人工智能导论实验导航
实验一：斑马问题 https://blog.csdn.net/weixin_46291251/article/details/122246347
实验二：图像恢复 https://blog.csdn.net/weixin_46291251/article/details/122561220
实验三：花卉识别 https://blog.csdn.net/weixin_46291251/article/details/122561505
实验四：手写体生成 https://blog.csdn.net/weixin_46291251/article/details/122576478
实验源码： xxx
2.1实验介绍
2.1.1实验背景
机器学习：
机器学习是一类算法的总称，这些算法企图从大量历史数据中挖掘出其中隐含的规律，并用于预测或者分类，更具体的说，机器学习可以看作是寻找一个函数，输入是样本数据，输出是期望的结果，只是这个函数过于复杂，以至于不太方便形式化表达。需要注意的是，机器学习的目标是使学到的函数很好地适用于“新样本”，而不仅仅是在训练样本上表现很好。学到的函数适用于新样本的能力，称为泛化（Generalization）能力。
机器学习作为人工智能核心技术，本章主要围绕机器学习涉及的决策树、主成分分析和集成算法而设计的实验。本章实验难度分均为初级。
图像恢复：
图象是一种非常常见的信息载体，但是在图像的获取、传输、存储过程中可能由于各种原因使得图像受到噪声的影响。如何去除噪声的影响，恢复图像原本的信息是计算机视觉中的重要研究问题。
常见的图像恢复算法有基于空间域的中值滤波、基于小波域的小波去噪、基于偏微分方程的非线性扩散滤波等。本次实验对图像添加噪声，并对添加噪声的图像进行基于线性回归模型的去噪。
2.1.2实验目的
本章实验的主要目的是掌握机器学习相关基础知识点，了解机器学习相关基础知识，经典降维方法、决策树算法和集成算法。熟悉机器学习的一般流程，具备使用python语言和机器学习算法解决实际问题的能力。
学习Python的Opencv库进行图像相关处理
学习Python的Numpy库进行相关数值计算
学习线性回归模型的应用
2.1.3实验简介
A. 生成受损图像。
受损图像（X）是由原始图像（I∈RH∗W∗CI∈RH∗W∗C）添加了不同噪声遮罩（noise masks）（M∈RH∗W∗CM∈RH∗W∗C）得到的（X=I⨀MX=I⨀M），其中⨀⨀是逐元素相乘。
噪声遮罩仅包含 {0,1} 值。对原图的噪声遮罩的可以每行分别用 0.8/0.4/0.6 的噪声比率产生的，即噪声遮罩每个通道每行 80%/40%/60% 的像素值为 0，其他为 1。
B. 使用你最擅长的算法模型，进行图像恢复。
C. 评估误差为所有恢复图像（R）与原始图像（I）的 2-范数之和，此误差越小越好。
error=∑3i=1norm(Ri(:)−Ii(
本文内容由网友自发贡献，版权归原作者所有，本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容，请联系:hwhale#tublm.com(使用前将#替换为@)
