深度学习是机器学习的一个子集，旨在用类似于人类的逻辑持续分析数据。 它使用称为人工神经网络 (ANN) 的算法的分层结构。 它们主要用于医学诊断，以做出疾病预测、机器人手术和放射治疗等关键决策。 疾病预测包括识别和分类阿尔茨海默病。 它是痴呆症的最常见原因，影响全球约 4600 万人。 该病有几个阶段，分为轻度和重度。 症状包括记忆信息的能力下降、口语和写作能力下降。 许多机器学习算法技术如决策树分类器、独立分量分析、线性判别分析（LDA）被用来根据疾病的阶段预测疾病，但识别信号阶段的精度并不高。 在这项工作中，提出了一种基于深度学习的技术，该技术通过使用卷积神经网络 (CNN) 来提高分类的准确性。 这项工作分析脑电图 (EEG) 信号，使用快速傅立叶变换 (FFT) 提取特征并通过 CNN 对疾病进行分类。

假新闻检测 参考相关作品，并根据越南文文章建立基于LSTM和CNN的虚假新闻检测模型。

卷积神经网络tiny_cnn代码

NR法matlab代码比康 基于卷积神经网络（BIECON）的盲图像评估器是一种使用CNN的无参考图像质量评估方法。 该代码实现了以下论文中描述的系统： J. Kim和S. Lee，“完全深盲图像质量预测器”，《 IEEE信号处理选定主题期刊》，第1卷。 11号1，第206–220页，2017年2月。 先决条件 该代码是使用Theano 0.9，CUDA 8.0和Windows开发和测试的。 生成本地质量得分图 将BASE_PATH设置为每个数据库的实际根路径。 集FR_MET_BASEPATH和FR_MET_SUBPATH在gen_local_metric_scores.m 。 对于每个数据库，数据将存储在“ FR_MET_BASEPATH + FR_MET_SUBPATH ”中。 使用Matlab运行gen_local_metric_scores.m 。 我们默认提供一个SSIM指标。 环境设定 设置数据库路径： 对于每个数据库，集BASE_PATH在以下文件中的每个数据库的实际的根路径： IQA_BIECON_release/data_load/LIVE.py ， IQA_BIE

用java实现k-近邻算法分类器的完整工程代码，测试结果正确

数据集包括了2979张佩戴口罩的人脸图片，2994张未佩戴口罩的人脸图片，最重要的是还包括了2994张未正确佩戴口罩的图片（也就是那些戴口罩漏鼻子的）！把这部分也作为未佩戴口罩的数据集，在极高的实际意义。所有图片均是由人脸识别模块切割出，只包含人脸这一小部分图像，对训练的准确性有极大的提高，还进行了旋转操作实现数据增强。 配套项目代码及数据集预览参考博客：https://blog.csdn.net/weixin_45981224/article/details/120526885

基于tensorflow+CNN的新闻文本分类-附件资源

CNN_Faces_Recognition 基于卷积神经网络的人脸在线识别系统，本系统研究基于神经网络模型的人脸检测与识别技术，系统将由以下几个部分构成：制作人脸数据集，CNN神经网络模型训练，人脸检测，人脸识别。经过实验，确定该系统可对本人的人脸进行快速并准确的检测与识别。 关键词：神经网络；图像处理；人脸检测；人脸识别； TensorFlow；模型训练 本系统使用人脸数据集下载： : 详情博客： : 详情见微信公众号：AI大道理

基于CNN的笑脸识别，并在此基础上进行口罩识别。（仿照猫狗识别），需要训练模型的数据集，该数据集需要自己进行分类，mask和nomask的。

利用卷积神经网络对mnist数据集进行分类，代码采用python进行编写，并有详细的注释，且文件自带mnist数据集。用户需要搭建好tensorflow环境配合python即可运行。