多层感知器实现，机器学习，神经网络，稍事修改即可实现手写数字识别，鸢尾花识别实验等

这种用于识别手写数字的基于CNN的模型在训练12个时期之后获得99.2%的验证准确度。 它在Kaggle的MNIST数据集上训练

使用耶鲁大学数据集，用神经网络的方法实现人脸识别，具体内容如下使用无监督学习中的自编码器生成分类器，再用有监督学习里的支持向量机加三层卷积神经网络对其进行训练，最终达到预想的准确率，代码注释很详细，

Neural network for modulation recognition

用VC实现神经网络来识别手写输入的数字

基于神经网络的手写体数字识别，它是用matlab实现的，其中用3种不同的神经的网络方法实现了手写体数字的识别，非常利于初学者的学习和交流。

C语言实现神经网络手写数字识别_LeNet-5

1、Mnist_cnn.py该脚本文件用TensorFlow框架实现CNN卷积神经网络处理Mnist手写数字识别数据集，准确率达到99.21%；2、Mnist_cnn_tensorboard.py该脚

鸢尾花IRIS数据集-聚类分析机器学习

用于机器学习分类的数据集,鸢尾花分类数据集,文件格式为 .csv。数据完整。总共150个样本数据,标签包括Sepallength, SepalWidth, PetalLength, PetalWidt

example4_1~example4_7为【单层感知器相关函数详解】中各个实例对应的代码脚本。 perception_hand.m为【单层感知器应用实例】手算部分的代码，修改后用于线性不可分问题的代