# 一站式机器学习系统

**Repository Path**: PuJing1108/machine-learning-course-design

## Basic Information

- **Project Name**: 一站式机器学习系统
- **Description**: 一站式机器学习系统
技术栈:Python、PyQt5、MySQL、TensorFlow/Keras、Scikit-learn、MLP/CNN/ResNet、人脸识别、Git/Gitee
项目描述：独立开发集模型训练、实验管理、用户权限控制于一体的一站式机器学习系统，基于 PyQt5 搭建可视化 UI，集成 MLP/CNN/ResNet 三大算法，适配多数据集训练与预测，实现从数据上传到实验结果存储
- **Primary Language**: Python
- **License**: AGPL-3.0
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 0
- **Created**: 2024-06-17
- **Last Updated**: 2026-03-07

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# 一站式机器学习系统开发 
## 技术栈：
Python、PyQt5、MySQL、TensorFlow/Keras、Scikit-learn、MLP/CNN/ResNet、人脸识别、Git/Gitee

## 项目描述：独立开发集模型训练、实验管理、用户权限控制于一体的一站式机器学习系统，基于 PyQt5 搭建可视化 UI，集成 MLP/CNN/ResNet 三大算法，适配多数据集训练与预测，实现从数据上传到实验结果存储的全流程管理，兼顾实验灵活性与工程化规范。

## 核心工作与成果：
基于 PyQt5 开发可视化交互界面，实现用户 / 管理员双层权限登录（密码 + 人脸识别），完成用户信息、实验数据的增删改查，实现用户级数据隔离；
集成 MLP、CNN、ResNet 算法，基于 TensorFlow/Keras 搭建网络，通过动态调整输出类别数，实现同一网络结构适配 MNIST、手语字母等多数据集，支持超参数（学习率、批次大小等）自定义调整；
设计并实现 MySQL 数据库表结构（6 张核心表），完成实验数据、模型参数、用户信息的持久化存储，实验结果自动录入并实时展示 Accuracy/Loss 曲线，支持历史结果回溯与对比；
实现模型训练 - 保存 - 预测全流程，训练模型按数据集 + 算法命名，支持单张图片预测，自动匹配对应标签集，提升模型复用性；
基于 Git/Gitee 进行代码版本管理，创建独立开发分支，累计提交 47 次，持续修复 BUG、迭代功能，保证代码工程化与可维护性。


![项目功能介绍](image.png)


# 项目效果展示


![用户实验界面结果展示](image2.png)

![实验结果表展示](image3.png)






## 总结本次软件开发任务:
本次课程设计任务要求开发一套机器学习实验管理平台。该平台需集机器学习模型训练与信息管理于一体，具备以下核心功能：
1.用户管理：包括用户登录、个人信息修改、个人实验信息管理等。
2.数据集管理：允许用户上传和管理训练集与测试集。
3.模型及参数管理：支持多种机器学习模型的选择和配置，包括至少一种神经网络模型，并能调整至少三种不同的超参数。
4.实验结果管理：展示模型训练结果和评估指标，便于用户分析和比较。
5.应用预测：将训练好的模型应用于新数据集，并展示预测结果。
技术要求包括使用PyQt5进行界面设计，MySQL作为数据库服务器，Scikit-Learn或百度飞浆等作为机器学习模块，Gitee进行代码管理，以及使用VSCode作为开发工具

## 软件开发心得体会。
通过本次软件设计开发，我获得了宝贵的实践经验和深刻的学习体会：
MySQL数据库：我学习了数据库的设计和管理，包括E-R图的绘制、表结构的设计、数据规范化以及SQL语句的编写。这些技能让我能够高效地存储和管理数据。
PyQt5 UI界面：通过PyQt5，我掌握了如何设计用户友好的图形界面，这不仅提升了用户体验，也加深了我对事件驱动编程的理解。
嵌入式SQL语句：学习嵌入式SQL让我理解了程序与数据库交互的重要性，提高了数据处理的效率。
进程与线程：了解进程与线程的概念和应用，增强了我的程序性能优化能力。
神经网络：我深入学习了数据预处理、模型结构设计、模型训练和预测等关键环节，这些是构建高效机器学习模型的基础。
PyQt组件与后端联动：我学会了如何将前端界面与后端逻辑紧密结合，实现动态的用户交互。
函数参数之间的互相调用：掌握了函数间参数传递和调用机制，提高了代码的模块化和复用性。
Gitee仓库代码管理：通过Gitee，我实践了代码版本控制，这不仅帮助我管理代码变更，也促进了团队协作。
多个数据集与算法之间的处理：我学会了如何根据不同的数据集选择合适的算法，并进行相应的超参数调整，以获得最优模型性能。