深度强化学习是深度学习算法和强化学习算法的巧妙结合,它是一种新兴的通用人工智能算法技术,也是机器学习的前沿技术,DRL算法潜力无限,AlphaGo是目前该算法最成功的使用案例。
DRL算法以马尔科夫决策过程为基础,是在深度学习强大的非线性函数的拟合能力下构成的一种增强算法。
深度强化学习算法主要包括基于动态规划(DP)的算法以及基于策略优化的算法,这本书共10章,首先以AlphaGo在围棋大战的伟大事迹开始,引起对人工智能发展和现状的引见,进而引见深度强化学习的基本知识。
然后分别引见了强化学习(重点引见蒙特卡洛算法和时序差分算法)和深度学习的基础知识、功能神经网络层、卷积神经网络(CNN)、循环神经网络(RNN),以及深度强化学习的理论基础和当前主流的算法框架。
最后引见了深度强化学习在不同领域的几个应用实例。
DRL算法以马尔科夫决策过程为基础,是在深度学习强大的非线性函数的拟合能力下构成的一种增强算法。
深度强化学习算法主要包括基于动态规划(DP)的算法以及基于策略优化的算法,这本书共10章,首先以AlphaGo在围棋大战的伟大事迹开始,引起对人工智能发展和现状的引见,进而引见深度强化学习的基本知识。
然后分别引见了强化学习(重点引见蒙特卡洛算法和时序差分算法)和深度学习的基础知识、功能神经网络层、卷积神经网络(CNN)、循环神经网络(RNN),以及深度强化学习的理论基础和当前主流的算法框架。
最后引见了深度强化学习在不同领域的几个应用实例。
2019/3/8 21:17:23
145.91MB
1
1.在UCIrvineMachineLearning数据集上选择三个数据2.编写一种机器学习算法预测结果，并运用十次、十折交叉验证3.撰写报告，包含对数据集、算法、结果的描述以及源代码
2018/5/23 7:44:50
567KB
1
dlib-19.19.0-cp38-cp38-win32.whl免编译安装，快速使用。
Dlib是一个使用现代C++技术编写的跨平台的通用库,其中包含用于在C++中创建复杂软件以处理实际问题的机器学习算法和工具。
下载后在当前文件目录CMD执行pipinstalldlib-19.19.0-cp38-cp38-win32.whl安装即可。
Dlib是一个使用现代C++技术编写的跨平台的通用库,其中包含用于在C++中创建复杂软件以处理实际问题的机器学习算法和工具。
下载后在当前文件目录CMD执行pipinstalldlib-19.19.0-cp38-cp38-win32.whl安装即可。
2015/1/22 5:01:49
3MB
1
图像分类，顾名思义，是一个输入图像，输出对该图像内容分类的描述的问题。
它是计算机视觉的核心，实际应用广泛。
图像分类的传统方法是特征描述及检测，这类传统方法可能对于一些简单的图像分类是无效的，但由于实际情况非常复杂，传统的分类方法不堪重负。
现在，我们不再试图用代码来描述每一个图像类别，决定转而使用机器学习的方法处理图像分类问题。
目前，许多研究者使用CNN等深度学习模型进行图像分类;另外，经典的KNN和SVM算法也取得不错的结果。
然而，我们似乎无法断言，哪种方法对于图像分来问题效果最佳。
本项目中，我们做了一些有意思的事情：将业内普遍用于图像分类的CNN和迁移学习算法与KNN，SVM，BP神经网络进
它是计算机视觉的核心，实际应用广泛。
图像分类的传统方法是特征描述及检测，这类传统方法可能对于一些简单的图像分类是无效的，但由于实际情况非常复杂，传统的分类方法不堪重负。
现在，我们不再试图用代码来描述每一个图像类别，决定转而使用机器学习的方法处理图像分类问题。
目前，许多研究者使用CNN等深度学习模型进行图像分类;另外，经典的KNN和SVM算法也取得不错的结果。
然而，我们似乎无法断言，哪种方法对于图像分来问题效果最佳。
本项目中，我们做了一些有意思的事情：将业内普遍用于图像分类的CNN和迁移学习算法与KNN，SVM，BP神经网络进
2018/5/23 7:43:50
529KB
1
细粒度分析学科领域热点主题发展脉络并对利用机器学习算法对未来发展趋势进行准确预测研究。
[方法/过程]提出一种基于机器学习算法的研究热点趋势预测方法与分析框架，以基因工程领域为例利用主题概率模型识别WOS核心集中论文摘要数据研究热点主题并进行主题演化关联构建，然后选取BP神经网络、支持向量机及LSTM模型等3种典型机器学习算法进行预测分析，最初利用RE指标和精准度指标评价机器学习算法预测效果并对基因工程领域在医药卫生、农业食品等方面研究趋势进行分析。
[结果/结论]实验表明基于LSTM模型对热点主题未来发展趋势预测准确度最高，支持向量机预测效果次之，BP神经网络预测效果较差且预测稳定性不足，同时结合专家咨询和文献调研表明本文方法可快速识别基因领域研究主题及发展趋势，可为我国学科领域大势研判和架构调整提供决策支持和参考
[方法/过程]提出一种基于机器学习算法的研究热点趋势预测方法与分析框架，以基因工程领域为例利用主题概率模型识别WOS核心集中论文摘要数据研究热点主题并进行主题演化关联构建，然后选取BP神经网络、支持向量机及LSTM模型等3种典型机器学习算法进行预测分析，最初利用RE指标和精准度指标评价机器学习算法预测效果并对基因工程领域在医药卫生、农业食品等方面研究趋势进行分析。
[结果/结论]实验表明基于LSTM模型对热点主题未来发展趋势预测准确度最高，支持向量机预测效果次之，BP神经网络预测效果较差且预测稳定性不足，同时结合专家咨询和文献调研表明本文方法可快速识别基因领域研究主题及发展趋势，可为我国学科领域大势研判和架构调整提供决策支持和参考
2020/2/19 19:04:15
1.69MB
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