这是一门专门为STEM学生开发的机器学习入门课程。
我们讨论有监督、无监督和强化学习。
笔记开始阐述了没有神经网络的机器学习方法，如主成分分析，t-SNE，和线性回归。
我们继续介绍基本和高级神经网络结构，如传统神经网络、(变分)自编码器、生成对抗网络、受限玻尔兹曼机器和递归神经网络。

首款专门针对公益行业需求而研发的产品化公益管理软件，提供门户管理系统、志愿者管理系统、救助管理系统、活动管理系统、财务管理系统、物资管理系统、义卖管理系统等七大业务系统，全面覆盖公益组织各种需求，全面解决公益组织门户建设、内部管理、社会监督和公示、财务管理等困扰公益组织发展的难题。
1、志愿者注册和管理：志愿者通过前台直接注册并申请成为志愿者，审核通过后及可以参与救助、发布救助信息、参加活动、捐赠物资、接受协会统一管理和考核（志愿服务时长和荣誉头衔管理）。
2、救助管理平台：志愿者可以在系统中发布受助人详细信息，系统审核通过后即在前台公开展示并接受系统中其他志愿者和爱心人士的捐赠，并能实时公示捐赠详情，包括参与捐赠人数、捐赠金额、完成进度等。
3、活动管理系统：协会官方和志愿者都可以申请并发起活动，审核通过后即在前台展示并接受其他志愿者报名和物资以及先现金赞助等，活动结束后可以对参加活动的志愿者进行统一考核增加志愿服务时长。
4、物资管理系统：志愿者可以在系统中直接捐赠物资，系统审核通过后即在前台展示，并接受社会监督使用情况，在后台可以查询到物资使用去向，包括捐赠给那些受助人，以及发放情况等。
5、义卖管理系统：志愿者可以将自己的爱心物品上传到系统中来，其他志愿者可以参与竞拍和购买，义卖所得将转入志愿者账户，志愿者可以用义卖所得捐赠需要帮助的受助人。
6、财务管理系统：系统设立个人账户、官方账户、总账三种账户，并详细记录系统产生的每一笔财务动作，包括会员充值、捐款、赞助、官方收入、官方支出等，这些均可以在前台查询到。
更详细的社会监督包括查询受助人接受捐赠的详情、志愿者捐款详情、官方总收入、官方总开支、官方接受捐款总额和详情等，让公益账务清楚明了的展示在大众面前接受监督。
7、门户管理系统：门户管理系统基于Live！Engin和LiveWeb开发而来，继承了Live！Engin和LiveWeb的优异特性，支持可视化DIY建站和导入导出模板，利用Live！CMP可以快速建立起个性化的功能全面的公益门户网站。
8、UCenter整合：Live！CMP跨越.NET和PHP平台障碍，实现与UCenter的深度整合，目前已经支持UCenter用户直接登录Live！CMP，并支持同步登陆和退出。
与UCenter的深度整合将极大的方便地方门户网站快速将数量众多的会员转化为志愿者进而开展公益活动，让地方门户和社会公益相互促进共同发展。
9、集成支付宝在线支付，支持众多网银在线支付，实时到账，让网络爱心更加便捷。
网络捐款+财务公示使得网络公益更加容易被认可，不仅解决线下捐款成本高不便捷等难题，更使得捐款数额更加随心、随意，彻底解决捐款面子问题。

LatentDirichletAllocation(LDA)是一种文档主题生成模型，也称为一个三层贝叶斯概率模型，包含词、主题和文档三层结构。
LDA是一种非监督机器学习技术，可以用来识别大规模文档集（documentcollection）或语料库（corpus）中潜藏的主题信息。
此文档是LDA论文的翻译。

无监督学习是机器学习的一个重要分支，其在机器学习、数据挖掘、生物医学大数据分析、数据科学等领域有着重要地位。
本书阐述作者近年在无监督学习领域所取得的主要研究成果，包括次胜者受罚竞争学习算法、K-means学习算法、K-medoids学习算法、密度学习算法、谱图聚类算法；
*后介绍了无监督学习在基因选择、疾病诊断中的应用。

实体关系抽取作为信息抽取、自然语言理解、信息检索等领域的核心任务和重要环节,能够从文本中抽取实体对间的语义关系.近年来,深度学习在联合学习、远程监督等方面上的应用,使关系抽取任务取得了较为丰富的研究成果.目前,基于深度学习的实体关系抽取技术,在特征提取的深度和模型的精确度上已经逐渐超过了传统基于特征和核函数的方法.围绕有监督和远程监督两个领域,系统总结了近几年来中外学者基于深度学习的实体关系抽取研究进展,并对未来可能的研究方向进行了探讨和展望.

Matlab关于人工神经网络在预测中的应用的论文二-人工神经网络模型在研究生招生数量预测中的应用.pdf四、灰色人工神经网络人口总量预测模型及应用摘要：针对单一指标进行人口总量预测精度不高的问题，基于灰色系统理论和人工神经网络理论，用1990年至2004年中国人口总量序列建立并训练一个多指标的灰色人工神经网络人口总量预测模型。
对2005年至2007年的人口总量进行检验性预测，结果表明灰色人工神经网络模型大大提高了预测精度。
关键词：人口总量；
灰色系统；
BP人工神经网络；
灰色人工神经网络模型引言：本文从影响人口增长的诸多因素中筛选出6个主要因素，结合灰色系统思想与神经网络的优点建立了一个灰色人工神经网络（GreyArtificialNeuralNetwork，GANN）预测模型，对每一个指标分别用GM（1，1）模型选择最佳的维数进行预测，再利用神经网络非线性映射的特性把这6个指标进行非线性组合得到人口总量的预测结果。
该模型充分利用灰色系统弱化数据的随机性及其动态性和神经网络非线性映射的特性，发挥两者的优势，从而进一步提高预测精度。
中间内容省略~结语：由于传统遗传算法聚类算法本身的优点：在解决聚类问题上速度快、准确率高，加上免疫网络分类算法可以进行非监督学习，确定聚类数及聚类点，在实际聚类应用中有更广阔的适用性；
在这种独特的聚类算法的基础上，结合粗糙集理论构建了一种图像分割算法；
同时，通过实验证明该方法不但比传统的FCM算法聚类速度快，分割效果好，而且比文献[2]的分割准确度还要高。
由于该方法有在聚类上的无教师监督的独特优点，并且通过对人脑MR图聚类和分割的两个实验，证明了该分割算法比以往分割算法在具体应用上都有一定的提高。
灰色人工神经网络人口总量预测模型及应用.pdf五、人工神经网络模型在研究生招生数量预测中的应用摘要：研究生招生数量的确定涉国家政策、社会就业、人才需求、专业分布与需求等诸多因素，这些影响因素往往无法量化，而且各个影响因素之间关系错综复杂，简单的线性模型预测未来招生数量往往难以实现。
尝试采用人工神经网络模型，针对历年招生数量原始数据信息零散、隐含影响因素过多、诸多影响因素难以确定性描述等问题，通过对黑龙江省历年研究生招生数量进行系统分析，建立了人工神经网络预测模型，并对未来3年的招生数量进行了预测，预测结果较好，为该方面研究提供了新的研究思路与研究方法。
关键词:黑龙江省;研究生招生;预测;人工神经网络模型引言：关于研究生招生数量的确定，涉及诸多因素，例如国家政策、社会就业、人才需求、专业分布与需求等等。
这些影响因素往往无法量化，很难找出定量化的因素来进行分析，而这些因素又确确实实在很大程度上影响着研究生招生的数量及其分布。
以往分析预测方法主要是确定性数学模型和随机统计方法，例如有限单元法、有限差分法、灰色理论建模、回归分析、谐波分析、时间序列分析、概率统计法等。
这些方法多以线性理论为基础，考虑问题偏于简单化，导致预测精度不高。
本论文结合黑龙江省1981年—2004年的研究生招生规模，针对历年招生数量原始数据信息零散、隐含影响因素过多、诸多影响因素难以确定性描述等问题，探讨应用一种改进的BP网络模型对未来3年黑龙江省研究生招生规模进行预测，为该方面研究提供新的研究思路与研究模式，并渴望为用人单位、科研院校提供制定长远发展与建设规划提供参考。
中间内容省略~结语：采用人工神经网络模型可以有效的处理黑龙江省研究生数量中涉及的人为、政策等随机因素、难以量化等因素的干扰，拟合精度非常高，预测精度也相对较高，为未来研究生招生规模提供科学理论依据，为该方面研究提供新的研究方法与研究思路。
人工神经网络模型在研究生招生数量预测中的应用.pdf六、基于RBF人工神经网络模型预测棉花耗水量摘要：利用MATLAB工具箱，以平均气温、日照时数、平均风速为输入变量，建立了新疆石河子地区棉花耗水量的RBF人工神经网络预测系统，通过2008年实测数据的检验表明，此预测系统网络模型的绝对误差最大为0.0967mm/d、最小为0.0025mm/d、平均为0.0419mm/d，相对误差最大为2.6491%、最小为0.0341%、平均为0.8780%。
可见，网络模型预测的准确度较高，较以往的线性模型更合理，并且此网络训练花费的时间仅需0.0780s，具有一定的实用价值。
关键词：预测；
人工神经网络；
径向基函数；
棉花耗水量引言：计算机人工神经网络是20世纪8

使用k-means聚类算法，使用无监督聚类算法。

matlab代码程序，训练集测试集代码，优化半监督svm朴素贝叶斯等等

基于重构的多工况过程无监督故障幅值估计

ADeepNeuralNetworkforUnsupervisedAnomalyDetectionandDiagnosisinMultivariateTimeSeriesData一种用于多变量时间序列数据非监督异常检测和诊断的深度神经网络

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。