具有90%概率达到2048，较大概率达到4096，C#语言写成，简约的UI（开发工具VS2015）。

《MATLAB神经网络43个案例分析》是在《MATLAB神经网络30个案例分析》的基础上出版的，部分章节涉及了常见的优化算法（遗传算法、粒子群算法等）与神经网络的结合问题。
《MATLAB神经网络43个案例分析》可作为高等学校相关专业学生本科毕业设计、研究生课题研究的参考书籍，亦可供相关专业教师教学参考。
《MATLAB神经网络43个案例分析》共有43章目录如下：第1章BP神经网络的数据分类——语音特征信号分类第2章BP神经网络的非线性系统建模——非线性函数拟合第3章遗传算法优化BP神经网络——非线性函数拟合第4章神经网络遗传算法函数极值寻优——非线性函数极值寻优第5章基于BP_Adaboost的强分类器设计——公司财务预警建模第6章PID神经元网络解耦控制算法——多变量系统控制第7章RBF网络的回归--非线性函数回归的实现第8章GRNN网络的预测----基于广义回归神经网络的货运量预测第9章离散Hopfield神经网络的联想记忆——数字识别第10章离散Hopfield神经网络的分类——高校科研能力评价第11章连续Hopfield神经网络的优化——旅行商问题优化计算第12章初始SVM分类与回归第13章LIBSVM参数实例详解第14章基于SVM的数据分类预测——意大利葡萄酒种类识别第15章SVM的参数优化——如何更好的提升分类器的功能第16章基于SVM的回归预测分析——上证指数开盘指数预测.第17章基于SVM的信息粒化时序回归预测——上证指数开盘指数变化趋势和变化空间预测第18章基于SVM的图像分割-真彩色图像分割第19章基于SVM的手写字体识别第20章LIBSVM-FarutoUltimate工具箱及GUI版本介绍与使用第21章自组织竞争网络在模式分类中的应用—患者癌症发病预测第22章SOM神经网络的数据分类--柴油机故障诊断第23章Elman神经网络的数据预测----电力负荷预测模型研究第24章概率神经网络的分类预测--基于PNN的变压器故障诊断第25章基于MIV的神经网络变量筛选----基于BP神经网络的变量筛选第26章LVQ神经网络的分类——乳腺肿瘤诊断第27章LVQ神经网络的预测——人脸朝向识别第28章决策树分类器的应用研究——乳腺癌诊断第29章极限学习机在回归拟合及分类问题中的应用研究——对比实验第30章基于随机森林思想的组合分类器设计——乳腺癌诊断第31章思维进化算法优化BP神经网络——非线性函数拟合第32章小波神经网络的时间序列预测——短时交通流量预测第33章模糊神经网络的预测算法——嘉陵江水质评价第34章广义神经网络的聚类算法——网络入侵聚类第35章粒子群优化算法的寻优算法——非线性函数极值寻优第36章遗传算法优化计算——建模自变量降维第37章基于灰色神经网络的预测算法研究——订单需求预测第38章基于Kohonen网络的聚类算法——网络入侵聚类第39章神经网络GUI的实现——基于GUI的神经网络拟合、模式识别、聚类第40章动态神经网络时间序列预测研究——基于MATLAB的NARX实现第41章定制神经网络的实现——神经网络的个性化建模与仿真第42章并行运算与神经网络——基于CPU/GPU的并行神经网络运算第43章神经网络高效编程技巧——基于MATLABR2012b新版本特性的探讨

相关向量机的MATLAB代码，经过验证是正确的，很实用推荐相关向量机（Relevancevectormachine,简称RVM）是Tipping在2001年在贝叶斯框架的基础上提出的，它有着与支持向量机（Supportvectormachine,简称SVM）一样的函数方式，与SVM一样基于核函数映射将低维空间非线性问题转化为高维空间的线性问题。
RVM原理步骤RVM通过最大化后验概率（MAP）求解相关向量的权重。
对于给定的训练样本集{tn,xn}，类似于SVM,RVM的模型输出定义为y(x;w)=∑Ni=1wiK(X,Xi)+w0其中wi为权重，K(X,Xi)为核函。
因此对于,tn=y(xn,w)+εn,假设噪声εn服从均值为0,方差为σ2的高斯分布,则p(tn|ω,σ2)=N(y(xi,ωi),σ2),设tn独立同分布,则整个训练样本的似然函数可以表示出来。
对w与σ2的求解如果直接使用最大似然法，结果通常使w中的元素大部分都不是0，从而导致过学习。
在RVM中我们想要避免这个现像，因此我们为w加上先决条件：它们的机率分布是落在0周围的正态分布:p(wi|αi)=N(wi|0,α?1i),于是对w的求解转化为对α的求解，当α趋于无穷大的时候，w趋于0.RVM的步骤可以归结为下面几步：1.选择适当的核函数，将特征向量映射到高维空间。
虽然理论上讲RVM可以使用任意的核函数，但是在很多应用问题中，大部分人还是选择了常用的几种核函数，RBF核函数，Laplace核函数，多项式核函数等。
尤其以高斯核函数应用最为广泛。
可能于高斯和核函数的非线性有关。
选择高斯核函数最重要的是带宽参数的选择，带宽过小，则导致过学习，带宽过大，又导致过平滑，都会引起分类或回归能力的下降2.初始化α，σ2。
在RVM中α，σ2是通过迭代求解的，所以需要初始化。
初始化对结果影响不大。
3.迭代求解最优的权重分布。
4.预测新数据。

高斯混合概率假设密度滤波器目标跟踪matlab代码及对应论文。
可以直接按照说明运转出结果。

概率论的发展具有很长的历史，在实际生活中具有很强的应意图义。
概率在生活中的应用非常的广，我们常常在一些实际问题中巧妙地应用了概率学知识而不自知。
作为基础知识最重要的支柱的数学中的一门独立学科的概率论在生活中有着它不可替代的作用。
我们不仅仅要学好理论知识，应用理论来实践才是重中之重。
学好概率论，并应用概率知识认识现实问题已是我们必要的一种生活素养。
本文用数学知识和数学的思维方法去看待，分析，解决实际生活问题，引导大家在生活经验中获得数学知识。

朴素贝叶斯的模型相信大家不陌生，通过谷歌、百度也能够很容易的搜索到朴素贝叶斯的c++或matlab的源码。
但是，如果只是用到朴素贝叶斯的最基本理论，如求后验率、分类器等的话，其实大家大可不必本人去实现代码。
在matlab中的统计工具包(StatisticsToolbox)下就有NaiveBayes的类。
通过使用这个类，我们可以很轻易实现对数据进行学习、分类、求概率等。
下面列出最基本、最常用的用法。

这是一款用于计算各种概率分布的软件，我用这款软件处理了工程中碰到的概率问题。
比excel算概率要方便得多

手册的内容包括初等数学、初等数论、微积分、解析几何与微分几何、高等代数、微分方程与积分方程、函数论、概率论、傅立叶分析、矢量与张量、特殊函数等一些常见的内容，还包括某些广泛使用的数学方法，如最优化方法、有限元法、数理统计、实验数据处理等，同时对于那些通常认为比较抽象而又重要的数学理论，如抽象代数、线性空间、一般拓扑学、泛函分析等也作了一定的说明。
为方便查阅和携带，精品技术论坛的Sunzhuo同学用了几天时间将其制造成为chm文件。
因为＞10M，资料分两卷上传。
请先下载第一卷：http://download.csdn.net/source/335917

第1周面向小白的统计学：描述性统计（均值，中位数，众数，方差，标准差，与常见的统计图表）第2周赌博设计：概率的基本概念，古典概型第3周每人脑袋里有个贝叶斯：条件概率与贝叶斯公式，独立性第4周啊！微积分：随机变量及其分布（二项分布，均匀分布，正态分布）第5周万事皆由分布掌握：多维随机变量及其分布第6周砖家的统计学：随机变量的期望，方差与协方差第7周上帝之手，统计学的哲学基础：大数定律、中心极限定理与抽样分布第8周点数成金，从抽样推测规律之一：点估计与区间估计第9周点数成金，从抽样推测规律之二：参数估计第10周对或错？告别拍脑袋决策：基于正态总体的假设检验第11周扔掉正态分布：秩和检验第12周预测将来的技术：回归分析第13课抓住表象背后那只手：方差分析第14周沿着时间轴前进，预测电子商务业绩：时间序列分析简介

ThereisanexplosionofinterestinBayesianstatistics,primarilybecauserecentlycreatedcomputationalmethodshavefinallymadeBayesiananalysistractableandaccessibletoawideaudience.DoingBayesianDataAnalysis,ATutorialIntroductionwithRandBUGS,isforfirstyeargraduatestudentsoradvancedundergraduatesandprovidesanaccessibleapproach,asallmathematicsisexplainedintuitivelyandwithconcreteexamples.Itassumesonlyalgebraand‘rusty’calculus.Unlikeothertextbooks,thisbookbeginswiththebasics,includingessentialconceptsofprobabilityandrandomsampling.Thebookgraduallyclimbsallthewaytoadvancedhierarchicalmodelingmethodsforrealisticdata.ThetextprovidescompleteexampleswiththeRprogramminglanguageandBUGSsoftware(bothfreeware),andbeginswithbasicprogrammingexamples,workingupgraduallytocompleteprogramsforcomplexanalysesandpresentationgraphics.Thesetemplatescanbeeasilyadaptedforalargevarietyofstudentsandtheirownresearchneeds.ThetextbookbridgesthestudentsfromtheirundergraduatetrainingintomodernBayesianmethods.Accessible,includingthebasicsofessentialconceptsofprobabilityandrandomsamplingExampleswithRprogramminglanguageandBUGSsoftwareComprehensivecoverageofallscenariosaddressedbynon-bayesiantextbooks-t-tests,analysisofvariance(ANOVA)andcomparisonsinANOVA,multipleregression,andchi-square(contingencytableanalysis).CoverageofexperimentplanningRandBUGScomputerprogrammingcodeonwebsiteExerciseshaveexplicitpurposesandguidelinesforaccomplishment作者从概率统计和编程两方面入手，由浅入深地指点读者如何对实际数据进行贝叶斯分析。
全书分成三部分，第一部分为基础篇：关于参数、概率、贝叶斯法则及R软件，第二部分为二元比例推断的基本理论，第三部分为广义线性模型。
内容包括贝叶斯统计的基本理论、实验设计的有关知识、以层次模型和MCMC为代表的复杂方法等。
同时覆盖所有需要用到非贝叶斯方法的情况，其中包括：t检验，方差分析（ANOVA）和ANOVA中的多重比较法，多元线性回归，Logistic回归，序列回归和卡方（列联表）分析。
针对不同的学习目标（如R、BUGS等）列出了相应的重点章节；
整理出贝叶斯统计中某些与传统统计学可作类比的内容，方便读者快速学习。
本中提出的方法都是可操作的，并且所有涉及数学理论的地方都已经用实际例子非常直观地进行了解释。
由于并不对读者的统计或

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。