图学习与强化学习如何结合是个重要的问题，来自东北大学的学者最近发布了《图强化学习》综述，总结了GRL方法的方法描述、开源代码和基准数据集，非常值得关注！图挖掘任务产生于许多不同的应用领域，包括社交网络、交通运输、电子商务等，近年来受到了理论和算法设计界的极大关注。在图数据挖掘任务中，使用正在研究中的强化学习(RL)技术进行了一些开创性的工作。然而，这些图挖掘算法和RL模型分散在不同的研究领域，难以对不同的算法进行比较。在本综述中，我们提供了RL模型和图挖掘的全面概述，并将这些算法推广到图强化学习(GRL)作为一个统一形式化。我们进一步讨论了GRL方法在各个领域的应用，并总结了GRL方法的方法描述、开源代码和基准数据集。最后，提出了未来可能需要解决的重要方向和挑战。这是对GRL文献进行全面考察的最新成果，为学者提供了一个全球视野，也为该领域以外的学者提供了学习资源。此外，我们为想要进入这个快速发展的领域的感兴趣的学者和想要比较GRL方法的专家创建了一个在线开源软件。

最近Axure9 元件 模板 64套大数据可视化大屏原型源文件.rp

初学python写的小demo，挺有意思，可以根据获取的数据进行分析（希望你分析后能中大奖，哈哈哈）

qt编译的java调用dll的例子，AMD版本。最近换了新电脑，主机是AMD64位的，发现之前qt的工程编译出来的dll不能用了，所以重新编译和修改pro工程，100%测试通过。在新的系统里加入参数，具体参数请打开pro文件查看。 另，我更新到qt 5.1 发现jni.h会找不到，配置完pro文件后，要重新选定输出目标就行了。

问题：对于平面上给定的N个点，给出所有点对的最短距离，即，输入是平面上的N个点，输出是N点中具有最短距离的两点。

Team刚刚完成了一个敏捷项目，做一下项目总结，以备以后借鉴和提高。项目要成功的最关键因素是什么？软件要快速高效又高质量的提交靠的是什么？有人说最关键是项目经理，关键是沟通，有人说是技术设计，有人说是对需求的把握……从我看来，都是盲人摸象，项目要成功，软件要快速高效又高质量的提交，靠的是多重因素的整合和平衡；首先要对需求的准确理解和把握，贯穿全流程的沟通，做项目靠人，对人/士兵的管理（物质、心理），适合组织的先进的过程（开发，测试，评审，组织，考核），还有工具的运用和整合大大提升组织效率，缺少那一样都是不行的。成功的模式只有一个，而失败却有各式各样，就是这个道理。沟通，沟通，随时随地，全方位立

ICP 算法将两个点云作为输入并返回刚性变换（旋转矩阵 R 和平移向量 T），以最好地对齐点云。 例子： [R,T] = ICP(q,p,10); 使用算法的 10 次迭代将 p 的点与点 q 对齐。 然后使用转换应用R*p + repmat(T,1,length(p)); 该文件实现了点对点和点对平面以及一些其他功能，例如外推、加权函数、边缘点拒绝等。 有关 ICP 算法和实现的变体的介绍性文本，请参阅http://www2.imm.dtu.dk/~jakw/publications/bscthesis.pdf Hans Martin Kjer & Jakob Wilm -- PET 运动校正的表面配准算法评估

深度共鸣论文 最近的论文包括神经符号推理，逻辑推理，视觉推理，自然语言推理以及其他与深度学习和推理相关的主题。 0调查或谈话 [1] Yoshua Bengio，从系统1深度学习到系统2深度学习 [2] Yann Lecun，自我监督学习 [3]用于算法推理的PetarVeličković图表示学习 1数学问题 [1] Saxton，David等。 分析神经模型的数学推理能力。 arXiv预印本arXiv：1904.01557（2019）。 [2] Ortega，Pedro A.等人。 顺序策略的元学习。 arXiv预印本arXiv：1905.03030（2019）。 [3] Lample，Guillaume和FrançoisCharton。 象征性数学的深度学习。 arXiv预印本arXiv：1912.01412（2019）。 [4]卓，陶和莫汉·坎坎哈利（Mohan K

纳米级 纳米产品量化（nanopq）：产品量化（PQ）和优化产品量化（OPQ）的纯实现，以纯python编写，没有任何第三方依赖性。 正在安装 您可以通过pip安装软件包。 该库可在Linux上与Python 3.5+一起使用。 pip install nanopq 例子 import nanopq import numpy as np N , Nt , D = 10000 , 2000 , 128 X = np . random . random (( N , D )). astype ( np . float32 ) # 10,000 128-dim vectors to be indexed Xt = np . random . random (( Nt , D )). astype ( np . float32 ) # 2,000 128-dim vectors for t

最近matlab不能用了，提示需要激活，这是罪行的激活文件，按原来的方法重新激活一下即可正常使用。