5G基于强化学习技术的大规模缓存问题优化，在未来5G通信下，利用强化学习相关技术对大规模数据缓存进行了建模与优化。

逻辑回归2分类推导

PaddleHub二次加工

利用深度学习的长短记忆原理（LSTM）对美国纳斯达克股市进行预测。

使用机器学习算法预测泰坦尼克号存活概率分析，源码为jupternotebook格式，从数据预处理到可视化展示，特征相关性分析，到最后的几种算法预测准确率对比

基于Python的卷积神经网络的图像分类，很适合初学者的学习使用

小秋SLAM笔记

主要责任者Szepesvári,Csaba.题名Algorithmsforreinforcementlearning[electronicresource]/CsabaSzepesvári.出版资料SanRafael,Calif.(1537FourthStreet,SanRafael,CA94901USA):Morgan&Claypool,c2010.摘要附注Reinforcementlearningisalearningparadigmconcernedwithlearningtocontrolasystemsoastomaximizeanumericalperformancemeasurethatexpressesalong-termobjective.Whatdistinguishesreinforcementlearningfromsupervisedlearningisthatonlypartialfeedbackisgiventothelearneraboutthelearner'spredictions.Further,thepredictionsmayhavelongtermeffectsthroughinfluencingthefuturestateofthecontrolledsystem.Thus,timeplaysaspecialrole.Thegoalinreinforcementlearningistodevelopefficientlearningalgorithms,aswellastounderstandthealgorithms'meritsandlimitations.Reinforcementlearningisofgreatinterestbecauseofthelargenumberofpracticalapplicationsthatitcanbeusedtoaddress,rangingfromproblemsinartificialintelligencetooperationsresearchorcontrolengineering.Inthisbook,wefocusonthosealgorithmsofreinforcementlearningthatbuildonthepowerfultheoryofdynamicprogramming.Wegiveafairlycomprehensivecatalogoflearningproblems,describethecoreideas,notealargenumberofstateoftheartalgorithms,followedbythediscussionoftheirtheoreticalpropertiesandlimitations.

基于磁场检测的寻线小车传感器布局研究电磁组竞赛车模路径检测设计参考方案基于电磁场检测的寻线智能车设计

美团基于知识图谱的智能交互式点餐探索，介绍的比较通俗易懂。
简单明了。
对于知识图谱的建设有帮助作用