The assignment of machine learning course for post-graduates at BUAA EE, 2019.
本学期的机器学习大作业包括三个题目：手写数字识别、医学图像检测以及图像显著性检测，任选其一完成即可。由于难度不同，每题设置了不同的最高分：
1、手写数字识别：机器学习经典问题，在灰度图像中识别10类手写数字，属于分类问题。最高分90。
2、医学图像检测：利用彩色眼底图像判断是否患病，属于分类问题。最高分95。
3、图像显著性预测：在彩色图像中，预测人眼容易关注的区域（输出显著性图），属于回归问题。最高分100。
1、在训练集上训练机器学习模型。
2、在测试集上测试模型的性能。
3、提交实验报告与模型代码。
- 训练数据集（10类，共6万个数字）：以bmp格式存储在1-Digit-TrainSet.zip。
- 测试数据集（10类，共1万个数字）：以bmp格式存储在1-Digit-TestSet.zip。
每个数据集中，每个文件名的第一个数字代表它的真实分类（label），即ground truth。
测试集上的分类准确度。
- 训练数据集（2类，共1639幅图像）：以jpg格式存储在2-MedImage-TrainSet.zip。
- 测试数据集（2类，共250幅图像）：以jpg格式存储在2-MedImage-TestSet.zip。
每个数据集中，以disease开头的文件为患病图像，以normal开头的文件为无病图像。
最基本的指标是测试集上的分类准确度。考虑到患病与无病样本数量不均等，且两种误判（无病判断成患病、患病判断成无病）带来的风险不同，因此为了全面反映分类器性能，还可以给出精确率、AUC、ROC曲线（指标函数已给，在ROC文件夹中，代码使用详细见instruction.txt）或其他指标。
- 训练数据集（共1600幅待检测图像及1600幅对应的显著图）：以jpg格式存储在3-Saliency-TrainSet.zip中。
- 测试数据集（共400幅待检测图像及400幅对应的显著图）：以jpg格式存储在3-Saliency-TestSet.zip中。
每个数据集中，待检测图像为人眼直接观察的彩色图像，保存在Stimuli文件夹；对应的显著图(即ground truth)为相同尺寸的灰度图像，颜色越亮的区域代表显著性越强，保存在FIXATIONMAPS文件夹。考虑到图像内容可能对结果产生影响，每个数据集都包括20种不同类型的图像，存放在20个文件夹中（如Action，Affective，Art……），因此分析结果时，既可以给出总体性能，又可以按类型进行分析。
主观指标：预测显著图与ground truth显著图主观上对比。 客观指标：相关系数（CC）、KL散度（指标函数在metric.py文件中，可直接调用，内有使用说明），或其他衡量显著性图像相似程度的指标等。
百度云盘下载：https://pan.baidu.com/s/1mOCFxATcCkHGbK8Vdtv5yQ
DropBox下载：https://www.dropbox.com/sh/i79cbllw6763zxg/AAA3-jPaRlYHMvsMyRbtRRmaa?dl=0
两种途径下载后文件相同，任选其一即可。
作业报告格式包含：
1、问题描述
2、实验模型原理和概述
3、实验模型结构和参数
4、实验结果分析（包含训练集和测试集里的测试结果）,要求列举出一些失败案例并分析，分析指标提供越多，图表分析越详尽得分会考虑越高。
5、总结