my-notes-app-kotlin：Aplikasi Note Android Kotlin

该笔记欢迎star，不建议叉！因为经常更新 实战案例 实战一：MNIST数据集手写数字识别 实战二：猫狗识别 实战三：Google涂鸦识别挑战项目 实战四：LSTM实现新闻文本分类算法 实战五：变压器实现英译中机器翻译 实战六：Google涂鸦识别挑战项目（GPU分散训练） 实战七：花朵识别（TPU分散训练） 实战八：BERT实现文本匹配 实战九：tf.serving模型部署 其他（TODO） 推荐项目实战 MIND算法（提供Demo数据）TODO NLP项目实战 ESIM算法 CV项目识别 去做 参考资料

数据结构：《数据结构》-严蔚敏。吴伟民-教材原型与习题解析

Semi-Supervised-Learning-Using-Gaussian-Fields-and-Harmonic-Functions_notes

个人学习笔记_F5 201 Exam Study Notes

互动设计说明 包含有关加利福尼亚大学圣地亚哥分校交互设计专业的笔记和课程。 :folded_hands: 致谢 我衷心感谢因为这让我的生活变得更加轻松。

开发思路： 使用ADO通过ODBC链接进行Louts数据读取，在建立一个与SQL server数据库相连的ADO，将读取数据写入SQL server数据库。 安装环境： 首先安装lotus_notes853_win_SC（lotus客户端软件） 然后安装LOTUS_NOTES_SQL_853_W32_CIC6PEN（顺序好像有关系，win8.1安装64位不能正常使用，一定要安装32位的） 数据库连接： 先通过lotus客户端软件连接登陆成功，需要admin.id文件 通过ODBC 数据源(32 位) 添加 Lotus Notes SQL Driver(*.nsf)数据源，选择自己的loust数据库文件.nsf delphi ADO控件通过ODBC Drivers直接连接，本程序中用例名设置为LotusOA，每次连接需要输入lotus密码，其他开发这里就不在介绍可以看源代码 delphi ADO控件连接自己本地的SQL Server数据库，程序下载后自己修改 软件使用： 1、配置：通过config.ini修改LOTUSCONN，即LotusOA设置为自己的建立ODBC的名字，关系数据库修改DBCONN，本例中为SQLServer数据库 2、启动程序，点“数据源链接”，程序连接到lotus数据库和Sql server数据库 设置原始表名：通过lotus设计程序中的试图中可以看到，大部分是fm_Main，设置创建表名用于数据导出的表 3、获取表字段，会读处lotus数据的所有表名，自动目标生成表创建的sql语句，默认字段长度都是254，如需要可以自己修改 4、点“创建表”按钮，如果已创建了不要再点这个按钮 5、点“导出数据”，程序开始自动导出数据 如果目标数据库是其他类型数据库，可自己通过配置文件config.ini中的DBCONN进行修改 lotus导入关系数据库的资源一直很难找，自己的一点拙见，希望对大家有用。

【耶鲁】数据结构与编程技术 这是CPSC 223的课程信息:2021年春季学期的数据结构和编程技术。

动态调度的matlab代码非线性动力学与振动 莱特州立大学ME 7160非线性动力学和振动的注释，代码和其他文档 注意：由于本机可以呈现方程式，因此作业作业/时间表仍会发布在上。 （即我不必进行文件转换等）。 此存储库中使用的文件格式（如果我错过了任何文件，请告诉我-我不会列出图形格式）。 扩大 描述 ipynb 笔记本（课堂笔记将采用这种格式） 米 脚本文件或功能文件 md 格式 pdf格式 PDF格式的文档或IPython Notebook（希望课堂笔记会及时转换为该文档） py 脚本 第一次 格式 那么：为什么所有这些格式？ 任何现代工程类都需要编程。 流利的编程是必不可少的工具。 最好的工具通常是免费的-除了工作。 两种格式（md和rst）都是简单的文本文件，通过遵循约定，可以轻松以精美的格式显示它们，包括超链接等。Markdown在Web上更是默认设置，ReST（.rst）更强大， 尽管。 你们中的许多人都熟悉Matlab。 自1989年以来，我一直是Matlab的用户。它提供了很多东西，但是作为一个环境，它也非常受限制。 Python是我要去的地方。 我将在IPython笔

Statistic-study-notes 李航统计学习方法（第二版）的学习笔记，包括： 1、每章重点数学公式的手动推导 均为手写然后扫描成图片，字迹不工整还望谅解，之后有时间会用Latex修正 点击数学公式没有出现图片的情况 需要搭梯子才可以在线预览到数学推导的图片... 3.1 无数学推导，偏重算法实现-KNN 5.1 无数学推导，偏重算法实现-决策树 6.1 最大熵模型的数学推导 6.2 拉格朗日对偶性问题的数学推导 6.3 改进的迭代尺度法数学推导 7.第七章数学公式推导 7.1 软间隔最大化对偶问题 7.2 证明最大间隔分离超平面存在唯一性 8.第八章数学公式推导 8.1 证明AdaBoost是前向分步加法算法的特例 8.2 证明AdaBoost的训练误差界 9.第九章数学公式推导 9.1 EM算法的导出 9.2 用EM算法估计高斯模混合模型 10.第十章数学公式推导 10.1