象棋学习者 新手尝试使用Gym-chess和tensorflow使用Python进行强化学习国际象棋机器人。 要开始训练，只需运行Chess_env.py 建议您的第一次培训课程使用“ training_method” 1快速用有用的培训数据填充存储库。 从那里前进到方法0，以快速学习执行随机移动机器人。 最终的训练方法是2，它将继续针对其自身的先前版本进行训练，直到无法继续改进为止。

head first C#中前几章的例题使用的是VS2013的windows store 应用程序，最新版的VS没有windows store应用程序了，书中的练习可以用WPF创建。附件是官方放出了用WPF替换windos store的教程，只有英文版。

学习者表现预测算法的简单而高效的实现： 设置 创建一个新的conda环境，安装和其余要求： conda create python==3.7 -n learner-performance-prediction conda activate learner-performance-prediction pip install -r requirements.txt conda install pytorch==1.2.0 torchvision==0.4.0 -c pytorch 该代码支持以下数据集： （assistments09） （assistments12） （assistments15） （assistments17） （bridge_algebra06） （algebra05） （西班牙语） （静电） 数据集 ＃个用户 ＃ 项目 ＃技能 ＃互动

可用于UnityVR开发，3D游戏开发，高清天空盒子Skybox素材，游戏环境背景素材，无水印。 让你身临其境的天空盒子，各类题材丰富，都是辛苦搜罗所得的高清exr格式，可以直接用于Unity开发，特别是VR游戏的开发。 内景、外景、城市、乡间、日出，夜晚，欧式宫殿，中式园林，应有尽有，可以在我的下载频道选择需要的下载。 注意，由于是高清，所以体积较大（大的可以达到500M），请下载前预留合适的空间。 使用方法： 1-导入Unity后将图片的Shape转换成cube形式， 2-创建空Material，并转换成Cube/skybox形式， 3-将图片拖入新建的SkyboxMaterial， 4-用刚创建的Material代替项目中原本的系统默认Skybox

Qwerty学习者 为键盘工作者设计的单词记忆与英语肌肉记忆锻炼软件 :camera_with_flash:在线访问 Vercel： ： GitHub页面： : Gitee页数： ：//kaiyiwing.gitee.io/qwerty-learner/ 国内用户建议使用Gitee访问 项目已发布VSCode插件版，一键启动，随时开始练习 :sparkles:设计思想 软件设计的目标人群为以英语为主要工作语言的键盘处理器。部分人会出现输入原始时的打字速度快于英语的情况，因为多年的新生输入练就了非常坚固的肌肉记忆 :flexed_biceps: ，而英语输入的肌肉记忆相对较弱，易出现输入英语时“提笔忘字”的现象。 同时为了巩固英语技能，也需要持续的背诵单词 :closed_book: ，本软件将英语单词的记忆与英语键盘输入的肌肉记忆的锻炼相结合，可以在背诵单词的同时巩固肌肉记忆。 为了避免造成错误的肌肉记忆，设计上如果用户单词输入错误则需要重新输入单词，可以确保用户维持正确的肌肉记

在Pytorch中进行对比学习变得简单 似乎我们可以进行图像的自我监督学习。 这是一种使用Pytorch包装器的简单方法，可以在任何视觉神经网络上进行对比式自我监督学习。 目前，它包含足够的设置供一个人在SimCLR或CURL中使用的任何一种方案上进行训练。 您可以包装接受可视输入的任何神经网络，无论是Resnet，策略网络还是GAN的鉴别器。 其余的都照顾好了。 问题 事实证明，CURL的结果。 建议您使用SimCLR设置，直到另行通知。 安装 $ pip install contrastive-learner 用法 SimCLR（具有标准化温度标度的交叉熵损失的投影头） import torch from contrastive_learner import ContrastiveLearner from torchvision import models resnet = m

形态学习者 按语素对单词进行统计细分，测试英语、法语、土耳其语、祖鲁语和斯瓦希里语 main.py 运行一个用户界面 使用选项 1 查看基于不同语言的预定义数据集的结果 选项有：土耳其语、祖鲁语、斯瓦希里语、英语 选项 2 从维基百科文章中获取其数据集，但当前的分析方法太幼稚，无法在合理的运行时间中容纳这么多数据......现在坚持选项 1

指板训练器 只是一个简单的python3命令行脚本，可以随机选择音符，有助于学习吉他指板。 要运行它，只要做（前提是您已安装python3）： python fretboard-learner.py 典型用法 典型用法是：-运行脚本-播放显示的笔记-如果能够找到该笔记，请输入c ，否则输入w 。 -重复直到满意，然后输入q完成。 -某些最终统计信息应在末尾弹出。 尽管这是典型的用法，但该程序非常通用，可以真正用于您想到的任何一种锻炼。 未来 目前，该程序非常简陋，并且主要是由于我不想制作纸质提示卡来在吉他指板上练习音符这一事实而诞生。 我可能会重新审视并在将来添加更多内容。

在Adaboost算法的基础上，提出了一种改进的Boosting方法来解决分类问题。 此方法将示例的类标签预测为分类器集合的加权多数投票。 每个分类器是通过将给定的弱学习者应用于子样本（大小小于原始训练集的子样本）而获得的，该子样本是根据原始训练集上保持的概率分布从原始训练集中得出的。 在Adaboost中提出的重新加权方案中引入了一个参数，以更新分配给训练示例的概率，从而使算法比Adaboost更加准确。 在UCI资料库中可获得的合成数据集和一些实际数据集上的实验结果表明，该方法提高了Adaboost的预测精度，执行速度以及对分类噪声的鲁棒性。 此外，通过kappa误差图研究了集成分类器的多样性准确性模式。

简易画板，源码分享，适用于初学C语言，期末大作业等。