深矩阵分解模型 “推荐系统的深矩阵分解模型”的实现 见论文： : 要求 可以按以下要求运行此代码，但不限于： Python= 3.5.3 张量流gpu = 1.5.0 numpy = 1.14.0 + mkl 上面要求的其他安装依赖性 使用例 指令说明已在代码中明确说明。 python Model.py 后记 作为学习者，代码中可能存在一些错误。 请随时告知。

本书重新审查了理论计算机科学，提供了一种新的方法，该方法将资源折衷和复杂性分类的优先级放在机器的结构及其与语言的关系上。

ESL Models and their Application：Electronic System Level Design and Verification in Practice 1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1 2 IP Meta-Models for SoC Assembly and HW/SW Interfaces . . . . 33 3 Functional Models . . . . . . . . . . . . . . . . . . . . . . . . . . . 83 4 Testbench Models . . . . . . . . . . . . . . . . . . . . . . . . . . . . 143 5 Virtual Prototypes and Mixed Abstraction Modeling . . . . . . . . 173 6 Processor-Centric Design: Processors, Multi-Processors, and Software . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 225 7 Codesign Experiences Based on a Virtual Platform . . . . . . . . . 273 8 Transaction-Level Platform Creation . . . . . . . . . . . . . . . . . 309 9 C/C++ Hardware Design for the Real World . . . . . . . . . . . . . 361

The traffic assignment problem - Models and Methods (Michael Patriksson)

KMV的MATLAB的代码信用风险模型 使用Flask-Restplus的信用风险即服务API的简单示例 KMV模型 这里给出的样本模型是KMV模型。 KMV模型计算公司的公司预期违约频率（EDF）。 EDF还是违约概率的代理。 记入（HK UST）进行实际演示- def kmv(enterprise_value, short_term_debt, long_term_debt, mu, sigma, period=1): """ KMV Model - https://www.math.ust.hk/~maykwok/Web_ppt/KMV/KMV.pdf :param enterprise_value: Enterprise Value of the Firm (can market capitalisation) :param short_term_debt: Firm's short term debt :param long_term_debt: Firm's long term debt :param mu: Expected Return after 1 year :pa

ONNX模型动物园 是一种开放标准格式，用于表示机器学习模型。 ONNX得到了许多合作伙伴的支持，这些合作伙伴已经在许多框架和工具中实现了该功能。 ONNX模型动物园是由像您这样的社区成员提供的ONNX格式的经过预训练的最新模型的集合。 每个模型都有用于进行模型训练并根据训练后的模型进行推断。 这些笔记本是用Python编写的，包括指向训练数据集的链接以及对描述模型体系结构的原始论文的引用。 我们已经在进行了标准化，以存储ONNX模型文件。 要下载ONNX模型，请导航至相应的Github页面，然后单击右上角的Download按钮。 楷模 请阅读下面的部分，以获取有关ONNX模型库（.onn

变压器模型：MATLAB中的深度学习变压器模型

On the Opportunities and Risks of Foundation Models.pdf

NIPS'14-SSL 使用深度生成模型重现我们的 NIPS 2014 论文关于半监督学习 (SSL) 的一些关键结果的代码。 DP Kingma、DJ Rezende、S. Mohamed、M. Welling 具有深度生成模型的半监督学习神经信息处理系统的进展 27 ( NIPS 2014 )，蒙特利尔 使用此代码进行研究时，请引用本文。 警告：此代码远未完全注释。 对于问题和错误报告，请发送电子邮件至dpkingma[at]gmail.com 。 先决条件 确保安装了以下最新版本： Python（2.7 或更高版本） Numpy（例如pip install numpy ） Theano（例如pip install Theano ） 在 Theano 配置的[global]部分（通常是~/.theanorc ）中设置floatX = float32 。 或者，您可以在

生存模型 该存储库包含用于运行各种生存模型的 R 和 SAS 代码。 请参阅每个单独的文件以了解要求。 在运行这些程序之前，请转到 ftp://ftp.wiley.com/public/sci_tech_med/survival/ 并下载这些文件。 将它们存储在该数据目录下的子目录 wiley 中。 我没有在 git 存储库中包含 wiley 子目录，因为 (a) 我不需要，并且 (b) 我不想冒险与任何版权问题发生冲突。 此目录结构松散地基于 威尔逊等人。 足够好的统计计算实践。 PLoS Comput Biol 13(6)：e1005510。 bin 包含二进制文件（xlsx (Excel)、pptx (PowerPoint)、sas7bdat（SAS 数据）和 RData（R 数据）文件）。 data 包含文本数据文件。 doc 包含文档，对于这个存储库，它是数据文件夹中