tep][0] -1else:classfier_set[index_tep][0] = classfier_set[index_tep][0] +1else:if classfier_set[index_tep][1] == tree_split_max:classfier_set[index_tep][1] = classfier_set[index_tep][1] -1else:classfier_set[index_tep][1]= classfier_set[index_tep][1] + 1  else:#是神经网络模型的时候index_param = random.randint(0,2)#参数变异的位置if operation == 0:if index_param == 0:if classfier_set[index_tep][0] == bp_iter_min:classfier_set[index_tep][0] = classfier_set[index_tep][0] +1else:classfier_set[index_tep][0] = classfier_set[index_tep][0] -1elif index_param == 1:if classfier_set[index_tep][1] == bp_x_min:classfier_set[index_tep][1] = classfier_set[index_tep][1] + 1else:classfier_set[index_tep][1]= classfier_set[index_tep][1] - 1else:if classfier_set[index_tep][2] == bp_y_min:classfier_set[index_tep][2] = classfier_set[index_tep][2] + 1else:classfier_set[index_tep][2]= classfier_set[index_tep][2] - 1    else:#运算是加的情况if index_param == 0:if classfier_set[index_tep][0] == bp_iter_max:classfier_set[index_tep][0] = classfier_set[index_tep][0] -1else:classfier_set[index_tep][0] = classfier_set[index_tep][0] +1elif index_param == 1:if classfier_set[index_tep][1] == bp_x_max:classfier_set[index_tep][1] = classfier_set[index_tep][1] -1else:classfier_set[index_tep][1]= classfier_set[index_tep][1] + 1else:if classfier_set[index_tep][2] == bp_y_max:classfier_set[index_tep][2] = classfier_set[index_tep][2] - 1else:classfier_set[index_tep][2]= classfier_set[index_tep][2] + 1         count = count - 1    # 更新相应的分类器参数后，继续根据参数，得到相应的分类器集合
def to_get_classfiers_set():new_knn_set = []new_bp_set = []new_tree_set = []for temp in knn_param_set:new_knn_set.append(KNeighbor,sClassifier(n_neighbors =temp[0] ,p = temp[1]))for temp1 in bp_param_set:new_bp_set.append(MLPClassifier(hidden_layer_sizes=(temp1[1],temp1[2]),max_iter=temp[0]))for temp2 in tree_param_set:new_tree_set.append(DecisionTreeClassifier(max_depth=temp2[0],min_samples_split=temp2[1]))return new_knn_set,new_bp_set,new_tree_set

6.5、进化大约200次最后得到21个较优的个体，最后得到综合的分类器

# 迭代200次得到每个类别进化的个体集合，从每个集合选择准确率最高的7个
def to_get_best(knn_set,bp_set,tree_set):knn_best_set = set()bp_best_set = set()tree_best_set = set()min_score = 1#记录当前集合最小分数min_classfier = 0 #记录最小评估分数的分类器for i in range(0,7):for temp_classfier in knn_set:if len(knn_best_set) <= 7:temp_score = classfier_score(X_train,X_test,temp_classfier)if temp_score < min_score:min_classfier = temp_classfier knn_best_set.add(temp_classfier)else:temp_score = classfier_score(X_train,X_test,temp_classfier)if temp_score< min_score:knn_best_set.remove(min_classfier)knn_best_set.add(temp_classfier)min_score = temp_scorefor temp_classfier in bp_set:if len(bp_best_set) <= 7:temp_score = classfier_score(X_train,X_test,temp_classfier)if temp_score < min_score:min_classfier = temp_classfier bp_best_set.add(temp_classfier)else:temp_score = classfier_score(X_train,X_test,temp_classfier)if temp_score< min_score:bp_best_set.remove(min_classfier)bp_best_set.add(temp_classfier)min_score = temp_scorefor temp_classfier in tree_set:if len(knn_best_set) <= 7:temp_score = classfier_score(X_train,X_test,temp_classfier)if temp_score < min_score:min_classfier = temp_classfier tree_best_set.add(temp_classfier)else:temp_score = classfier_score(X_train,X_test,temp_classfier)if temp_score< min_score:tree_best_set.remove(min_classfier)tree_best_set.add(temp_classfier)min_score = temp_scorethe_end_set = set.union(knn_best_set,bp_best_set,tree_best_set)return the_end_set#### 6、根据现在所有的模型，进行投票集成学习得到最后所有元素的分类，并且返回准确率
def to_ensemble(end_classfiers_set):y_label_predict = []for temp_data in X_test:predict_set = {}for classfiers in end_classfiers_set:classfiers.fit(X_train,Y_train)predict_set.append(classfiers.predict(temp_data))if classfiers not in predict_set.keys:predict_set[classfiers] = 1else:predict_set[classfiers] = predict_set[classfiers] + 1label = max(predict_set, key=predict_set.get)y_label_predict.append(label)return metrics.accuracy_score(y_label_predict,Y_test)

7、最后进行模型综合后，进行最后的评估

# 利用最后得到的最优的21个个体最终得到最后的模型
# 主函数入口
def main():#初始化global epochesknn_set,bp_set,tree_set,knn_param_set,bp_param_set,tree_param_set = init()while epoches > 0 :#选择ada1 = adaption(X_train,Y_train,knn_set)knn_set,knn_param_set = choose_classfiers(knn_set,knn_param_set,ada1)ada2 = adaption(X_train,Y_train,bp_set)bp_set,bp_param_set = choose_classfiers(bp_set,bp_param_set,ada2)ada3 = adaption(X_train,Y_train,tree_set)tree_set,tree_param_set = choose_classfiers(tree_set,tree_param_set,ada3)#交叉all_cross(knn_param_set,"knn")all_cross(bp_param_set,"bp")all_cross(tree_param_set,"tree")#变异variation(knn_param_set,"knn",0.2)variation(bp_param_set,"bp",0.2)variation(tree_param_set,"tree",0.2)#更新分类集合knn_set,bp_set,tree_set = to_get_classfiers_set()epoches = epoches -1 #得到综合分类器the_end_set = to_get_best(knn_set,bp_set,tree_set)accuracy = to_ensemble(the_end_set)print("准确率是：",accuracy)main()

实现（手撕）遗传算法与集成学习-人工智能大作业（特征选择其实是乱选的，抄的别人的，，，）相关推荐

  1. 安卓学习期末大作业——音乐播放器基础功能

    步骤 系列文章 前言 1.实现效果 2.关于自动切到后台 3.给予权限访问本地音乐,如果本地指定文件夹没有音乐会无法运行 4.注意配置jdk11 下载资源 总结 系列文章 提示:转到安卓学习专栏,观看 ...

  2. 3天，我用Python手撕了一个深度学习框架！

    人工智能如何学习?要看哪些书? 经常听到有粉丝问到这类的问题,其实,要想学习人工智能,你需要先搞懂什么是人工智能. 01  人工智能概念的提出 人工智能(Artificial Intelligence ...

  3. javaweb基于JSP开发Java在线学习平台 大作业 毕业设计源码

    基于JSP开发Java在线学习平台:(毕业设计/大作业) 开发环境:    Windows操作系统 开发工具: MyEclipse+Jdk+Tomcat+MYSQL数据库 运行效果图: 基于JSP开发 ...

  4. HNU工训中心STC-B学习板大作业-基于OLED模块的多功能MP4

    主要功能在下面这张流程图里(直接用报告的流程图了) 下面展示一下效果(数码管的"welcome"比较抽象) ps. 后面新加的功能(我觉得MP4应该还具有看小说的功能,但是小说字太 ...

  5. 笔记 | 《机器学习》手推笔记更新集成学习（Boosting和随机森林）

    点上方蓝字计算机视觉联盟获取更多干货 在右上方 ··· 设为星标 ★,与你不见不散 编辑:Sophia 计算机视觉联盟  报道  | 公众号 CVLianMeng [人工智能资源(书籍+视频)全网收集 ...

  6. 人工智能大作业——人脸识别系统（最终）

    写在前面 时间过得飞快,时间已经距离我发第一篇文章过去2年多了,也不再从事代码工作,偶然间上到csdn翻看文章经过,看到还是有些人关注人脸识别系统的后续的,我猜大概率是学弟学妹们正在被期末实验折磨中, ...

  7. 人工智能大作业——五子棋

    前言: 我这个五子棋作业是参考: https://blog.csdn.net/wudingan/article/details/106812722 (实现了完整的人机对战,通俗易懂.) 我只是在此基础 ...

  8. 【Android App】实战项目之虚拟现实（VR）的全景相册（附源码和演示视频 可用于学习和大作业）

    需要源码请点赞关注收藏后评论区留言私信~~~ 不管是绘画还是摄影,都是把三维的物体投影到平面上,其实仍旧呈现二维的模拟画面. 随着科技的发展,传统的成像手段越来越凸显出局限性,缘由在于人们需要一种更逼 ...

  9. 【人工智能大作业】A*和IDA*搜索算法解决十五数码（15-puzzle）问题 （Python实现）（启发式搜索）

    Astar和IDAstar搜索算法解决十五数码(15-puzzle)问题 (文末附实现代码,此前为理论与具体问题分析) 文章目录 Astar和IDAstar搜索算法解决十五数码(15-puzzle)问 ...

最新文章

  1. java杀死自身并重启_java – android服务在应用程序被杀死时自动重启
  2. 霍夫变换概述和标准霍夫变换
  3. Linux下MySQL 5.7 主从复制(主从同步)
  4. windows2003 DNS服务器配置
  5. php中join用法,PHP join()函数用法与实例讲解
  6. sql server 替换有反斜杠的字符串_字符串提取，到底谁是你的菜？
  7. springboot开篇 （一）简单邮件发送
  8. centos linux 通过yum安装nginx
  9. SSL 1887——潜伏者
  10. 英语学习框架（一） 英语音标
  11. C#学习系列之H264解码
  12. 致前行者 | 他们，只用了两公里地铁的钱，就实现了中国探月
  13. 鸿蒙方舟UI开发框架-eTS状态管理
  14. 图书-旅行-十年徒步中国：《信念：十年徒步中国》
  15. Princeton Algorithms, Boggle
  16. html5多张图片滚动播放,javascript+html5实现仿flash滚动播放图片的方法_javascript技巧...
  17. 编写自己的Acunetix WVS漏洞扫描脚本详细教程
  18. java监听器是什么_Java监听器
  19. 有人做TikTok跨境电商财务自由了，他们是怎么做的？
  20. 一年内英语四六级一次性通过，我是怎么做到的？英语听力阅读技巧干货分享！（2021年8月份最新）

热门文章

  1. docker run后台启动命令_Docker命令-docker run
  2. rbenv mysql_mysql-无法在macOS Si上安装mysql2 gem
  3. olcd12864的u8g2库_Arduino为什么无法用u8g2驱动12864OLED屏?求找出错误
  4. 2019学python还是php_2019学python还是php
  5. jsp java 交互_JSP-Servlet入门4之JSP数据交互
  6. 计算机教师自检自查报告,信息技术教学工作自查报告
  7. java与模式孙悟空_悟空模式-java-工厂方法模式
  8. 单独组件_iOS组件化/模块化的方案总结
  9. Oracle 11g系统自动收集统计信息的一些知识
  10. ZABBIX 4.0 安装