本文主要的目标读者是机器学习爱好者或数据科学的初学者，以及对学习和应用机器学习算法解决实际问题抱有浓厚兴趣的读者。
面对大量的机器学习算法，初学者通常会问自己一个典型的问题：「我该使用哪一种算法?」有很多因素会影响这一问题的答案，比如：数据的大小、质量及性质可用计算时间任务的急迫性数据的使用用途在没有测试过不同算法之前，即使是经验丰富的数据科学家和机器学习算法开发者也都不能分辨出哪种算法功能最好。
我们并不提倡一步到位，但是我们确实希望根据一些明确的因素为算法的选择提供一些参考意见。
机器学习算法速查表可帮助你从大量算法之中筛选出解决你的特定问题的算法，同时本文也将介绍如何使用该速查表。
由于该速查表
面对大量的机器学习算法，初学者通常会问自己一个典型的问题：「我该使用哪一种算法?」有很多因素会影响这一问题的答案，比如：数据的大小、质量及性质可用计算时间任务的急迫性数据的使用用途在没有测试过不同算法之前，即使是经验丰富的数据科学家和机器学习算法开发者也都不能分辨出哪种算法功能最好。
我们并不提倡一步到位，但是我们确实希望根据一些明确的因素为算法的选择提供一些参考意见。
机器学习算法速查表可帮助你从大量算法之中筛选出解决你的特定问题的算法，同时本文也将介绍如何使用该速查表。
由于该速查表
2020/8/24 5:29:53
497KB
1
FashionMNIST数据集的png格式将FashionMNIST数据集整理为训练集和测试集文件夹，训练集和测试集里各含名称为0-9的10个文件夹，共60000张训练集，10000张测试集，图片格式pngFashionMNIST是一个替代MNIST手写数字集[1]的图像数据集。
它是由Zalando（一家德国的时尚科技公司）旗下的研究部门提供。
其涵盖了来自10种类别的共7万个不同商品的正面图片。
FashionMNIST的大小、格式和训练集/测试集划分与原始的MNIST完全一致。
60000/10000的训练测试数据划分，28x28的灰度图片。
你可以直接用它来测试你的机器学习和深度学习算法功能，且不需要改动任何的代码。
它是由Zalando（一家德国的时尚科技公司）旗下的研究部门提供。
其涵盖了来自10种类别的共7万个不同商品的正面图片。
FashionMNIST的大小、格式和训练集/测试集划分与原始的MNIST完全一致。
60000/10000的训练测试数据划分，28x28的灰度图片。
你可以直接用它来测试你的机器学习和深度学习算法功能，且不需要改动任何的代码。
2021/3/18 16:51:04
39.06MB
1
模仿学习此仓库包含一些强化学习算法的简单PyTorch实现：优势演员评论家（A2C）的同步变体近端策略优化（PPO）-最受欢迎的RL算法，，，策略上最大后验策略优化（V-MPO）-DeepMind在其上次工作中使用的算法（尚不起作用...）行为克隆（BC）-一种将某些专家行为克隆到新策略中的简单技术每种算法都支持向量/图像/字典观察空间和离散/连续动作空间。
为什么回购被称为“模仿学习”？当我开始这个项目并进行回购时，我认为模仿学习将是我的主要重点，并且无模型方法仅在开始时用于培训“专家”。
但是，PPO实施（及其技巧）似乎比我预期的花费了更多时间。
结果，现在大多数代码与PPO有关，但是我仍然对模仿学习感兴味，并打算添加一些相关算法。
当前功能目前，此仓库包含一些无模型的基于策略的算法实现：A2C，PPO，V-MPO和BC。
每种算法都支持离散（分类，伯努利，GumbelSoftmax）和连续（贝塔，正态，tanh（正态））策略分布以及矢量或图像观察环境。
Beta和tanh（Normal）在我的实验中效果最好（在BipedalWalker和Huma
为什么回购被称为“模仿学习”？当我开始这个项目并进行回购时，我认为模仿学习将是我的主要重点，并且无模型方法仅在开始时用于培训“专家”。
但是，PPO实施（及其技巧）似乎比我预期的花费了更多时间。
结果，现在大多数代码与PPO有关，但是我仍然对模仿学习感兴味，并打算添加一些相关算法。
当前功能目前，此仓库包含一些无模型的基于策略的算法实现：A2C，PPO，V-MPO和BC。
每种算法都支持离散（分类，伯努利，GumbelSoftmax）和连续（贝塔，正态，tanh（正态））策略分布以及矢量或图像观察环境。
Beta和tanh（Normal）在我的实验中效果最好（在BipedalWalker和Huma
2016/4/5 15:54:46
11.42MB
1
书籍为英文版的，中文版的我手头上有实体书，就没找，应该很好找，内容包括英文书籍，算法的伪代码，课后习题答案，4-11章的matlab代码，英文版的答案和中文书籍完满对应，可放心食用~
2021/6/21 4:31:52
127.91MB
1
该框架利用多核CPU处理能力，用于训练和评估加强学习Agent。
Coach包含一些领先的加强学习算法的多线程实现，适用于各种游戏和机器人环境。
它能够在台式计算机上高效地训练强化学习Agent，而无需任何额外的硬件。
Coach包含一些领先的加强学习算法的多线程实现，适用于各种游戏和机器人环境。
它能够在台式计算机上高效地训练强化学习Agent，而无需任何额外的硬件。
2016/10/25 7:50:55
41.85MB
1
21世纪前两个十年，在大规模GPU服务器并行计算、大数据、深度学习算法和类脑芯片等技术的推动下，人类社会相继进入互联网时代、大数据时代和人工智能时代。
当前，随着移动互联网发展红利逐渐消失，后移动时代已经来临。
当新一轮产业变革席卷全球，人工智能成为产业变革的核心方向：科技巨头纷纷把人工智能作为后移动时代的战略支点，努力在云端建立人工智能服务的生态系统；
传统制造业在新旧动能转换，将人工智能作为发展新动力，不断创造出新的发展机遇。
当前，随着移动互联网发展红利逐渐消失，后移动时代已经来临。
当新一轮产业变革席卷全球，人工智能成为产业变革的核心方向：科技巨头纷纷把人工智能作为后移动时代的战略支点，努力在云端建立人工智能服务的生态系统；
传统制造业在新旧动能转换，将人工智能作为发展新动力，不断创造出新的发展机遇。
2016/8/26 19:29:08
20.31MB
1
2019牛客网校招面试题库(附答案)机械学习算法篇【电子版】10牛币=10元买的祝大家早日收到机械学习算法的Offer
2017/10/9 7:49:28
4.22MB
1
用matlab实现了机器学习中的感知机学习算法（perceptronalgorithm），利用前500个样本值训练分类器，用剩余样本做测试。
2021/3/21 18:16:26
4KB
1
在日常工作中，钉钉打卡成了我生活中不可或缺的一部分。然而，有时候这个看似简单的任务却给我带来了不少烦恼。
每天早晚，我总是得牢记打开钉钉应用，点击"工作台"，再找到"考勤打卡"进行签到。有时候因为工作忙碌，会忘记打卡，导致考勤异常，影响当月的工作评价。而且，由于我使用的是苹果手机，有时候系统更新后，钉钉的某些功能会出现异常，使得打卡变得更加麻烦。
另外，我的家人使用的是安卓手机，他们也经常抱怨钉钉打卡的繁琐。尤其是对于那些不太熟悉手机操作的长辈来说，每次打卡都是一次挑战。他们总是担心自己会操作失误，导致打卡失败。
为了解决这些烦恼，我开始思考是否可以通过编写一个全自动化脚本来实现钉钉打卡。经过一段时间的摸索和学习，我终于成功编写出了一个适用于苹果和安卓系统的钉钉打卡脚本。
2024-04-09 15:03
15KB