二分類的案例
工程人必懂焊縫質量標準和焊縫一,二,三級的分類！
焊縫等級分類及無損檢測要求
焊縫應根據結構的重要性、荷載特性、焊縫形式、工作環境以及應力狀態等情況，按下述原則分別選用不同的質量等級，
1. 在需要進行疲勞計算的構件中，凡對接焊縫均應焊透，其質量等級為
1) 作用力垂直于焊縫長度方向的橫向對接焊縫或T形對接與角接組合焊縫，受拉時應為一級，受壓時應為二級；
2）作用力平行于焊縫長度方向的縱向對接焊縫應為二級。
2 .不需要計算疲勞的構件中，凡要求與母材等強的對接焊縫應予焊透，其質量等級當受拉時應不低于二級，受壓時宜為二級
3 .重級工作制和起重量Q≥50t吊車梁的腹板與L冀緣之間以及吊車析架上弦桿與節點板之間的T形接頭焊縫均要求焊透．焊縫形式一般為對接與角接的組合焊縫，其質量等級不應低于二級
4 .不要求焊透的’I'形接頭采用的角焊縫或部分焊透的對接與角接組合焊縫，以及搭接連接采用的角焊縫，其質量等級為：
1)對直接承受動力荷載且需要驗算疲勞的結構和吊車起重量等于或大于50t的中級工作制吊車梁，焊縫的外觀質量標準應符合二級 ；
2) 對其他結構，焊縫的外觀質量標準可為二級。
外觀檢查一般用目測，裂紋的檢查應輔以5 倍放大鏡并在合適的光照條件下進行，必要時可采用磁粉探傷或滲透探傷，尺寸的測量應用量具、卡規。
展開 工程人必懂焊縫質量標準和焊縫一,二,三級的分類！
焊縫等級分類及無損檢測要求
焊縫應根據結構的重要性、荷載特性、焊縫形式、工作環境以及應力狀態等情況，按下述原則分別選用不同的質量等級，
1. 在需要進行疲勞計算的構件中，凡對接焊縫均應焊透，其質量等級為
1) 作用力垂直于焊縫長度方向的橫向對接焊縫或T形對接與角接組合焊縫，受拉時應為一級，受壓時應為二級；
2）作用力平行于焊縫長度方向的縱向對接焊縫應為二級。
2. 不需要計算疲勞的構件中，凡要求與母材等強的對接焊縫應予焊透，其質量等級當受拉時應不低于二級，受壓時宜為二級
3. 重級工作制和起重量Q≥50t吊車梁的腹板與L冀緣之間以及吊車析架上弦桿與節點板之間的T形接頭焊縫均要求焊透．焊縫形式一般為對接與角接的組合焊縫，其質量等級不應低于二級
4. 不要求焊透的’I'形接頭采用的角焊縫或部分焊透的對接與角接組合焊縫，以及搭接連接采用的角焊縫，其質量等級為：
1)對直接承受動力荷載且需要驗算疲勞的結構和吊車起重量等于或大于50t的中級工作制吊車梁，焊縫的外觀質量標準應符合二級 ；
2) 對其他結構，焊縫的外觀質量標準可為二級。
外觀檢查一般用目測，裂紋的檢查應輔以5 倍放大鏡并在合適的光照條件下進行，必要時可采用磁粉探傷或滲透探傷，尺寸的測量應用量具、卡規。
展開 無機非金屬礦--碳酸鈣篇（二）：碳酸鈣的發展、分類及性質PPT
歡迎您的關注！
大數據—人工智能領域高水平會議及熱點技術匯總
人工智能領域高水平會議及熱點技術匯總
源自：奇科技探索
更多信息可關注：人工智能技術與咨詢，（⒈⒐⒌???2??2??①⑤②）
安排
2022年11月24日-28日 線上直播
一、大數據概述
1.大數據及特點分析
2.大數據關健技術
3.大數據計算模式
4.大數據應用實例
二、大數據處理架構Hadoop
1.Hadoop項目結構
2.Hadoop安裝與使用
3.Hadoop集群的部署與使用
4.Hadoop 代表性組件
三、分布式文件系統HDFS
1.HDFS體系結構
2.HDFS存儲
3.HDFS數據讀寫過程
四、分布式數據庫HBase
1.HBase訪問接口
2.HBase數據類型
3.HBase實現原理
4.HBase運行機制
5.HBase應用
五、MapReduce
1.MapReduce體系結構
2.MapReduce工作流程
3.資源管理調度框架YARN
4.MapReduce應用
六、Spark
1.Spark生態與運行架構
2.Spark SQL
3.Spark部署與應用方式
七、IPython Notebook運行Python Spark程序 1.Anaconda
2.IPython Notebook使用Spark
3.使用IPython Notebook在Hadoop YARN模式運行
八、Python Spark集成開發環境
1.Python Spark集成開發環境部署配置
2.Spark數據分析庫MLlib的開發部署
九、Python Spark決策樹二分類與多分類
1.決策樹原理
2.大數據問題
3.決策樹二分類
展開 
大數據——決策樹（decision tree）
大數據知識點：
一、大數據概述：1.大數據及特點分析；2.大數據關健技術；3.大數據計算模式；4.大數據應用實例
二、大數據處理架構Hadoop：1.Hadoop項目結構；2.Hadoop安裝與使用；3.Hadoop集群的部署與使用；4.Hadoop 代表性組件
三、分布式文件系統HDFS ：1.HDFS體系結構；2.HDFS存儲；3.HDFS數據讀寫過程
四、分布式數據庫HBase ：1.HBase訪問接口；2.HBase數據類型；3.HBase實現原理；4.HBase運行機制；5.HBase應用
五、MapReduce ：1.MapReduce體系結構；2.MapReduce工作流程；3.資源管理調度框架YARN ；4.MapReduce應用
六、Spark ：1.Spark生態與運行架構；2.Spark SQL；3.Spark部署與應用方式
七、IPython Notebook運行Python Spark程序：1.Anaconda；2.IPython Notebook使用Spark；3.使用IPython Notebook在Hadoop YARN模式運行
八、Python Spark集成開發環境 ：1.Python Spark集成開發環境部署配置；2.Spark數據分析庫MLlib的開發部署
九、Python Spark決策樹二分類與多分類 ：1.決策樹原理；2.大數據問題；3.決策樹二分類；4.決策樹多分類
十、Python Spark支持向量機 ：1.支持向量機SVM 原理與算法；2.Python Spark SVM程序設計
十一、Python Spark 貝葉斯模型 ：1.樸素貝葉斯模型原理；2.Python Spark貝葉斯模型程序設計
十二、Python Spark邏輯回歸 ：1.邏輯回歸原理；2.Python Spark邏輯回歸程序設計
展開 理論加案例，一文讀懂數據分析中的分類建模
一、什么是分類
分類，是數據建模領域的重要分支，你每天也都會接觸。
手機垃圾短信過濾，就是分類算法給短信打的標簽，比如0代表正常短信，1代表垃圾短信。
在醫學領域，根據影像檢查判斷腫瘤是良性還是惡性。在工業領域，根據設備工作特征做故障診斷。在材料領域，根據配方快速預測新材料的特性是否符合要求。
前面這些例子大多是二分類，即只有兩個標簽，更細的還有多分類。
比如電子郵件分為正常郵件、廣告郵件、垃圾郵件或釣魚郵件。貸款風險評估，分類為高風險中風險低風險。工廠的質量控制，分類為一級品、二級品以及廢品。
二、分類算法
分類算法的核心邏輯是找到數據中特征與標簽之間的映射關系。簡單來說，就是找到一個“函數”，根據輸入數據的特征，準確地判斷數據所屬的類別。
根據算法原理和實現方式，分類算法可以分為線性算法，非線性算法和集成學習算法。這三類算法分別適合不同的建模場景，訓練出的模型復雜度一般也越來越高。
針對每一大類，數據建模軟件DTEmpower也內置了多種算法。
比如線性算法里的邏輯回歸算法Logistic，它的優點是簡單高效計算成本低，且可解釋性強，比如你能通過模型看出某個特征的重要性。
但線性算法更適合特征與目標變量之間存在線性關系的場景。所謂線性關系，就是因變量y可以寫成y=ax1+bx2+cx3...這種形式。
非線性分類算法里的比較著名的KNN，K近鄰算法。它的優點是原理簡單且能處理非線性數據，對異常值不敏感。但缺點就是計算效率低，處理大數據時比較慢，因此也更適合數據量不大且數據集維度不高的情況。
集成學習算法里，RandomForest隨機森林算法很有代表性，它最顯著的優點是抗過擬合能力強。
所謂過擬合，指的是模型在訓練數據上表現非常好，精度很高。
展開 人工智能 大數據 深度強化學習
課程安排
一、大數據概述
二、大數據處理架構Hadoop
三、分布式文件系統HDFS
四、分布式數據庫HBase
五、MapReduce
六、Spark
七、IPython Notebook運行Python Spark程序
八、Python Spark集成開發環境
九、Python Spark決策樹二分類與多分類
十、Python Spark支持向量機
十一、Python Spark 貝葉斯模型
十二、Python Spark邏輯回歸
十三、Python Spark回歸分析
十四、Spark ML Pipeline 機器學習流程分類
十五、Python Spark 創建推薦引擎
十六、項目實踐
培訓目標
1.掌握大數據建模分析與使用方法。
2.掌握大數據平臺技術架構。
3.掌握國內外主流的大數據分析與BI商業智能分析解決方案。
4.掌握大數據分析在搜索引擎、廣告服務推薦、電商數據分析、金融客戶分析方面的應用。
5.掌握主流的基于大數據Hadoop和Spark、R的大數據分析平臺架構和實際應用。
6.掌握基于Hadoop大數據平臺的數據挖掘和數據倉庫分布式系統平臺應用，以及商業和開源的數據分析產品加上Hadoop平臺形成大數據分析平臺的應用剖析。
7.掌握常見的機器學習算法。
來源：www.chinaai.org.cn
關注微信公眾號人工智能技術與咨詢了解更多！
展開 大數據建模、分析、挖掘技術
1.決策樹原理
2.大數據問題
3.決策樹二分類
4.決策樹多分類
1.搜集數據
2.數據準備：導入并轉換數據、提取特征字段、提取標簽
3.
行業分享丨TCL華星光電：AI 如何助力LCD顯示模組精準老化預測？
項目目標主要有兩個考量點：
其一，目前Aging線不良率大概在0.1% - 0.2%，實際上很多產品需要100% 通過Aging測試，但是大部分產品狀態經過老化之后也是一個優良品，因此需要進行合理化Aging測試以節約資源來識別少量的不良；
其二，到2025年，客戶端的漏放標準需收嚴到500dppm，其中與面內相關的漏放多為線不良，我們可以在廠內通過加嚴Aging（延長aging時間）提前攔截，避免不良片漏放到客戶端。我們的任務是利用AI建模完成一個二分類的預測任務，實現60%的SKIP率。
以往在完成對應制程后，需要100%對模組進行Aging測試，而現在通過AI預測Aging結果，對于合格樣本可直接跳過該環節，對于有問題的樣本則進行正常Aging測試。
我們的模型應用有三大指標：第一，SKIP率大于60%，要釋放60%的Aging測試產能；第二，模型精確率需達到99.95%以上；第三，降低客訴漏放風險，使得漏放率低于萬分之三。
項目方案的整體實施過程主要包括兩部分，第一部分是AI模型的構建，第二部分是在系統平臺進行串接。
在模型構建部分，我們首先分析了Aging線不良的相關異常原因，識別關鍵參數，下載了約10萬片數據樣本并進行數據加工，然后使用AI軟件進行模型開發和部署。
模型部署的整體路徑如下：通過良率管理系統（YMS）的數據獲取生產數據源，將開發好的模型部署在大數據分析平臺，實現實時預測，預測結果會推送到制造執行系統（MES），模組端的Aging機臺讀取預測結果指令后執行Aging動作，從而實現精準Aging功能。
在詳細介紹案例的實施過程之前，需要先介紹一下我們使用的RapidMiner軟件。
展開 【1月16-18日 北京+線上】全國人工智能Python機器學習與深度學習實戰培訓班
模型介紹
二十、自然語言處理項目實戰
1.用CNN訓練一個新的文本分類模型
2.用LSTM訓練一個新的文本分類模型
3.用Bert訓練一個新的文本分類模型
二十一、目標檢測模型介紹
1.目標檢測項目介紹 2.R-CNN模型介紹
3.SPPNET模型介紹 4.Fast-RCNN模型介紹
5.Faster-RCNN模型介紹
二十二、目標檢測模型實戰
1.項目安裝配置環境 2.準備數據集
3.使用訓練好的目標檢測模型進行預測
4.用自己的數據訓練新的目標檢測模型
二十三、輔助課程
1.針對學員面對的實踐問題展開討論、方案建議
2.建立QQ群、微信群（課后免費技術指導）
3.配備機器學習和深度學習開發教材，便于課后逐步提高能力。
展開 TPAMI2021|深度學習行人重識別綜述與展望
深度學習時代，主要包括不同類型的損失函數的設計及采樣策略的改進：
Identity Loss: 將Re-ID的訓練過程當成圖像分類問題，同一個行人的不同圖片當成一個類別，常見的有Softmax交叉熵損失函數；
Verification Loss：將Re-ID的訓練當成圖像匹配問題，是否屬于同一個行人來進行二分類學習，常見的有對比損失函數，二分類損失函數；
Triplet Loss：將Re-ID的訓練當成圖像檢索問題，同一個行人圖片的特征距離要小于不同行人的特征距離，以及其各種改進；
訓練策略的改進：自適應的采樣方式（樣本不均衡，難易程度）以及不同的權重分配策略
2.3 排序優化
用學習好的Re-ID特征得到初始的檢索排序結果后，利用圖片之間的相似性關系來進行初始的檢索結果優化，主要包括
重排序（re-ranking）和排序融合（rank fusion）等。
圖 4. 重排序示例
2.4 數據集和評價
主要包括現有的一些常用圖像和視頻數據集的概括，以及現有方法SOTA的一些總結和分析，希望綜述里面的一些分析能夠在大家進行模型設計時提供一些思路和幫助。具體分析詳見原文。
Open-World Re-ID
由于常規的 Closed-world Re-ID 在有監督的
實驗場景中已經達到或接近瓶頸了，現在很多的研究都更偏向于 Open-World Re-ID 場景，也是當前Re-ID研究的熱點。
展開 
行業分享丨TCL華星光電：AI 如何助力LCD顯示模組精準老化預測？
項目目標主要有兩個考量點：
其一，目前Aging線不良率大概在0.1% - 0.2%，實際上很多產品需要100% 通過Aging測試，但是大部分產品狀態經過老化之后也是一個優良品，因此需要進行合理化Aging測試以節約資源來識別少量的不良；
其二，到2025年，客戶端的漏放標準需收嚴到500dppm，其中與面內相關的漏放多為線不良，我們可以在廠內通過加嚴Aging（延長aging時間）提前攔截，避免不良片漏放到客戶端。我們的任務是利用AI建模完成一個二分類的預測任務，實現60%的SKIP率。
以往在完成對應制程后，需要100%對模組進行Aging測試，而現在通過AI預測Aging結果，對于合格樣本可直接跳過該環節，對于有問題的樣本則進行正常Aging測試。
我們的模型應用有三大指標：第一，SKIP率大于60%，要釋放60%的Aging測試產能；第二，模型精確率需達到99.95%以上；第三，降低客訴漏放風險，使得漏放率低于萬分之三。
項目方案的整體實施過程主要包括兩部分，第一部分是AI模型的構建，第二部分是在系統平臺進行串接。
在模型構建部分，我們首先分析了Aging線不良的相關異常原因，識別關鍵參數，下載了約10萬片數據樣本并進行數據加工，然后使用AI軟件進行模型開發和部署。
模型部署的整體路徑如下：通過良率管理系統（YMS）的數據獲取生產數據源，將開發好的模型部署在大數據分析平臺，實現實時預測，預測結果會推送到制造執行系統（MES），模組端的Aging機臺讀取預測結果指令后執行Aging動作，從而實現精準Aging功能。
在詳細介紹案例的實施過程之前，需要先介紹一下我們使用的RapidMiner軟件。
展開 基于深度學習的多目標跟蹤算法原理
也可以通過設計二分類代價，使相同目標的檢測特征匹配類型為 1，然不同目標的檢測特征匹配類型為 0，從而學習并輸出(0,1]之間的檢測匹配度。如果考慮已有軌跡與檢測之間的匹配，采用深度學習方法可以用于設計并計算軌跡之間的匹配相似度，這種方法可以認為是基于深度學習的高階特征匹配方法。使用深度學習計算高階特征匹配算法，可以學習多幀表現特征的高階匹配相似度，也可以學習運動特征的匹配相關度。下面將通過對基于孿生網絡的深度學習多目標跟蹤算法的詳細介紹，來說明基于深度學習的多目標跟蹤算法的詳細步驟。
基于對稱網絡的多目標跟蹤算法有很多種，而其中的一種便是采用 Siamese對稱卷積網絡，該算法以兩個尺寸相同的檢測圖像塊為輸入，輸出為兩個圖像塊是否屬于同一個目標的判別。通常有三種拓撲形式的 Siamese 網絡，其結構分別如下圖所示。經過實驗表明，第三種網絡結構能夠生成更好的判別效果，因此，Lealtaixe等人采用第三種拓撲形式的 Siamese 網絡訓練計算兩個檢測的匹配相似度，原始的檢測特征包括正則化的 LUV 圖像L1 和L2，以及包含 x，y 方向分量的光流圖像O1 和O2 ,然后吧這些圖像縮放到 121*53，疊加到一起構成 10 個通道的特征特征矩陣，將這個特征矩陣作為網絡的輸入。卷積網絡由三個卷積層、4 個全連接層以及二元分類損失層組成。
該網絡的損失函數如下公式所示，其中 phi(d1,d2) 表示檢測d1和檢測d2經過卷積之后得到的特征，y 表示是否對應相同目標，如果d1和d2, 來自同一個目標的檢測，則 y=1，否則 y=0。
展開 分類預測 | MATLAB實現WOA-CNN-LSTM-Attention數據分類預測
預測效果
使用教程
1 基本介紹
1.MATLAB實現WOA-CNN-LSTM-Attention數據分類預測，運行環境Matlab2021b及以上；
2.基于鯨魚優化算法（WOA）、卷積神經網絡（CNN）和長短期記憶網絡（LSTM）的數據分類預測程序；
3.多特征輸入單輸出的二分類及多分類模型。程序內注釋詳細，直接替換數據就可以用；過WOA優化算法優化學習率、卷積核大小、神經元個數，這3個關鍵參數，以測試集精度最高為目標函數
程序語言為matlab，程序可出分類效果圖，迭代優化圖，混淆矩陣圖；
4.data為數據集，輸入12個特征，分四類；main為主程序，其余為函數文件，無需運行，可在下載區獲取數據和程序內容。
5.適用領域：適用于各種數據分類場景，如滾動軸承故障、變壓器油氣故障、電力系統輸電線路故障區域、絕緣子、配網、電能質量擾動，等領域的識別、診斷和分類。
使用便捷：直接使用EXCEL表格導入數據，無需大幅修改程序。內部有詳細注釋，易于理解。
2 研究內容
注意力機制模塊：
SEBlock（Squeeze-and-Excitation Block）是一種聚焦于通道維度而提出一種新的結構單元，為模型添加了通道注意力機制，該機制通過添加各個特征通道的重要程度的權重，針對不同的任務增強或者抑制對應的通道，以此來提取有用的特征。該模塊的內部操作流程如圖，總體分為三步：首先是Squeeze 壓縮操作，對空間維度的特征進行壓縮，保持特征通道數量不變。融合全局信息即全局池化，并將每個二維特征通道轉換為實數。實數計算公式如公式所示。該實數由k個通道得到的特征之和除以空間維度的值而得，空間維數為H*W。其次是Excitation激勵操作，它由兩層全連接層和Sigmoid函數組成。
展開 計算機視覺中的傳統特征提取方法總結
訓練過程： 輸入圖像->圖像預處理->提取特征->訓練分類器（二分類）->得到訓練好的模型；
測試過程：輸入圖像->圖像預處理->提取特征->導入模型->二分類（是不是所要檢測的物體）。
Haar-like特征是很簡單的，無非就是那么幾種，如兩矩形特征、三矩形特征、對角特征。后來，還加入了邊緣特征、線特征、中心環繞特征等。使用積分圖可以加速計算特征。最后，使用集成的方法Adaboost進行訓練。
具體細節可以參考文章：
特征提取之Haar特征
https://link.jianshu.com/?t=http://blog.csdn.net/xizero00/article/details/46929261
再附一個Haar和HOG比較的問題：
為什么在行人檢測中，HOG特征比Haar特征更精確？
https://link.jianshu.com/?t=http://blog.csdn.net/DuinoDu/article/details/51981327
Conclusion
SIFT / HOG 不同點：SIFT提取的關鍵點是角點，HOG提取的是邊緣特征。
傳統特征提取 / CNN特征提取不同點：
傳統特征提取方法的檢測算子一般是人為設計好的，是經過大量的先驗知識總結得到的；CNN特征提取相當于在訓練一個個filter（過濾器、卷積核），這些filter相當于傳統特征提取方法中的檢測算子。因此，CNN特征提取是利用神經網絡的自主學習得到的。
展開 