石头剪刀布检测
2026 暑期 Python 课程项目合集，覆盖 Python 基础语法、机器学习回归预测、学生行为数据分析，以及基于 YOLO11n 的石头剪刀布手势识别。
Python 基础练习
14 个入门练习：数据类型、流程控制、函数、列表与字典等基础语法全覆盖。
加州房价预测
随机森林回归预测加州房价中位数，R² = 0.805。验证收入与地理位置是核心影响因素。
学生行为分析
Kaggle 真实数据集，分析学习时间、屏幕时间等对 CGPA 的影响，多模型对比。
YOLO11n 手势识别
🪨📄✂️ 实时检测剪刀/石头/布，验证集 mAP50 = 0.940，毫秒级推理。
Python 程序设计基础
入门级 Python 编程练习，零第三方依赖
数据类型
1.1.py— 正整数平方1.2.py— 格式化输出录取信息1.3.py— 直角三角形斜边长
运算符 & 表达式
2.1.py— 两点间欧几里得距离2.2.py— 三位数各位立方和2.3.py— 字母出现次数（不区分大小写）
流程控制 & 函数
3.1-3.2— 成绩等级 / 字符类型4.1-4.2— 位数判断 / 阶乘求和5.1-5.2— 函数封装与数学计算6.1-6.2— 列表推导式 / 字典映射
加州房价预测 — 随机森林回归
scikit-learn · California Housing Dataset
数据集
California Housing — scikit-learn 内置数据集
- 样本量：20,640 条街区数据
- 特征数：8 个（收入中位数、房龄、房间数、人口、地理位置等）
- 目标：MedHouseVal（房价中位数，$100K）
模型评估
特征重要性 Top 4
MedInc（收入中位数） > AveOccup（平均居住人数） > Latitude / Longitude（地理位置） > HouseAge
收入水平是房价的最强预测因子，地理位置的重要性反映了加州不同区域的房价差异。
学生数字行为与学习表现分析
Kaggle 真实数据集 · 线性回归 vs 随机森林
数据集
Student Lifestyle and Academic Performance（Kaggle）
- 12 个字段：Age, Branch, Study_Hours, Sleep_Hours, Screen_Time, Gym, Diet, Attendance, Stress, Residence, Internal_Marks, CGPA
- 目标变量：CGPA（绩点，0~10）
- 排除 Internal_Marks 避免数据泄漏
数据清洗流程
- 字段筛选 → 去重
- 数值字段：中位数填充缺失值
- 分类字段：众数填充
- 异常值过滤（年龄、学习时间等合理范围）
- 分类变量：独热编码（drop_first）
可视化分析（6 张图表）
屏幕时间分布
右偏态分布，大部分学生每日屏幕时间 3~8 小时
学习时间 vs CGPA
清晰的正相关，学习 6~8h/天的学生 CGPA 普遍更高
特征重要性 Top 3
学习时间 > 出勤率 > 屏幕时间
石头剪刀布手势识别 — YOLO11n
🪨📄✂️ Ultralytics · PyTorch · 目标检测
数据集
rock-paper-scissors-sxsw（Roboflow v11）
- 总计 15,874 张图片
- 训练集 14,966 / 验证集 588 / 测试集 320
- 3 个类别：Paper（布）、Rock（石头）、Scissors（剪刀）
- 输入尺寸：640×640
数据增强
每张原图生成 7 个增强版本：
- 水平翻转（50%）、随机旋转 ±12°
- 剪切 ±2°、亮度/曝光 ±25%
- 高斯模糊 0~1.5px、椒盐噪声 1%
训练配置
评估结果
验证集
测试集
各类别性能
📄 Paper
🪨 Rock
✂️ Scissors
应用模式
单张图片推理
对任意手势照片进行识别，识别结果以边界框 + 标签形式标注，保存到输出目录。
实时摄像头检测
调用系统摄像头（1280×720）实时捕获，每帧推理毫秒级，窗口显示 FPS 帧率，按 Q 键退出。
评估脚本
验证集评估、测试集评估、数据集下载工具，完整覆盖训练到部署全流程。