机器学习 这些是我用一些数据集实现的一些流行的机器学习算法。 其中包括线性回归（多变量）的实现，逻辑和线性回归的梯度下降，决策树，随机森林，朴素贝叶斯。 它们都是用python 3.5编写的。

点聚类matlab代码约束聚类 这是包含一组聚类算法的MATLAB代码。 此代码的一部分用于模拟工作中的实验。 此外，还有可用代码的约束聚类算法列表。 如何运行： 要查看玩具数据的输出，请转到目录experiment ，然后运行脚本experiment_toy.m 。 您应该能够看到以下输出，以及其他一些输出： 您也可以运行脚本experiment_uci.m来查看UCI数据集上算法的输出。 该包装的结构 代码结构如下： 在某些时候， algorithms包含了我们已经研究/实验过的算法。 这些代码中有许多是从某个地方下载的，并且直接包含在其中（或进行了很小的修改）。 其中一些算法的文件夹内包含README.md ，该文件解释了它们的下载位置以及可能的修改/扩展。 请注意，并非所有这些算法都在评估脚本中使用（由于不稳定，运行缓慢或与我们的目的不兼容）。 也就是说，您始终可以将它们添加到脚本中并使用它们。 data ：UCI数据+玩具数据 distance ：我们在多种算法中使用的一些距离度量。 experiment ：用于在数据集上运行算法的脚本。 metrics ：包含我们使用的评估

有限元matlab代码欢迎来到 xfemm 欢迎来到 xfemm 项目。 xfemm 是一个软件项目，旨在为基于 FEMM 的高质量磁性有限元代码创建直接接口。 xfemm 的目标是创建一个用标准 C++ 编写的跨平台命令行磁性有限元求解器、一组用原生 Matlab/Octave 代码编写的磁性问题定义和后处理函数，以及求解器的 mex 接口 用户须知 如果您使用 xfemm，特别是在工业工作和学术工作中，如果您能写一封电子邮件说明这一点以及它如何支持您的工作，将不胜感激。 这是一种确保进一步开发和维护将继续进行的低成本方式！ 在论坛上联系作者，或者您将在源文件中找到电子邮件地址。 如果你想在你的作品中引用 xfemm，请使用以下内容： Crozier, R, Mueller, M.，“流行的磁性有限元代码的新 MATLAB 和 Octave 接口”，第 22 届国际电机会议 (ICEM 2016) 论文集，2016 年 9 月。 我们还建议您引用原始 FEMM 程序。 安装和设置 有两种方法可以使用 xfemm 项目。 一种是将其用作从命令行运行的独立程序的集合。 另一种是通过Mat

Kermalis的VG音乐工作室 VG Music Studio是最常见的GBA音乐格式（MP2K），AlphaDream的GBA音乐格式，最常见的NDS音乐格式（SDAT）和更罕见的NDS / WII音乐格式（DSE）的音乐播放器和可视化程序。 PMD2等]。 如果您想聊天或想要将游戏添加到我们的配置中，请加入我们的 去做： 一般 MIDI保存-使用Sequencer类预览MIDI MIDI保存-具有保存选项（例如重新映射）的UI MIDI保存-使错误更清晰 语音表查看器-提供大量信息的工具提示 可拆钢琴 速度数值（适合） 帮助对话框，说明每个引擎的命令和配置 AlphaDream

持续学习基准 使用流行的持续学习算法评估三种类型的任务转移。 该存储库使用PyTorch实现并模块化了以下算法： EWC： ，（克服神经网络中的灾难性遗忘） 在线EWC： ， SI： ，（通过突触智能持续学习） MAS： ，书面（“内存感知突触：学习（不）忘记的内容”） 创业板： ，（用于持续学习的梯度情景记忆） （更多即将到来） 将以上所有算法与具有相同静态内存开销的以下基准进行比较： 天真彩排： L2： ， 关键表： 如果此存储库对您的工作有所帮助，请引用： @inproceedings{Hsu18_EvalCL, title={Re-evaluating Continual Learning Scenarios: A Categorization and Case for Strong Baselines}, author={Yen-Chang Hsu a

网络流行资源字典排列

FIST快速迭代收缩最经典的文献，目前最流行的优化算法之一

NLM 是一种基于补丁的方法，它是瞬态保留的。 在心电图中，这意味着可以保留信号峰值，同时抑制其他高频噪声。 参见“ECG 信号的非局部方式去噪”，B. Tracey 和 E. Miller，IEEE Transactions on Biomedical Engineering，第 59 卷，第 9 期，2012 年 9 月，第 2383-2386 页。

一款简易的文件传输App，基于AndroidAsync的使用实现文件传输功能，使用较多Lottie动画来可视化界面 内含 1.屏幕适配方案（今日头条） 2.Ip获取（包括无线网卡） 3.ROOM 数据库使用 详情请看代码 4.AndroidAsync的使用 详情请看代码 5.MVP，RxJava，lottie等流行框架

在本文中，我们描述了代表霍乱动力学的两个不同的随机微分方程。 通过将随机性引入随机性建模中的一种标准技术-参数摄动技术，将随机性引入确定性模型中，从而编制出第一条随机微分方程；并使用转移概率来编制第二条随机微分方程。 我们使用合适的Lyapunov函数和Itô公式分析随机模型。 我们陈述并证明了整体存在的条件，正解的唯一性，随机有界性，概率的整体稳定性，矩指数稳定性和几乎确定的收敛性。 我们还使用Euler-Maruyama方案进行了数值模拟，以模拟随机微分方程的样本路径。 我们的结果表明，样本路径是连续的，但不可区分（维纳过程的一个属性）。 此外，我们比较了确定性模型和随机模型的数值模拟结果。 我们发现，SIsIaR-B随机微分方程模型的样本路径在SIsIaR-B常微分方程模型的解内波动。 此外，我们使用扩展的卡尔曼滤波器来估计模型区室（状态），我们发现状态估计值适合测量结果。 还讨论了用于估计模型参数的最大似然估计方法。