幻象客 - 博客分类页面

    手把手教你人脸识别自动开机


    in 干货 , 技术原理 , 教程—智能化普通家居 , 机器学习 , 神经网络及深度学习 2019-06-23

    是不是厌烦了每次回家都要点击按钮打开电脑的操作?

    你如果有看过我以前的推送,是不是厌烦了每次回家都要喊“echo,turn on my pc”,让智能音箱打开电脑的操作?

    现在,我们有一个全新的操作,坐到椅子上就能让电脑开机!

    (避免你跟我一样,拥有一口蹩脚的英语,让echo听不懂的尴尬)

    本教程所需要的工具及应用:

    1. 一个树莓派3

    2. 一个可在树莓派3上运行的摄像头(我用的是罗技C270,树莓派官方摄像头也可以)

    3. Python3

    4. 路由器一台,及支持WakeOnLan的主机(大部分都支持)

    如果你只是想在windows/macos上尝试一下人脸识别,而不需要进行自动开机。

    1. Python3

    2. 一个可运行的摄像头

    自动开机效果演示:

    看不到的话可以访问链接:

    人脸识别开机

    1. 安装必要的组件

    windows/macOS:

    pip install opencv-python

    非常简单,和树莓派的安装复杂度不是一个级别的。

    树莓派:

    在树莓派上的安装过程比较复杂,需要耐心折腾,分为以下步骤:

    1.1 安装Cmake等编译openCV源码的工具
    sudo apt-get install build-essential cmake pkg-config
    1.2 安装几种常见格式的图像操作的包
    sudo apt-get install libjpeg...

    阅读更多...

    [准确率73%]向LSTM股价预测模型加入特朗普因子,准确率提升5%


    in 干货 , 技术原理 , 机器学习 , 神经网络及深度学习 , 算法 2019-05-22

    上一次推送中,我们使用LSTM基于26种日指标进行股票的预测,准确率达到68%(链接:[准确率:68%]基于日指标使用LSTM预测股价是否上涨(完善版)),今天我们准备再加一种指标,那就是特朗普指标,看看能否让准确率有所提升。

    这个特征应该怎么表示呢?我们提取特朗普的推特中包含“中国”的所有推特,并对他们进行感情色彩分类,分类标准使用艾克曼的六种基本情绪,分别为:

    Anger 1 生气

    Disgust 2 恶心

    Fear 3 害怕

    Joy 4 开心

    Sadness 5 伤心

    Sur、prise 6 惊奇

    其中,数字是我们将这些情感数字化后的特征。我们选取离那个交易日最近的包含中国关键词的特朗普推送的情感状态,作为那个交易日的特朗普因子特征。

    特朗普推特

    当然还会出现像下面这种情况,离我们发送推送的今天最近的推特里,特朗普那天发了9条推特,其中6条开心,1条害怕,2条生气,我们这个时候为了简化问题,取出现次数最多的一种情感作为特征。

    此外,我们还需要一个时间戳作为特征,直接选取当时发推的时间即可。

    将类似这样的特征放入到我们上一次的训练集的每一条的最后进行训练:

    4 1467129600.0

    训练100次,其实从损失和准确率曲线上看,还有继续训练的空间,但是为了和上一次形成对比,我们就训练100次吧:

    训练过程

    model lost

    增加特朗普因子之后的测试结果如下:

    增加因子

    增加特朗普因子之前的测试结果如下:

    阅读更多...

    [准确率:68%]基于日指标使用LSTM预测股价是否上涨(完善版)


    in 干货 , 机器学习 , 神经网络及深度学习 2019-05-15

    最近因为(财务自由需要)个人项目需要,在研究一些股票预测的算法,试过PEG的估值,也试过其他一些估值方法,但是效果都不是很好,今天我们来试一下用LSTM进行上涨预测。请注意,这只是一次具有学习性质的尝试,我也不会用这个模型进行实质性的操作。(以下的“天”指交易日)

    如何提取上涨特征?

    单纯使用开盘价、收盘价的上涨特征是毫无意义的,因为这样的特征不明显,和赌博没有区别。研究历史日线数据时,我们应该让模型学习到某一天之后的x天上涨y%的原因,这样才能使用当前交易日的数据预测未来x天是否会上涨。

    然而这个原因是比较复杂的,当前行情、财务报告、市场情绪等各方面都对其有影响。在我们这次实验中,我们使用下方两个表格的指标进行训练,除了股票代码编号和该交易日日期,其余全部参与训练。为了简化问题,我们将是否上涨视为二分类问题。

    选取标准:若自当前交易日起未来十天内,该股票平均上涨大于4%,则将当日以下指标数据(合并为一条,以空格区分开)纳入上涨训练集。否则纳入不上涨训练集。

    每日行情:

    • open 开盘价
    • high 最高价
    • low 最低价
    • close 收盘价
    • pre_close 昨收价
    • pre2_close 2天前收盘价
    • pre3_close 3天前收盘价
    • pre4_close 4天前收盘价
    • pre5_close 5天前收盘价
    • change 涨跌额
    • pct_c...

    阅读更多...

    [准确率:98%] 改进朴素贝叶斯自动分类食品安全新闻


    in Python , 机器学习 , 神经网络及深度学习 , 程序语言 , 算法 2018-11-29

    这是本系列第二篇文章,位于源代码的 2. NB_Weights 中:

    https://github.com/Ckend/NLP_DeepLearning_CN_Tutorial

    前一篇文章中,我们学习了如何使用朴素贝叶斯自动分类食品安全新闻,准确率为97%,这一篇文章将教大家如何改进这个模型。阅读本篇文章之前,建议先阅读前一篇文章:[准确率:97%] 朴素贝叶斯自动分类食品安全新闻,否则有些概念可能无法理解。

    在那篇文章中,在训练的时候,朴素贝叶斯模型中所有词语都是相同的权重,而事实上真的如此吗?我们怎么样才可以知道哪些词语更加重要呢?这时候,数理统计就派上用场了。

    我们先对所有的食品安全新闻和非食品安全新闻使用结巴(jieba)分词, 然后统计各个词性在这分别在这两个类别中的数量,比如说名词的结果如下表(使用SPSS得到,其他词性就不一一展示了),显然食品安全新闻中名词的数量多于非食品安全新闻,这也是在人意料之中的结果,但是这并不代表着对于食品安全新闻,名词的重要性就大于其他的词性:

    改进朴素贝叶斯-1

    那么如何确定各个词性对分类的重要性呢?单纯根据频率和频数确定是比较复杂的,我们可以尝试使用我们的模型,比如说,先得到一个基准的准确值,然后尝试去除掉名词得到一个准确值,观察这两个准确值的差距,如果非常大,说明名词具有比较重要的地位。我们可以试一下:

    在所有词性权重都为1的情况下(基准)进行训练

    阅读更多...

    [准确率:97%] 朴素贝叶斯自动分类食品安全新闻


    in Python , 机器学习 , 算法 2018-11-08

    教程源代码点击阅读原文或访问:

    https://github.com/Ckend/NLP_DeepLearning_CN_Tutorial

    利用朴素贝叶斯来分类食品安全新闻(标题)这种短文本其实精确度并不高,在实际的生产中,由于食品安全和非食品安全的数量差异,我们会发现1000条新闻中可能才出现2条食品安全新闻,也就是说,即便你的模型准确率为95%,1000条新闻中依然会有许多新闻 (50条) 会被错分类,这是一个非常糟糕的结果。因此在生产环境中,如果模型准确率不能高达99%,甚至都无法使用。在我们的研究下,使用朴素贝叶斯,我们的准确率能提高到97%,使用改进的朴素贝叶斯准确率能达到98%以上,使用字符级的卷积神经网络甚至能达到99%,后续的教程我会介绍这两种方法。

    为了后续的教程,我们还是先利用最简单的朴素贝叶斯来理解“训练”这个概念。为了尽量简化教程的难度,我尽量不使用数学公式进行讲解,更多的以自然语言和Python代码进行分析。在这个教程中,你所需要的东西有:

    python 3

    jieba 分词

    numpy

    sklearn (用joiblib保存模型)

    训练

    朴素贝叶斯的训练,其实就是遍历整个训练集,算出每个词语在不同的分类下出现的概率(该词语/该分类总词数)。最后得到两个向量,这两个向量分别代表了每个词语在食品安全新闻和非食品安全新闻中出现的概率。

    for i in r...

    阅读更多...

    语音控制 - 改造普通台灯


    in 技术原理 , 教程—智能化普通家居 , 神经网络及深度学习 2018-09-21

    教你如何利用智能音箱搭配树莓派,将普通台灯改造成可以用语音控制的智能设备!

    阅读更多...

    语音控制 - 改造普通风扇


    in 干货 , 技术原理 , 教程—智能化普通家居 , 神经网络及深度学习 2018-07-31

    利用智能音箱和树莓派,加一个三极管,改造普通风扇,使其可以被语音控制!

    阅读更多...

    使用决策树判断各种标准对新生加入社团的影响


    in Python , 机器学习 , 程序语言 , 算法 2017-09-23

    决策树 新生 社团 加入 标准

    倘若我们拥有许多数据,而且能够恰当地使用决策树,我相信将能创造不小的价值

    由于微信编辑器的问题,没办法上传源代码上来若您需要源代码进行参考请访问https://alltoshare.com/dt_judge/

    在尝试的过程中,您或许会发现很多问题,比如Python中文编码问题,matplotlib编码问题等等,希望在这过程中您可以妥善地利用搜索引擎解决问题

    其实决策树的应用非常广泛,尤其是在预测方面,我所介绍的不过其冰山一角。更详细的参考文献,请看维基百科https://zh.wikipedia.org/wiki/%E5%86%B3%E7%AD%96%E6%A0%91

    幻象客 二维码

    阅读更多...