本文以深度强化学习为基础，设计出一种适用于求解大规模车辆路径问题的模型架 构。采用了预训练模型+基于相对位置的 Transformer网络+A2C强化学习训练框架，为 后续研究大规模车辆路径问题的扩展问题和大规模组合优化问题提供了新的深度强化 学习算法框架。本文中的深度强化学习算法解决了以下问题： （1） 不同规模算例可以共享并继承其他规模训练完的模型，在这种共享模型的机制下， 避免了算例规模相近的模型的重复训练。 （2） 预训练模型能够继承其他规模训练出的模型经验，相对位置节点提高了在大规模 车辆路径问题中特征抓取的精确性，A2C强化学习训练框架环节采用无监督学习， 在无标签训练集中训练中规避经验回溯问题，这三方面针对大规模车辆路径问题 做出的调整，提高了训练效率和收敛效果。 （3） 通过预训练机制解决了大规模车辆路径问题内存溢出的情况，解决了目前已有算 法在大规模算例训练时，内存溢出训练中断等问题。 （4） 与经典的启发式算法和元启发式算法进行比较，在同等求解速度的算法中，本文 算法的求解质量方面全面超越这些算法。并且在当前已有的深度强化学习解决方 案中，本文设计的算法和效

我在GitHub上找的开源的，跟唐宇di机器学习算法课程里面差不多，包含自定义的features，如prepare_for training, generate_polynomial, generate_sinusoids, normalize; from utils.features import prepare_for_training

机器学习 FileTypeIdentifier：一种机器学习算法，用于自动识别文件编写的编程语言类型。 要求 Python 模块：theano、numpy、scipy、scikit-learn (sudo) pip install theano numpy scipy scikit-learn 用法 现在，您可以通过以下命令运行脚本： python main.py 或者 python code_identifier.py 并按照帮助信息（使用部分。）。 code_identifier.py 是用 Theano 实现的，而 main.py 是用 Scikit-Learn 实现的。 PS：这个工具的使用还是有点小技巧的，在near功能上应该更加人性化。

经典版机器学习英文课件，里面有很多流行的算法，内容简介，逻辑清晰，学习的好材料。

DRL用于微电网能源管理 我们针对微电网的能源管理系统问题研究了各种深度强化学习算法的性能。 我们提出了一种新颖的微电网模型，该模型由风力涡轮发电机，储能系统，恒温控制负载，价格响应负载以及与主电网的连接组成。 拟议的能源管理系统旨在通过定义优先级资源，直接需求控制信号和电价来在不同的灵活性来源之间进行协调。 本文实现了七种深度强化学习算法，并进行了实证比较。 数值结果表明，不同的深度强化学习算法在收敛到最优策略的能力上存在显着差异。 通过将经验重播和第二个半确定性训练阶段添加到众所周知的“异步优势演员评论家”算法中，我们获得了更好的性能，并且在能效和经济价值方面收敛于高级策略。 有关此项目的更多信息，访问： ：

机器学习算法的案例代码+数据

机器学习代码编写 机器学习算法的数学推导和纯Python代码实现。

【为什么学习机器学习算法？】 人工智能是国家发展的战略，未来发展的必然趋势。 将来很多岗位终将被人工智能所代替，但人工智能人才只会越来越吃香。 中国人工智能人才缺口超过500万，人才供不应求。 要想掌握人工智能，机器学习是基础、是必经之路，也是极其重要的一步。 【课程简介】 很多人认为机器学习难学，主要是因为其过于关注各种复杂数学公式的推导，从而忽略了公式的本质。 本课程通过对课件的精心编排，课程内容的不断打磨，重磅推出机器学习8大经典模型算法，对晦涩难懂的数学公式， 通过图形展示其特点和本质，快速掌握机器学习模型的核心理论，将重点回归到机器学习算法本身。 本课程选取了机器学习经典的8大模型： 线性回归、逻辑回归、决策树、贝叶斯分类器、支持向量机(SVM)、集成学习、聚类以及降维 再也不用东拼西凑，一门课程真正掌握机器学习核心技术。 它们是人工智能必经之路，机器学习必学技术，企业面试必备技能。   《深度学习与神经网络从原理到实践》课程现已上线，这使得人工智能学习路径更加完备， 地址：https://edu.csdn.net/course/detail/29539

机器学习算法案例代码--用于自己学习

近年来，联邦学习作为解决数据孤岛问题的技术被广泛关注，已经开始被应用于金融、医疗健康以及智慧城市等领域。从3个层面系统阐述联邦学习算法。首先通过联邦学习的定义、架构、分类以及与传统分布式学习的对比来阐述联邦学习的概念；然后基于机器学习和深度学习对目前各类联邦学习算法进行分类比较和深入分析；最后分别从通信成本、客户端选择、聚合方式优化的角度对联邦学习优化算法进行分类，总结了联邦学习的研究现状，并提出了联邦学习面临的通信、系统异构、数据异构三大难题和解决方案，以及对未来的期望。