基于python开发的通过人脸识别遗传病的机器学习系统源码+模型文件+项目说明.zip 【项目结构】 deep_learning文件夹中包含训练端到端神经网络模型的Jupyter文件，文件夹中代码根据分类问题进行组织。 traditional_ml文件夹中包含使用基于传统机器学习的非端到端模型的jupyter文件，文件夹中代码根据分类问题进行组织。 dataset文件夹中包含训练中所使用数据，该数据由于人脸图片隐私性未上传github，可根据论文中提供的数据集获取途径以及搜索引擎获取。 normalized_dataset文件夹用于存放经过图像预处理的图像。 backend文件加中包含可视化程序后端部分代码

电子病历书写 *

双数智慧公卫-传染病督导平台（Html模板、大数据模板、大屏echarts模板）.zip

基于Matlab颜色特征和纹理特征的植物叶片病虫害识别系统源码(带GUI界面)+程序使用说明文档.zip 基于Matlab颜色特征和纹理特征的植物叶片病虫害识别系统源码(带GUI界面)+程序使用说明文档.zip 基于Matlab颜色特征和纹理特征的植物叶片病虫害识别系统源码(带GUI界面)+程序使用说明文档.zip 该课题为基于Matlab颜色特征和纹理特征的植物叶片，病虫害侵蚀识别系统。可以判别某一片植物属于什么病。带有一个人机交互界面。

使用随机森林、SVM、线性回归等常用机器学习模型预测肺癌患病数据集的存活时长。 随机森林是一个包含多个决策树的分类器， 并且其输出的类别是由个别树输出的类别的众数而定。 支持向量机（Support Vector Machine, SVM）是一类按监督学习（supervised learning）方式对数据进行二元分类的广义线性分类器（generalized linear classifier），其决策边界是对学习样本求解的最大边距超平面。

基于机器学习实现的农作物病虫害识别系统源码+数据（python）.zip利用阿里云识农api和机器学习实现的农作物病虫害识别系统。目前，人工智能技术在农业领域的普及应用，还存在着数据共享不足、算法门槛过高、算力垄断、实验与应用环境差距过大等问题。所以，本文基于阿里云计算技术与人工智能机器学习的计算机视觉技术，开发了一套跨平 台、易使用的农作物病虫害自动识别系统，大幅降低了人工智能技术的使用门槛，使农业 从业人员也可享受智能技术红利，促进智慧农业发展。 基于机器学习实现的农作物病虫害识别系统源码+数据（python）.zip利用阿里云识农api和机器学习实现的农作物病虫害识别系统。目前，人工智能技术在农业领域的普及应用，还存在着数据共享不足、算法门槛过高、算力垄断、实验与应用环境差距过大等问题。所以，本文基于阿里云计算技术与人工智能机器学习的计算机视觉技术，开发了一套跨平 台、易使用的农作物病虫害自动识别系统，大幅降低了人工智能技术的使用门槛，使农业 从业人员也可享受智能技术红利，促进智慧农业发展。 基于机器学习实现的农作物病虫害识别系统源码+数据（python）.zip利用阿里云识

基于深度学习的农作物病虫害识别APP源码+项目说明.zip 【APP功能】 “拍照识别病虫害”：用户可以对发病的作物叶片或者果实进行拍照，裁剪对应发病区域，等待2~3秒即可以返回匹配率最高的三个疾病，并将识别率标记到对应的疾病卡片上，显示在照片的上方。用户可以通过拍照识别结构卡片，会显示对应疾病的具体信息、危害病症、传播途径、发病条件和治理方法。帮助用户快速找到解决方法，对症下药。 大数据 农技学习”：该界面罗列了100多种蔬菜、粮棉油、水果、经济作物等几类常见的农作物，并使用TabLayout + Fragment滑动布局加载这些农作物。可以使大量数据流畅的展示给用户。用户通过点击对应疾病的卡片，获取当前病虫害的典型照片以及具体信息，包括：对应症状、病原、传播途径和发病条件、防治方法等等。为解决大多数农民用户不会拼音、难以识字的问题，该界面也配备了多方言的语音朗读，解决南北语言差异问题的同时也构成了良好的交互界面，方便用户使用。

作物叶片疾病检测数据集，苹果、玉米、葡萄、土豆和番茄五种作物的健康和患病图像，共包含31397张图像。将5种作物的图像分为25类。在这25个类中，20个类包含患病图像，5个类包含健康图像。对每个图像生成分割图像和灰度图像，然后将数据集分为彩色图像、灰度图像和分割图像三个部分。总体而言，该数据集总共包含94,191张图像。

基于Pytorch+resnet50的农作物病虫害识别分类项目源码+病害数据集+项目说明文档.zip 【数据增强】 data_aug.py 用于线下数据增强，支持的增强方式： 高斯噪声 亮度变化 左右翻转 上下翻转 色彩抖动 对比度变化 锐度变化 【使用方法】 第一步：将测试集图片复制到 data/test/ 下 第二步：将训练集合验证集中的图片都复制到 data/temp/images/ 下，将两个 json 文件放到 data/temp/labels/ 下 执行 move.py 文件 执行 main.py 进行训练

信息技术计算机病毒PPT.ppt该文档详细且完整，值得借鉴下载使用，欢迎下载使用，有问题可以第一时间联系作者~