用java计算大数的阶乘，记得应该可以十秒内算出1000以内阶乘（时间很久了，大概是这样）。
理论上是可以算无限大的数的阶乘的。
可以作为程序设计实验课的作业。
核心算法，没有赔UI。
复制粘贴即可运行
理论上是可以算无限大的数的阶乘的。
可以作为程序设计实验课的作业。
核心算法，没有赔UI。
复制粘贴即可运行
2024/7/23 7:16:15
4KB
1
基于Kociemba算法的魔方还原程序源码，Java编写，压缩包含有多个demo，及eclipse工程文件，可快速移植核心算法至其他应用
2024/7/23 1:11:48
1.64MB
1
人脸检测作为物体检测问题的一个特例,长期以来一直备受关注,已经开始广泛应用到全新人机界面、基于内容的检索、基于目标的视频压缩、数字视频处理、视觉监测等许多领域。
本论文研究的是如何准确地在复杂背景的灰度或彩色图像中测人脸,同时验证了结合肤色等多种信息融合的方法是提高检测速度的有效途径之一。
利用目前较为流行的AdaBoost算法的一个改进算法——GentleAdaBoost算法,设计实现了以这个算法为核心的快速人脸检测系统,系统分训练和检测两部分,训练的最终目的就是得到一多层分类器结构,人脸检测的效率和检测速度在很大程度上是由这种结构形式决定的。
通过一系列的比较得出样本选取、特征选取、核心算法等很多因素影响着多层分类器的结构形式。
本论文研究的是如何准确地在复杂背景的灰度或彩色图像中测人脸,同时验证了结合肤色等多种信息融合的方法是提高检测速度的有效途径之一。
利用目前较为流行的AdaBoost算法的一个改进算法——GentleAdaBoost算法,设计实现了以这个算法为核心的快速人脸检测系统,系统分训练和检测两部分,训练的最终目的就是得到一多层分类器结构,人脸检测的效率和检测速度在很大程度上是由这种结构形式决定的。
通过一系列的比较得出样本选取、特征选取、核心算法等很多因素影响着多层分类器的结构形式。
2024/6/24 19:03:18
1.38MB
1
《强化学习精要核心算法与TensorFlow实现》冯超著共386页；
内容简介《强化学习精要:核心算法与TensorFlow实现》用通俗幽默的语言深入浅出地介绍了强化学习的基本算法与代码实现，为读者构建了一个完整的强化学习知识体系，同时介绍了这些算法的具体实现方式。
从基本的马尔可夫决策过程，到各种复杂的强化学习算法，读者都可以从本书中学习到。
本书除了介绍这些算法的原理，还深入分析了算法之间的内在联系，可以帮助读者举一反三，掌握算法精髓。
书中介绍的代码可以帮助读者’快速将算法应用到实践中。
《强化学习精要:核心算法与TensorFlow实现》内容翔实，语言简洁易懂，既适合零基础的人员人门学习，也适合相关科研人员研究参考。
内容简介《强化学习精要:核心算法与TensorFlow实现》用通俗幽默的语言深入浅出地介绍了强化学习的基本算法与代码实现，为读者构建了一个完整的强化学习知识体系，同时介绍了这些算法的具体实现方式。
从基本的马尔可夫决策过程，到各种复杂的强化学习算法，读者都可以从本书中学习到。
本书除了介绍这些算法的原理，还深入分析了算法之间的内在联系，可以帮助读者举一反三，掌握算法精髓。
书中介绍的代码可以帮助读者’快速将算法应用到实践中。
《强化学习精要:核心算法与TensorFlow实现》内容翔实，语言简洁易懂，既适合零基础的人员人门学习，也适合相关科研人员研究参考。
2024/4/26 21:52:43
76.54MB
1
python预测分析核心算法（含大量实例代码）在学习和研究机器学习的时候，面临令人眼花缭乱的算法，机器学习新手往往会不知所措。
本书从算法和Python语言实现的角度，帮助读者认识机器学习。
本书专注于两类核心的“算法族”，即惩罚线性回归和集成方法，并通过代码实例来展示所讨论的算法的使用原则。
全书共分为7章，详细讨论了预测模型的两类核心算法、预测模型的构建、惩罚线性回归和集成方法的具体应用和实现。
本书主要针对想提高机器学习技能的Python开发人员，帮助他们解决某一特定的项目或是提升相关的技能
本书从算法和Python语言实现的角度，帮助读者认识机器学习。
本书专注于两类核心的“算法族”，即惩罚线性回归和集成方法，并通过代码实例来展示所讨论的算法的使用原则。
全书共分为7章，详细讨论了预测模型的两类核心算法、预测模型的构建、惩罚线性回归和集成方法的具体应用和实现。
本书主要针对想提高机器学习技能的Python开发人员，帮助他们解决某一特定的项目或是提升相关的技能
2024/3/13 4:49:50
16.38MB
1
将实现各个平台上能快速使用的音频处理库。
核心算法包括：NS（NoiseSuppression噪声抑制）VAD（VoiceActivityDetection静音检测）AECM（AcousticEchoCancellerforMobile声学回声消除）AGC（AutoGainControl自动增益控制）现在只有一个AndroidDemo。
核心算法包括：NS（NoiseSuppression噪声抑制）VAD（VoiceActivityDetection静音检测）AECM（AcousticEchoCancellerforMobile声学回声消除）AGC（AutoGainControl自动增益控制）现在只有一个AndroidDemo。
2024/2/29 20:35:17
490KB
1
RFID定位算法研究，最近邻居定位算法是LANDMARC系统的核心算法，本文详细分析了该算法并加以改进，引入动态参考标签概念，使位置估计更准确。
实验结果证明，该改进算法提高了系统的定位精度。
实验结果证明，该改进算法提高了系统的定位精度。
2024/2/21 19:44:08
1.4MB
1
1.C4.5：是机器学习算法中的一种分类决策树算法，其核心算法是ID3算法。
2.K-means算法：是一种聚类算法。
3.SVM：一种监督式学习的方法，广泛运用于统计分类以及回归分析中4.Apriori：是一种最有影响的挖掘布尔关联规则频繁项集的算法。
5.EM：最大期望值法。
6.pagerank：是google算法的重要内容。
7.Adaboost：是一种迭代算法，其核心思想是针对同一个训练集训练不同的分类器然后把弱分类器集合起来，构成一个更强的最终分类器。
8.KNN：是一个理论上比较成熟的的方法，也是最简单的机器学习方法之一。
9.NaiveBayes：在众多分类方法中，应用最广泛的有决策树模型和朴素贝叶斯（NaiveBayes）10.Cart：分类与回归树，在分类树下面有两个关键的思想，第一个是关于递归地划分自变量空间的想法，第二个是用验证数据进行减枝
2.K-means算法：是一种聚类算法。
3.SVM：一种监督式学习的方法，广泛运用于统计分类以及回归分析中4.Apriori：是一种最有影响的挖掘布尔关联规则频繁项集的算法。
5.EM：最大期望值法。
6.pagerank：是google算法的重要内容。
7.Adaboost：是一种迭代算法，其核心思想是针对同一个训练集训练不同的分类器然后把弱分类器集合起来，构成一个更强的最终分类器。
8.KNN：是一个理论上比较成熟的的方法，也是最简单的机器学习方法之一。
9.NaiveBayes：在众多分类方法中，应用最广泛的有决策树模型和朴素贝叶斯（NaiveBayes）10.Cart：分类与回归树，在分类树下面有两个关键的思想，第一个是关于递归地划分自变量空间的想法，第二个是用验证数据进行减枝
2024/1/25 9:25:40
626KB
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