- 博客(45)
- 收藏
- 关注
RSS订阅原创 入门深度学习——基于全连接神经网络的手写数字识别案例（python代码实现）
如图所示，数字五的图片作为输入，layer01层为输入层，layer02层为隐藏层，找出每列最大值对应索引为输出层。根据下图给出的网络结构搭建本案例用到的全连接神经网络如图所示，MNIST数据集是机器学习领域中非常经典的一个数据集，由60000个训练样本和10000个测试样本组成，每个样本都是一张28 * 28像素的灰度手写数字图片。数据集也被嵌入到sklearn和pytorch框架中可以直接调用。这里我们默认已经安装了pytorch框架。不会使用的这里简单介绍一下。大家可以用按住win+R键，打开运行
2023-02-14 15:59:47
3247
1
原创 入门机器学习（西瓜书+南瓜书）聚类总结（python代码实现）
入门机器学习（西瓜书+南瓜书）聚类总结（python代码实现）一、聚类1.1 通俗理解聚类，顾名思义就是把数据特征相似的数据聚为一类。属于无监督学习的范畴。没有标签值的监督，因此不同的聚类算法，聚类的结果也不同。俗话说物以类聚。聚类就是按照某一个特定的标准（比如距离），把一个数据集分割成不同的类或簇(cluster)，使得同一个簇内的数据对象的相似性尽可能大，同时不在同一个簇内的数据对象的差异性也尽可能的大。聚类可以作为一个单独过程，用于寻找数据内在分布结构，也可以作为其他学习任务前驱过程。聚类和分
2022-05-25 17:59:35
1314
原创 入门机器学习（西瓜书+南瓜书）贝叶斯分类器总结（python代码实现）
入门机器学习（西瓜书+南瓜书）贝叶斯分类器总结（python代码实现）一、贝叶斯分类器1.1 通俗理解先来看两个公式P(AB)=P(A)P(B)（1）P(AB)=P(A)P(B) （1）P(AB)=P(A)P(B)（1）P(AB)=P(B∣A)P(A)=P(A∣B)P(B)（2）P(AB)=P(B|A)P(A)=P(A|B)P(B) （2）P(AB)=P(B∣A)P(A)=P(A∣B)P(B)（2）我先说第一个公式，首先这里的A，B分别代表两个不同的事件。如果事件A和事件B的独立，也就是说事件A
2022-05-25 16:49:26
2248
原创 入门机器学习（西瓜书+南瓜书）支持向量机总结（python代码实现）
入门机器学习（西瓜书+南瓜书）支持向量机总结（python代码实现）一、支持向量机1.1 通俗理解通俗来说，支持向量机这玩意就是用一条直线把不同的样本的分开，具体可以看下图。可以看到就目前的数据分布，我们可以找到非常多的直线都可以很容易把样本分开。那么这么多的直线那一条最好呢？更直白点，那一条我预测数据出错率最低呢？答案就是下图中间的那一条(正是说法这条直线也叫超平面），可以看到这条直线距离两侧的“边界”样本的距离都是最大且相等的（正式说法把两侧的距离之和叫做间隔,也就是图片上的2∣∣w∣∣\frac
2022-03-29 17:09:46
2677
3
原创 入门机器学习（西瓜书+南瓜书）神经网络总结（python代码实现）
入门机器学习（西瓜书+南瓜书）神经网络总结（python代码实现）一、神经网络1.1 通俗理解这次的内容较难理解，因此，笔者尽量通过通俗的话来说说清楚什么是神经网络？他是怎么来的？为什么近几年会如此之热？在此基础之上的深度学习，有是怎么回事？下面让我们一步步来揭开神经网络的神秘面纱。神经网络模型其实最早起源于我们熟知的线性模型，对，你没有听错。就是简单的y=kx+by=kx+by=kx+b，那时，他还叫做感知机。就是从神经元的构造中获得启发，直白说就是比较简单的线性连接与输出。如下图为神经元示意图，
2022-03-26 16:48:25
7953
5
原创 入门机器学习（西瓜书+南瓜书）决策树总结（python代码实现）
入门机器学习（西瓜书+南瓜书）决策树总结（python代码实现）一、决策树理论分析1.1 通俗理解决策树是一种非常经典的机器学习算法，通俗理解的话我们可以举一个例子，比如现在别人要找你借钱，那么按照首先是不是要判断你和他的关系如何?如果关系不好，我就直接拒绝他。如果关系很好，我就直接借给他了，那么如果关系一般，我要判断一下他是男是女？如果是男生，那么就不借，如果是女生，我要继续考虑她的人品好不好？如果人品不好，就不借，如果人品不错，就借。这也就是所谓的决策树。用python画出决策树的图，可以看到相当
2022-03-24 10:51:15
5021
原创 入门机器学习（西瓜书+南瓜书）线性回归和逻辑回归总结（python代码实现）
入门机器学习（西瓜书+南瓜书）第三章总结（python代码实现）一、理论总结
2022-03-19 00:51:39
3017
2
原创 LeetCode刷题——哈希表（python语言）
LeetCode刷题——哈希表（python语言）一、哈希表二、刷题2.1 存在重复元素给你一个整数数组 nums 。如果任一值在数组中出现 至少两次 ，返回 true ；如果数组中每个元素互不相同，返回 false 。示例 1：输入：nums = [1,2,3,1]输出：true示例 2：输入：nums = [1,2,3,4]输出：false示例 3：输入：nums = [1,1,1,3,3,4,3,2,4,2]输出：true提示：1 <= nums.length &l
2022-03-12 01:02:00
454
原创 LeetCode刷题——分治（python语言）
LeetCode刷题——分治（python语言）一、分治分治就是分而治之，对于一个复杂的问题，划分为规模较小的相同的问题（相互独立，如果不独立，最好用动态规划），以便各个击破。典型的例子就是归并排序，现将数组不断平均划分，直到最后分为两个元素，比较大小，将求出的小规模的解合并为一个大规模的解，自底向上求出大规模问题的解。二、刷题2.1 将有序数组转换为二叉搜索树给你一个整数数组 nums ，其中元素已经按 升序 排列，请你将其转换为一棵 高度平衡 二叉搜索树。高度平衡 二叉树是一棵满足「每个节
2022-03-07 14:53:58
839
原创 LeetCode刷题——字符串（python语言）
LeetCode——字符串（python语言）一、字符串1.1 字符串定义字符串就是一系列字符的连接。字符串可以遍历，每次遍历都是字符。1.2 字符串匹配二、刷题2.1 验证回文串给定一个字符串，验证它是否是回文串，只考虑字母和数字字符，可以忽略字母的大小写。说明：本题中，我们将空字符串定义为有效的回文串。示例 1:输入: “A man, a plan, a canal: Panama”输出: true解释：“amanaplanacanalpanama” 是回文串示例 2:输入:
2022-03-05 18:46:03
325
原创 LeetCode刷题——动态规划（python语言）
LeetCode刷题——动态规划（python语言）一、动态规划二、刷题2.1 最大子数组和给你一个整数数组 nums ，请你找出一个具有最大和的连续子数组（子数组最少包含一个元素），返回其最大和。子数组 是数组中的一个连续部分。示例 1：输入：nums = [-2,1,-3,4,-1,2,1,-5,4]输出：6解释：连续子数组 [4,-1,2,1] 的和最大，为 6 。示例 2：输入：nums = [1]输出：1示例 3：输入：nums = [5,4,-1,7,8]输出：23
2022-03-05 18:38:59
672
原创 LeetCode刷题——排序（python语言）
LeetCode刷题——排序（python语言）一、排序顾名思义，排序就是将数组按照从小到大的顺序排列。广义的排序分为内部排序方法和外部排序方法。排序的方法有很多种，常用的冒泡、选择、插入、希尔、归并、快速、堆、计数、桶、基数排序。按照时间复杂度划分：O(n2)O(n^2)O(n2):冒泡、选择、插入O(n∗log2n)O(n*log_2n)O(n∗log2n) :希尔、归并、快速、堆O(n)O(n)O(n):计数、桶、基数二、刷题2.1 排序数组给你一个整数数组 nums，请你将该
2022-03-03 15:52:36
1116
原创 LeetCode刷题——搜索（python语言）
LeetCode刷题——搜索（python语言）一、搜索搜索简单来说分为查找和遍历。查找分为有序查找（二分查找）和无序查找（顺序查找，二叉搜索树）。顺序查找：一个挨一个找，从头找到尾，属于暴力算法。效率低二叉搜素树，保证一个条件就是左子树的值小于根节点的值小于右子树的值。这样中序遍历获得从小到大的元素二分查找：前提是已经排好序，可以将待查找元素和中间位置元素比较，然后修改左右指针。遍历分为深度优先搜索（DFS）和广度优先搜索（BFS）。深度优先搜索（DFS）主要的遍历思想是栈（stac
2022-03-01 21:03:33
1082
原创 LeetCode刷题——双指针（python代码）
LeetCode刷题——双指针（python代码）一、双指针双指针通俗来说就是用两个变量存储数据，然后根据逻辑关系进行使用的一种思想。二、刷题2.1 反转链表给你单链表的头节点 head ，请你反转链表，并返回反转后的链表。示例 1：输入：head = [1,2,3,4,5]输出：[5,4,3,2,1]示例 2：输入：head = [1,2]输出：[2,1]示例 3：输入：head = []输出：[]提示：链表中节点的数目范围是 [0, 5000]-5000 <=
2022-02-27 20:26:02
250
原创 LeetCode刷题——树（python语言）
LeetCode刷题——树（python语言）一、树二、刷题2.1 二叉树的最大深度给定一个二叉树，找出其最大深度。二叉树的深度为根节点到最远叶子节点的最长路径上的节点数。说明: 叶子节点是指没有子节点的节点。示例：给定二叉树 [3,9,20,null,null,15,7]， 3 / \ 9 20 / \ 15 7返回它的最大深度 3 。解法一：利用DFS（深度优先搜索），每次向下遍历，深度加一。设置变量temp记录当前节点深度将temp作
2022-02-25 17:03:02
1426
原创 LeetCode刷题——位运算（python语言）
LeetCode刷题——位运算（python语言）一、位运算1.1 与运算全为1，才为11.2 或预算有1，就是11.3 取反运算1为0，0为11.4 异或运算相同为0 ，相异为1二、刷题2.1 只出现一次的数字给定一个非空整数数组，除了某个元素只出现一次以外，其余每个元素均出现两次。找出那个只出现了一次的元素。说明：你的算法应该具有线性时间复杂度。 你可以不使用额外空间来实现吗？示例 1:输入: [2,2,1]输出: 1示例 2:输入: [4,1,2,1,2]输出:
2022-02-25 16:51:03
162
原创 LeetCode刷题——栈（python语言）
LeetCode刷题——栈（python语言）一、栈1.1 定义栈（Stack）：也称堆栈。一种线性表数据结构，是一种只允许在表的一端进行插入和删除操作的线性表。我们把栈中允许插入和删除的一端称为[栈顶(top)];另一端则称为[栈底(bottom)]。当表中没有任何数据元素时，称之为[空栈]。栈的特点：线性表后进先出栈的存储方式有顺序栈和链式栈。1.2 栈的基本操作初始化空栈判断栈是否为空判断栈是否已满插入元素删除元素获取栈顶元素1.3 栈的顺序存储实现代码cl
2022-02-18 23:22:10
753
原创 LeetCode刷题——链表（python语言）
LeetCode刷题——链表（python语言）一、链表1.1 逻辑结构与存储结构1.1.1 逻辑结构逻辑结构：数据元素之间的逻辑关系集合、线性结构（一对一）、树形结构（一对多）、图结构（多对多）1.1.2 存储结构存储结构包括顺序存储、链式存储、索引存储、散列存储顺序存储（顺序表）：逻辑上相邻的元素物理位置也相邻链式存储（单链表）：逻辑上相邻的元素物理位置不一定相邻1.2 单链表1.2.1 单链表的定义带头节点的单链表（写代码方便）不带头结点的单链表（写代码麻烦）class L
2022-02-17 01:01:12
741
原创 LeetCode刷题——数组（python语言）
LeetCode刷题数组一、数组1.1 数组的定义数组是具有一定顺序关系的若干对象组成的集合，组成数组的对象称为数组元。其中向量对应一维数组，矩阵对应二维数组。1.2 数组的存储特点数组在内存中按照顺序连续存储二维数组的分配按照行（C，C++，C#）来分配数组名表示的是数组的首地址，是常量二、刷题2.1 两数之和给定一个整数数组 nums 和一个整数目标值 target，请你在该数组中找出 和为目标值 target 的那 两个 整数，并返回它们的数组下标。你可以假设每种输入只会对
2022-02-14 18:47:22
8725
原创 机器视觉实验四： 为人脸添加装饰物特效实验（OpenCV-python代码）
一、 实验目的用OpenCV编写一个程序能检测出给定图像中的人脸，并能给人脸添加一些装饰特效，比如给人脸加上戴眼镜或带口罩或戴帽子等装饰物。二、实验要求1、用OpenCV编写一个程序能检测出给定图像中的人脸，并能给人脸添加一些装饰特效，比如给人脸加上戴眼镜或带口罩或戴帽子等装饰物，要求首先能检测出图像中的人脸，进而给人脸的一些部位添加装饰特效，并要求添加的装饰物位置准确，大小合适。2、认真撰写实验报告，要求说明实验原理，对实验过程叙述清楚，关键代码给出注释，对实验结果给出合理解释，实验分析部分则需要
2022-01-01 22:11:06
2706
原创 机器视觉实验三： 基于分水岭算法的肺部图像分割实验（OpenCV-python代码）
一、实验目的用OpenCV编写一个基于分水岭算法的图像分割程序能对肺部医学图像进行分割，辅助医生进行病情诊断，强化和巩固学生对图像分割知识的掌握和灵活应用。二、实验要求1、用OpenCV编写一个基于分水岭算法的图像分割程序，能对获取的肺部医学图像进行分割；2、认真撰写实验报告，要求说明实验原理，对实验过程叙述清楚，关键代码给出注释，对实验结果给出合理解释，实验分析部分则需要指出实验结果优劣的原因以及如何进一步提高实验性能的方法或手段。3、利用python版的OpenCV编写代码。三、实验过程i
2022-01-01 22:04:56
3158
2
原创 机器视觉实验二：道路车流量计数实验（OpenCV-python代码）
一、实验目的用OpenCV编写一个车辆计数程序，强化对课堂讲授内容如图像腐蚀、轮廓提取、边缘检测、视频读写等知识的深入理解和灵活应用。二、实验要求1、用OpenCV编写一个车辆计数程序，对一段视频里道路上的来往车辆进行计数统计，要求避免同一车辆重复统计，并尽量避免漏检、错检；2、认真撰写实验报告，要求说明实验原理，对实验过程叙述清楚，关键代码给出注释，对实验结果给出合理解释，实验分析部分则需要指出实验结果优劣的原因以及如何进一步提高实验性能的方法或手段。3、利用python版的OpenCV编写代码
2022-01-01 21:38:54
7314
17
原创 机器视觉实验一：给图像局部添加马赛克效果实验（OpenCV-python代码）
一、实验目的用OpenCV编写一个程序，对给定图像中的局部区域打上马赛克效果，通过该实验让学生了解给图像打马赛克的原理，掌握具体的编程方法。二、实验要求1、用OpenCV编写一个程序，对给定图像中的局部区域打上马赛克效果，要求能通过拖动鼠标的方式让使用者灵活自主地给图像打马赛克。2、认真撰写实验报告，要求说明实验原理，对实验过程叙述清楚，关键代码给出注释，对实验结果给出合理解释，实验分析部分则需要指出实验结果优劣的原因以及如何进一步提高实验性能的方法或手段。3、利用python版的OpenCV编写
2022-01-01 20:51:50
4416
原创 机器视觉——OpenCV案例分析基础（八）（模式匹配与背景减除）
模式匹配与背景减除一、理论分析二、代码分析2.1 模式匹配2.2 背景减除一、理论分析模式匹配简单来说就是我想在一副地图上找到一个我已知地名的位置，更通俗来叔也就是查地图。这其中也包括需要查找时具有一定的变通性，比如我想在一个图里找到狗狗的位置，那么无论这只狗狗的动作和表情与待查找的不一致，也需要精准的匹配。而对于简单的模式匹配来说很难实现，以为它仅仅会计算不同特征之间的相似度，很难变通。但是我们同样可以利用这一点来对图像通过模式识别来进行筛选与甄别。那么背景减除就是我在做视频的目标识别时，主要是对动
2021-12-05 17:28:13
3421
原创 机器视觉——OpenCV案例分析基础（七）（边缘检测和图像轮廓查找）
边缘检测和图像轮廓查找一、理论分析二、代码分析2.1 边缘检测2.1.1 Sobel算子2.1.2 Scharr算子2.1.3 Laplacian算子2.1.4 Canny算子2.2 特征检测一、理论分析图像的边缘信息通俗来讲变化较大。基于此特征和数字图像的离散信号，我们可以计算图片的差分或梯度。图像处理中有多种边缘检测的算电子，包括普通一阶差分，Sobel算子，Scharr算子等等，是基于寻找梯度强度。而普通二阶差分中，Laplacian算子其思想是基于过零点检测。二、代码分析2.1 边缘检测
2021-12-02 08:51:14
9249
原创 机器视觉——OpenCV案例分析基础（六）（基于图像处理的数学形态学）
基于图像处理的数学形态学一、理论分析二、代码分析2.1 图像腐蚀2.2 图像膨胀2.3 图像的开运算2.4 图像的闭运算2.5 图像的梯度2.6 礼帽运算2.7 黑帽运算一、理论分析图像的形态学包括图像腐蚀、图像膨胀、图像的开运算、图像的闭运算、图像的梯度、礼帽运算、黑帽运算。而形态学转换中主要针对的是二值图像。它需要两个输入对象。二值图像卷积核二、代码分析2.1 图像腐蚀顾名思义，图像会变小。扫描图像的每个像素点，每个像素点对应一个卷积核，如果卷积核的值都为1，该像素点值为1，否则为0
2021-12-01 09:46:49
2305
原创 机器视觉——OpenCV案例分析基础（五）(图像的噪声产生与去噪）
图像的噪声产生与去噪一、理论分析二、代码分析2.1 高斯噪声的产生与去噪2.2 椒盐噪声的产生与去噪一、理论分析图像在生成时，受到环境、设备本身、光线等因素会导致图片产生噪声，这些噪声过于随机，处理起来十分复杂。处于学习的目的，我们首先学习一些简单的噪声与去噪，比如高斯噪声，椒盐噪声等。二、代码分析2.1 高斯噪声的产生与去噪高斯噪声主要根据高斯分布（也就是正态分布）的边缘值，被认为是噪声。在高斯噪声的产生中，对图像添加给定高斯分布的边缘值，这样就对图像添加了高斯噪声，去噪的方法也很简单，对每个核
2021-11-29 22:51:18
1551
原创 机器视觉——OpenCV案例分析基础（四）(对视频的读写）
对视频的读写一、理论分析二、代码分析2.1 通过摄像头的读写2.2 读入本地视频一、理论分析之前的案例都是对图片进行处理，这也有些局限性，毕竟现在时代，视频也是主流的传播媒介，我们有必要对视频处理进行学习，下面我们从最简单的视频读写的代码开始讲解。二、代码分析2.1 通过摄像头的读写from cv2 import cv2 as cvimport numpy as npcapture = cv.VideoCapture(0) #本地为0，外接为1,读取视频输入路径four_cc = cv.
2021-11-29 22:19:51
2772
原创 机器视觉——OpenCV案例分析基础（三）(图像的模糊、加密、几何变换、融合、二值化等）
图像的模糊、加密、几何变换、融合一、理论分析二、代码分析2.1 图像的模糊处理2.2 图像的加密2.3 图像的几何变换2.3.1 图像的翻转变换2.3.2 图像的平移变换2.3.3 图像的旋转变换2.3.4 图像的放射变换和透视变换2.4 图像的融合一、理论分析我们在这个博客里介绍一些图像的常用的处理，包括对图像模糊处理，对图像加密，对图像几何变换，多个图像的融合等操作。主要是想要通过案例对图像的操作进行熟悉。二、代码分析2.1 图像的模糊处理图像的模糊处理，主要加入噪声，主要的方式有均值模糊
2021-11-29 20:54:33
4501
原创 机器视觉——OpenCV案例分析基础（二）(给图片打马赛克与图像的运算处理）
给图片打马赛克一、理论分析二、代码分析2.1 对图像全局采用马赛克处理2.2 局部马赛克2.3 对图片进行运算处理2.3.1 图像的或运算2.3.2 图像的与运算2.3.3 图像的HSV参数获取2.3.4 图像的加法运算2.3.5 图像的BGR分割一、理论分析对图像处理，最常见的也莫过于对图片打马赛克了。其实它的原理也很简单，对一整块图片采用一个像素点填充。二、代码分析2.1 对图像全局采用马赛克处理import numpy as npfrom cv2 import cv2 as cvsize
2021-11-29 14:08:51
5329
原创 机器视觉——OpenCV案例分析基础（一）(交互式绘图与交互式动态调节图片显示）
机器视觉——案例分析基础（一）(基本的案例绘图与显示）一、理论分析我们这里主要应用opencv-python这个包，对各种图像进行处理。是一个计算机视觉和机器学习的开发库，里面也集成了大量的API。在图像处理方面应用也十分广泛。我们着重根据这个库，对各种图像进行处理。二、代码分析首先的首先，我们需要安装一个opencv这个包，这个操作也十分的简单。步骤如下：按住键盘的WIN+R键，打开运行框输入cmd，点击确定，打开一个小黑框输入pip install opencv-python -i ht
2021-11-28 18:06:14
1135
原创 python代码基础知识总结（四）（matplotlib库简单总结）
机器视觉——python代码基础知识总结（四）（matplotlib库简单总结）一、理论分析搞过数学建模的都一定知道matlib，它的译文是矩阵实验室，主要功能就是具有强大的作图能力。那么python将这一个功能引入，就成为了matplotlib包。他是用于创建出版质量图表的绘图工具库，目的是为python创建一个Matlab式的绘图接口二、代码实现import numpy as npimport pandas as pdimport matplotlib.pyplot as plt上面算是
2021-11-28 01:38:59
370
原创 python代码基础知识总结（三）（pandas库简单总结）
一、理论分析如果说，numpy是解决了python运算速度慢了短板，因为numpy底层是C语言编写的。那么pandas的诞生注定是为了数据的处理，这个包里面有两个数据类型series和dataframe。对处理csv、excel、txt、josn等文件十分方便与快捷。你可以在pandas包里的一个封装函数输入对应参数来实现你所需要的所用功能，读入数据后，也方便对数据的行和列进行处理。二、代码实现为了更可以说明我们代码的有效性，我们现在模拟一个数据集。以下数据集摘自movielens，他是著名的电影评分
2021-11-27 18:58:44
772
原创 python代码基础知识总结（二）（numpy库简单总结）
机器视觉python代码基础知识总结（二）一、理论分析如果想要在Al里混的很好，一些用起来得心应手的库必须要学会。比如numpy、pandas、matplotlib。这些都是针对python封装好的模块。我们在写代码时，只需要调用他们，然后记住它的函数名和参数就可以简单实现它的功能。二、代码分析......
2021-11-25 15:49:59
450
原创 python代码基础知识总结（一）（python高阶函数与格式化输出）
机器视觉python代码基础知识总结（一）一、理论简述个人认为机器视觉可以作为人工智能的一大分支，尤其是随着深度学习、卷积神经网络、残差网络的出现，导致机器对图像识别精度高于了人类。因此，可以说机器视觉是人工智能的目前相对十分成熟的应用。下面的表格从IPO层面介绍了各种领域之间的关系，这里分别包含的有数据图像处理（Digital Image Processing)、计算机视觉（Computer Vision）、计算机图形学（Computer Graphics）、人工智能（Artificial Inte
2021-11-20 16:07:16
1385
原创 自然语言处理实验—用K-means的方法对样本特征分类（含python代码和详细例子解释）
自然语言处理实验—用K-means的方法对样本特征分类一、算法简述本次博客我们介绍一下机器学习里经典的聚类算法K-means，它属于典型的无监督学习算法。其核心思想也非常的简单，大致思路如下：要选取K(K=1,2,..)K(K=1,2,..)K(K=1,2,..)个簇的质心,这决定了我们最终聚类的簇（每一类被分为一个簇）。对每一个待分类的样本，我们都计算该样本到每个簇质心的距离，然后将该样本归类到最小距离的簇。更新每个簇的质心，每个簇的新的质心等于所有位于该簇的样本的均值。以此类推，重新归类样
2021-11-15 21:58:16
1859
原创 自然语言处理实验—用隐马尔可夫模型对句子分词（含python代码和详细例子解释）
自然语言处理实验—用隐马尔可夫模型对句子分词一、问题导入上一次实验我们介绍了隐马尔可夫模型的基本原理，以及根据具体案例来分析其应用，详细介绍了隐马尔科夫模型所包含的三个重要概率分布矩阵，初始化概率矩阵，状态转移概率矩阵，发射概率矩阵。以及其如何计算的方法。我们在上次实验的代码里，将训练好的三个矩阵用python的pumkle的模块进行了存储，这次实验我们着重介绍，隐马尔可夫模型在分词中的应用。二、用隐马尔可夫模型解决问题import numpy as npimport pickledef sol
2021-11-15 21:37:16
2971
2
原创 自然语言处理实验—用隐马尔可夫模型在分词中的应用计算概率矩阵（含python代码和详细例子解释）
自然语言处理基础算法—隐马尔可夫模型在分词中的应用一、问题导入最近，从头到尾学习了隐马尔可夫模型，这个模型十分神奇，核心思想就是过去发生的，现在发生的，和将要发生的，都只和这个时间的前一个事件相关。简单来说，你考试过不过我只看成绩，和你上课表现状况无关。而这些事件相连组成的链条就叫做马尔可夫链。那么问题又来了，为什么叫做隐马尔可夫模型呢？其实就是这里面包含一个隐状态。我们不妨举个例子，比如我和小梦天天聊天，她每天都会给我讲都干了啥？而不给我说她那边的天气。但是其实我是可以根据经验推测出来她那边的天气的
2021-10-24 14:11:38
4839
3
BPR贝叶斯个性化推荐算法-推荐系统基础算法（含python代码实现以及详细例子讲解）.zip
2023-02-10
机器视觉实验三： 基于分水岭算法的肺部图像分割实验（OpenCV-python代码）.zip
2023-02-10
人工智能产生式系统实验-动物识别系统（txt文件导入数据库）python代码实现以及关系图.zip
2023-02-10
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人