堪称最经典的一本mathcad的书。 求解微分方程，编程，等都有。 英文的。

第一次尝试使用 OpenCV 基于深度学习的人体姿态估计的COCO 模型和MPII 模型

BGGM：贝叶斯高斯图形模型 R包BGGM提供了用于在高斯图形模型（GGM）中进行贝叶斯推理的工具。 这些方法围绕用于贝叶斯推断的两种通用方法进行组织：（1）估计和（2）假设检验。 关键区别在于，前者着眼于后验或后验预测分布（Gelman，Meng和Stern，1996年；见Rubin 1984年的第5节），而后者着眼于与贝叶斯因子的模型比较（Jeffreys 1961年； Kass and Raftery（1995）。 什么是高斯图形模型？ 高斯图形模型捕获了一组变量之间的条件（非）依赖关系。 这些是成对关系（部分相关性），用于控制模型中所有其他变量的影响。 应用领域 高斯图形模型被用于各种科学领域，包括（但不限于）经济学（Millington和Niranjan 2020），气候科学（Zerenner等人，2014），遗传学（Chu等人，2009）和心理学（Rodriguez等人，

dsge模型的MATLAB代码Dynare-for-DSGE-模型 thesis.mod文件是我2012年的硕士论文，是一个带有金融加速器机制的DSGE模型。 要执行它，您需要在 Matlab 上安装 Dynare。 我还包括我的论文和代码，以便更容易理解模型。 另外两个mod文件是同名论文的代码。 论文为pdf格式。 这两篇论文及其代码也可以在网上找到。 事实上，这就是我首先获得它们的方式。

分层潜在Dirichlet分配 分层潜在狄利克雷分配（hLDA）解决了从数据中学习主题层次结构的问题。 该模型依赖于称为嵌套中国餐厅过程的非参数先验，该过程允许任意大的分支因子，并可以轻松容纳不断增长的数据收集。 hLDA模型将此先验与基于潜在Dirichlet分配的分层变体的可能性相结合。 执行 是用于hLDA推断的Gibbs采样器，基于的实现，在nCRP树上具有固定的深度。 安装 只需使用pip install hlda即可安装该软件包。 可以在找到一个示例笔记本，该笔记本可以推断BBC Insight语料库上的层次结构主题。

(Prob) Ross, Introduction to Probability Models 10th.pdf

Spiking Neuron Models _ W.Gerstner,_W.M.Kistler.djv 注意不是pdf的，是.djv版本的书籍。 这书的pdf版也上传了。见Spiking Neuron Models - single neurons, populations, plasticity _ W.Gerstner,_W.M.Kistler

【摘要或目录】： 本书是作者从事大型现代通信系统仿真工作20余年的经验总结，利用C++语言系统地讲解了复杂无线通信系统中各类模块的仿真原理与方法，并给出了大量实用的模型源代码。作者在本书编写过程中开发了工具包PracSim，这是一个由仿真模型和可互连的仿真结构组成的模块集，可以为用户提供一个可修改及开发的基础模型，以便能更接近用户所需仿真的系统。书中仿真结构和模型的源代码均可在Prentice Hall的网站上获得。通过本书的学习可使读者掌握无线通信系统仿真的基本方法，从而加深对无线通信和面向对象编程的理解，为从事通信领域的相关研究工作打下坚实的基础。. 本书内容丰富、实用性强，非常适合国内目前的需求。可作为高等院校信息类专业高年级本科生和研究生的通信系统仿真课程的教材，也可供相关工程技术人员参考使用。... 第1章 仿真：背景及回顾 1.1 通信系统 1.2 仿真过程 1.3 仿真程序 第2章 仿真基础结构 2.1 参数输入 2.1.1 各参数值 2.1.2 参数数组 2.1.3 枚举类型参数 2.1.4 系统参数 2.1.5 信号绘图参数 2.2 信号 2.2.1 信号管理策略 2.2.2 信号管理系统的实现 2.3 控制信号 2.4 结果报告 附录2A 源代码实例 第3章 信号发生器 3.1 基本信号发生器 3.1.1 单位阶跃函数 3.1.2 矩形脉冲 3.1.3 单位冲激 3.1.4 软件实现 3.2 音频信号发生器 3.2.1 软件实现 3.3 基带信号采样 3.3.1 采样的频域特性 3.4 基带数据波形发生器 3.4.1 非归零NRZ基带信号 3.4.2 双相位基带信号 3.4.3 延迟调制 3.4.4 应用中的问题 3.5 为带通信号建模 附录3A 源代码实例 第4章 随机过程模型 4.1 随机序列 4.1.1 离散分布 4.1.2 离散随机过程 4.2 随机过程发生器 4.2.1 线性同余序列 4.2.2 软件实现 4.2.3 随机数发生器的评价 4.3 连续时间噪声过程 4.3.1 连续随机变量 4.3.2 随机过程 4.4 加性高斯噪声发生器 4.4.1 高斯分布 4.4.2 误差函数 4.4.3 谱特性 4.4.4 噪声功率 4.4.5 高斯随机数发生器 4.5 通带噪声 4.5.1 包络和相角 4.5.2 瑞利随机数发生器 4.6 随机过程的参数模型 4.6.1 自回归噪声模型 附录4A 源代码实例 第5章 离散变换 5.1 离散傅里叶变换 5.1.1 参数选择 5.1.2 离散傅里叶变换的性质 5.2 时域抽取算法 5.2.1 软件注释 5.3 频域抽取算法 5.4 小采样数N的离散傅里叶变换 5.5 素因数算法 5.5.1 软件注释 附录 5A 源代码实例 第6章 谱估计 6.1 采样频谱 6.1.1 软件实现 6.2 Daniell 周期图 6.2.1 软件实现 6.3 Bartlett 周期图 6.3.1 软件实现 6.4 加窗和其他问题 6.4.1 三角窗 6.4.2 软件考虑 6.4.3 von Hann 窗 6.4.4 汉明窗 6.4.5 软件实现 6.5 Welch周期图 6.5.1 软件实现 6.6 Yule-Walker方法 6.6.1 软件实现 附录6A 源代码实例 第7章 系统表征工具 7.1 线性系统 7.1.1 线性系统的特性 7.1.2 传递函数 7.1.3 传递函数的计算机表示方法 7.1.4 幅频响应、相频

Fairchild, Mark D. (2005). Color Appearance Models (2E ed.). Wiley Interscience. ISBN 978-0-470-01216-1.

Probabilistic graphical models is a technique in machine learning that uses the concepts of graph theory to concisely represent and optimally predict values in our data problems. Graphical models gives us techniques to find complex patterns in the data and are widely used in the field of speech recognition, information extraction, image segmentation, and modeling gene regulatory networks. This book starts with the basics of probability theory and graph theory, then goes on to discuss various models and inference algorithms. All the different types of models are discussed along with code examples to create and modify them, and also run different inference algorithms on them. There is an entire chapter that goes on to cover Naive Bayes model and Hidden Markov models. These models have been thoroughly discussed using real-world examples.