机器学习是问题学习和决策的核心论证和人工方面分类。 因此，科学家们引入了机器学习，通常用于人工思维。 使人脑等各种活动自动化的重要方法是人工智能准备框架。 机器学习技术需要一个规划程序来自动获得对不同应用程序信息的搜索控制。 机器学习在机器人领域发挥着重要作用。 它有助于决策并提高机器效率。 机器学习在大量应用中得到应用。 正是智能系统的原理概念有助于巧妙地引入人工智能，也使人工智能非常先进。

序数回归 序数回归涉及多标签数据，其中数据标签相对于彼此排序。 作为一名深度学习研究人员，我遇到了序数回归似乎合适的问题设置，但是我还没有找到序数回归方法的Tensorflow实现。 这是我在Tensorflow中建立序数回归方法的尝试，以便可以将其应用于我的研究。 序数阈值 截至目前，我还没有在Tensorflow中找到一种方法来强加有序阈值，因为通过反向传播将其作为模型的参数进行调整时，这些阈值仍然保持不变。 在此期间，我仅将阈值初始化为从特定范围内的均匀分布得出的排序的非递减随机向量。 这些阈值被视为一个常数。 我发现这严重妨碍了模型，但是确实允许模型训练。

ner_crf ner_crf是Jupyter笔记本，它使用 / 实现，使用条件随机字段（CRF）描述了命名实体识别（NER）。 依存关系 ner_crf用编写，因此在使用python3之前应下载最新版本的python3 。 可以从找到python的下载（建议使用3.5.1版）。 您还需要能够运行Jupyter Notebook（请参阅 ）。 还需要以下python库来运行ner_crf笔记本：

mysql的mind分叉图

TinyFSM TinyFSM是一个简单的C ++有限状态机库，旨在实现最佳性能和低内存占用。 这使其成为实时操作系统的理想选择。 这个概念非常简单，使程序员可以完全了解幕后发生的事情。 它提供了一种将状态机图表映射到源代码的简单方法。 TinyFSM基本上将事件分派包装到函数调用中，使事件分派同样快地调用（甚至内联）函数。 即使在最坏的情况下，调度也只会导致单个vtable查找和函数调用！ 主要特征： 进/出动作 事件动作 过渡功能 过渡条件 事件有效负载（类） 状态和动作函数的继承 TinyFSM受益于C ++ 11模板元编程功能（如可变参数模板），并且不依赖于RTTI，异常或任何外部库。 官方主页： ： 当前版本： 0.3.2 文献资料 您可以在TinyFSM项目的doc/目录中找到主要文档。 最新版本也可。 安装 TinyFSM是仅标头的库，不需要特殊的安装步骤。

Udacity的无人驾驶汽车项目：此存储库包含我关于Udacity的第1学期的无人驾驶汽车纳米学位项目的总结报告，该项目专注于决策的计算机视觉和深度学习

Delphi调用Report Machine的一个例子

report machine 5.5 完整源代码控件包

行为树 这个C ++ 14库提供了一个创建BehaviorTrees的框架。 它设计灵活，易于使用，ReactSwift。 即使我们的主要用例是机器人技术，您也可以使用此库来构建游戏的AI或替换应用程序中的有限状态机。 与其他实现相比，很少有功能可以使BehaviorTree.CPP变得唯一： 它使异步Action （即非阻塞）成为一等公民。 您可以构建可同时执行多个操作的React式行为。 树是使用域特定脚本脚本语言（基于XML）定义的，并且可以在运行时加载。 换句话说，即使使用C ++编写，树也不是硬编码的。 您可以静态链接自定义TreeNode或将其转换为可在运行时加载的插件。 它提供了一种类型安全且灵活的机制来在树的节点之间进行数据流。 它包括一个日志记录/概要分析基础结构，该基础结构使用户可以可视化，记录，重放和分析状态转换。 最后但并非最不重要的一点：有！

足球预测 SoccerPredictor使用机器学习来预测英超联赛的比赛结果，重点是预测胜负（对应于对双倍机会的押注）。 预测以非常规方式建模为时间序列分类。 将为每个团队创建一个神经网络模型，并同时对其进行训练。 注意：请记住，由于我没有发布数据集，因此您将无法进行实际的培训。 如果您想对其进行测试，则必须自己组装。 提供更有趣功能的网站很难抓取，但绝对有可能。 因此，如果您想构建类似的东西或者只是看看我是如何实现各种东西的，则可以将其作为主要灵感。 如果没有数据集，则只能对附加的文件集进行可视化和回测。 这主要用于演示目的。 请参考随附的以获取有关该程序如何工作的更多信息。 结果 在测试期间，获得的最佳结果是利润1069 % ，预测精度约为90 % ，ROI为33.4 % 。 测试期间的时间跨度为113天，押注了150场比赛中的32场。 安装 运行该程序需要手动安装，例如：