近些年来,人工智能领域又活跃起来,除了传统了学术圈外,Google、Microsoft、facebook等工业界优秀企业也纷纷成立相关研究团队,并取得了很多令人瞩目的成果。
这要归功于社交网络用户产生的大量数据,这些数据大都是原始数据,需要被进一步分析处理;还要归功于廉价而又强大的计算资源的出现,比如GPGPU的快速发展。
除去这些因素,AI尤其是机器学习领域出现的一股新潮流很大程度上推动了这次复兴——深度学习。
本文中我将介绍深度学习背后的关键概念及算法,从最简单的元素开始并以此为基础进行下一步构建。
如果你不太熟悉相关知识,通常的机器学习过程如下:1、机器学习算法需要输入少量标记好的样本,比如10
1
《算法》基于伊利诺伊大学厄巴纳-香槟分校的计算机科学教授JeffErickson为多个算法课程写的讲义集合,这本教科书已经在伊利诺伊大学厄巴纳-香槟分校出版,自1999年1月以来JeffErickson每年都会使用这本书教授一次算法课程。
由于本科理论课程的变化,JeffErickson在2016年对讲义进行了重大修订;
本书是Erickson教授修订的最基础课程材料的一部分,主要反映了新的初级理论课程的算法内容算法这个词有一股魔力,似乎任何工作任务加上它就能变得自动化,任何神奇的新发现也都离不开算法的帮助。
那么什么是算法,我们又该如何学习算法呢?
2023/8/29 19:46:38 23.93MB 算法 权威 20年精心编写
1
adaboost演示demo(基于Matlab,学习算法包括决策树、神经网络、线性回归、在线贝叶斯分类器等),动态GUI显示学习过程、vote过程等
2023/8/28 8:23:17 13KB 机器学习
1
这是世界上最经典的两本算法书籍的一本,另一本是算法导论。
此书是美国著名大学的几位教授给本科生讲解的教材,作者以讲故事的方式引入一个个经典的算法,本书通俗易懂,却又含义深刻。
是学习算法不可多得的好书。
2023/8/26 20:35:17 1.93MB 算法 C C++
1
数据科学正在快速发展成所有行业开发人员和管理人员的关键技能,它看起来也十分有趣。
但是,它非常复杂,虽有许多工程和分析工具助力,却也难清楚掌握现在做得对不对,哪里是不是有陷阱。
在本文中,我们解释了如何发挥数据科学的作用,理解哪里需要它,哪里不需要它,以及如何令它为你产生价值,如何从先行者那里获得有用的经验。
这是“GettingAHandleOnDataScience”系统文章中的一部分,你可以通过此RSS予以订阅。
大多数类型的机器学习项目归根结底通常是使用监督式学习方式进行分类或回归。
特征工程是大多数机器学习过程中的一个关键组成部分。
像K均值(K-means)之类无人监督式的学习算法能用于你事前
2023/8/22 14:53:45 372KB 机器学习入门
1
《深度学习:算法到实战》全套代码
2023/8/21 6:27:02 10.82MB 深度学习 计算机视觉 pytorch
1
NSL-KDD数据集是KDD99数据集的改进,可以作为有效地基准数据集,各机器学习算法可以在NSL-KDD数据集上进行入侵检测实验。
2023/8/13 4:26:44 6.29MB 数据集 NSL-KDD KDD99 入侵检测
1
圆周率小数点后面100万位小数,可以作为paython学习,算法学习等
2023/8/12 0:41:16 1.5MB 圆周率】
1
从各种网站在下载到的Q学习算法集成包,有matlab示例,有C示例,有Java示例,有C++示例。
总有一个算法是你需要模拟和借鉴的,需要研究强化学习或增强学习算法的人不容错过。


真心话,要不是我需要下载别的资源需要积分,不会无私奉献。


我的强化学习就是在这里面修改实现的,需要的顶起来。

2023/8/10 22:11:48 260KB Q学习 强化学习 增强学习 DynaQ
1
第一章人工神经网络…………………………………………………3§1.1人工神经网络简介…………………………………………………………31.1人工神经网络的起源……………………………………………………31.2人工神经网络的特点及应用……………………………………………3§1.2人工神经网络的结构…………………………………………………42.1神经元及其特性…………………………………………………………52.2神经网络的基本类型………………………………………………62.2.1人工神经网络的基本特性……………………………………62.2.2人工神经网络的基本结构……………………………………62.2.3人工神经网络的主要学习算法………………………………7§1.3人工神经网络的典型模型………………………………………………73.1Hopfield网络…………………………………………………………73.2反向传播(BP)网络……………………………………………………83.3Kohonen网络…………………………………………………………83.4自适应共振理论(ART)……………………………………………………93.5学习矢量量化(LVQ)网络…………………………………………11§1.4多层前馈神经网络(BP)模型…………………………………………124.1BP网络模型特点 ……………………………………………………124.2BP网络学习算法………………………………………………………134.2.1信息的正向传递………………………………………………134.2.2利用梯度下降法求权值变化及误差的反向传播………………144.3网络的训练过程………………………………………………………154.4BP算法的改进………………………………………………………154.4.1附加动量法………………………………………………………154.4.2自适应学习速率…………………………………………………164.4.3动量-自适应学习速率调整算法………………………………174.5网络的设计………………………………………………………………174.5.1网络的层数…………………………………………………174.5.2隐含层的神经元数……………………………………………174.5.3初始权值的选取………………………………………………174.5.4学习速率…………………………………………………………17§1.5软件的实现………………………………………………………………18第二章遗传算法………………………………………………………19§2.1遗传算法简介………………………………………………………………19§2.2遗传算法的特点…………………………………………………………19§2.3遗传算法的操作程序………………………………………………………20§2.4遗传算法的设计……………………………………………………………20第三章基于神经网络的水布垭面板堆石坝变形控制与预测§3.1概述…………………………………………………………………………23§3.2样本的选取………………………………………………………………24§3.3神经网络结构的确定………………………………………………………25§3.4样本的预处理与网络的训练……………………………………………254.1样本的预处理………………………………………………………254.2网络的训练……………………………………………………26§3.5水布垭面板堆石坝垂直压缩模量的控制与变形的预测…………………305.1面板堆石坝堆石体垂直压缩模量的控制……………………………305.2水布垭面板堆石坝变形的预测……………………………………355.3BP网络与COPEL公司及国内的经验公式的预测结果比较…35§3.6结论与建议………………………………………………………………38第四章BP网络与遗传算法在面板堆石坝设计参数控制中的应用§4.1概述………………………………………………………………………39§4.2遗传算法的程序设计与计算………………………………………………39§4.3结论与建议…………………………………………………………………40参考文献…………………………………………………………………………
2023/8/2 9:24:30 1.66MB 人工神经网络
1
共 165 条记录 首页 上一页 下一页 尾页
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 钉钉 钉钉打卡