进行机器学习一分钟后

这个协议。NET框架是一个。NET机器学习框架组合音频和图像处理库完全用C#编写。这是一个完整的构建生产级计算机视觉、计算机听觉、信号的框架甚至处理和统计应用程序用于商业用途.一整套示例应用程序提供快速启动和快速运行，以及广泛的文档和维基有助于填补空缺详细信息。

分类.

支持向量机,对数几率回归,决策树,神经网络,深度学习（深度神经网络）,贝叶斯正则化的Levenberg-Marquardt,受限波尔兹曼机,序列分类,隐马尔可夫分类器和隐藏条件随机字段.

回归.

多元线性回归,多元线性回归,多项式回归，对数回归。逻辑回归,多项式logistic回归（softmax）和广义线性模型.L2正则化L2损失逻辑回归,L2-正则逻辑回归,L1-正则逻辑回归,对偶形式的L2-正则逻辑回归和回归支持向量机.

群集.

聚类,K模式,Mean-Shift公司,高斯混合模型,二进制拆分,深度信念网络,受限波尔兹曼机.聚类算法可以应用于任意数据，包括图像、数据表、视频和音频.

分配.

参数化和非参数估计超过40个分布。单变量的分配，如正常,柯西,超几何的,泊松,伯努利和专门的发行版，如这个科尔莫戈罗夫·斯米尔诺夫,中关村,韦布尔、和米赛斯分配。多变量分布，如多元正态分布,多项式,独立,接头和混合物分布.

假设检验.

超过35项统计假设检验，包括单向和双向方差分析测试，非参数测试，如Kolmogorov-Smirnov检验和中间带的符号测试,列联表测试，如Kappa检验，有以下变化多个表，以及巴克卡和鲍克牌手表测验；和更传统的Chi-Square公司,Z轴,F类,吨和Wald测试.

内核方法.

核支持向量机,多类和多标签机器,顺序最小优化,Least-Squares学习,概率学习，包括特殊方法直线电机例如LIBLINEAR的方法线性坐标下降,线性牛顿法,概率坐标下降,对偶中的概率坐标下降,对偶和原始公式中L1和L2机器的概率牛顿法.

成像.

兴趣点和特征点检测器，如哈里斯,怪胎,冲浪、和快速.灰度共生矩阵,边界跟随,视觉词汇袋（BoW）,基于RANSAC的单应性估计,积分图像,haralick纹理特征提取,和密集的描述符，如定向梯度直方图和本地二进制模式（LBP）.几个用于图像处理应用的图像滤波器例如高斯差分,加博,尼布莱克和Sauvola阈值.

音频和信号.

加载、解析、保存、筛选和转换音频信号，例如申请音频处理滤波器在空间和频域.WAV文件,音频捕获，时域滤波器，例如信封,高质量,低通，低通,波形校正过滤器。频域操作员，如差动整流滤波器和Diracδ函数梳状滤波器.信号发生器余弦,冲动,方形信号。

愿景.

实时人脸检测和跟踪，以及检测,跟踪和变换图像流中的对象。包含级联定义,Camshift（凸轮轴换档）和动态模板匹配跟踪器。包括预先创建的人脸分类器以及一些面部特征，例如鼻子.

立即开始！

示例应用程序.

示例应用程序可帮助您快速开始编写应用程序。只是获取一个最接近您目标的示例应用程序，然后启动从那里。

轻松创建和测试新的学习算法.

策略和模板方法模式可以帮助您快速交换学习算法。在不深入研究代码的情况下创建、构建和比较不同的方法。检查a已完成工程清单框架.

问你的问题.

堆栈溢出为持续监控包含“Accord.NET”标签的新问题.询问您的新问题并用这个标签标记，框架将在一分钟内回答作者和用户社区。

注：如果您想问有关框架的问题本身，例如关于“为什么”以一种特殊的方式做了一些事情，建议和一般性讨论，不使用堆栈溢出-请参考到项目的问题跟踪器并用“问题”标签标记您的问题而不是。对于错误和功能请求，也请使用问题跟踪器。如果该项目对您有用，请考虑帮助我们改进wiki.谢谢！