1、 使用C或Matlab编程实现K-均值聚类算法：要求独立完成算法编程，禁止调用已有函数库或工具箱中的函数； 2、 使用仿真数据测试算法的正确性：将下列19个样本聚成2个聚类： 3、 MNIST数据集测试：ClusterSamples中的10000个784维特征手写数字样本聚类为10个类别，根据SampleLabels中的标签统计每个聚类中不同样本的数量。测试不同初始值对聚类结果的影响。
1、 使用C或Matlab编程实现GMM算法：要求独立完成算法编程，禁止调用已有函数库或工具箱中的函数； 2、 使用仿真数据测试算法的正确性：两类2维各1000个训练样本Train1和Train2分别采样自如下两个GMM，使用训练样本分别估计包含2个分量高斯的GMM参数。 构造区分两类的GMM分类器，测试采样自同样GMM的测试样本Test1和Test2。 3、 MNIST数据集测试：使用TrainSamples中的30000个17维特征手写数字样本训练GMM分类器区分10个类别，TrainLabels中包含训练样本的标签；测试设置不同高斯数量GMM分类器对TestSamples中10000个样本的识别正确率。
1、 使用C或Matlab编程实现感知器算法和最小平方误差算法； 2、 分别使用感知器算法学习区分下列两类样本的线性分类器： 3、 MNIST数据集测试：使用TrainSamples中的30000个17维特征手写数字样本训练线性分类器区分10个类别，TrainLabels中包含训练样本的标签；测试线性分类器对TestSamples中10000个样本的识别正确率。
自主选择一种识别方法，使用TrainSamples.csv中的20000个手写数字样本训练区分10个类别的分类器，TrainLabels中包含训练样本的标签； 实验考试时，使用训练好的分类器测试TestSamples.csv中的20000个样本，将识别结果保存为Result.csv文件，格式与TrainLabels.csv相同，每一行一个识别结果。
使用四层全连接神经网络，各层神经元设置如下 Layer1:输入层神经元共81个，并且采用sigmoid激活函数，为了防止过拟合提高效果使用droupout操作，随机以50%概率丢弃神经元 Layer2:隐藏层1使用400个神经元，并且采用sigmoid激活函数，为了防止过拟合提高效果使用droupout操作，随机以50%概率丢弃神经元 Layer3:隐藏层2使用200个神经元，并且采用sigmoid激活函数，为了防止过拟合提高效果使用droupout操作，随机以50%概率丢弃神经元 Layer4:输出层共10个神经元，使用softmax激活函数计算各个类别的概率
React
Typescript
Django
Laravel
Facebook
Microsoft
Google
Alibaba
D3
Tencent