StellarGraph机器学习库 StellarGraph是一个Python库，用于在上进行机器学习。 目录 介绍 StellarGraph库提供了用于的最新算法，可轻松发现模式并回答有关图结构数据的问题。 它可以解决许多机器学习任务： 节点和边缘的表示学习，用于可视化和各种下游机器学习任务； 或边的； 整个图的分类； 链接预测； [8]。 图结构化数据将实体表示为节点（或顶点），并将它们之间的关系表示为边（或链接），并且可以将与其中任一实体关联的数据表示为属性。 例如，一个图可以包含人作为节点，而人与人之间的友谊则作为链接，以及诸如人的年龄和建立友谊的日期之类的数据。 StellarGraph支持多种图形的分析： 同构的（具有一种类型的节点和链接）， 异构的（具有不止一种类型的节点和/或链接） 知识图（具有数千种边类型的极端异构图） 有或没有与节点关联的数据的图 边缘权重的图形 StellarGraph建立在及其Keras以及和。 因此，它是用户友好的，模块化的和可扩展的。 它可以与构建在这些基础之上的代码（例如标准Keras层和流畅地互操作，因此可以轻松扩展S

计算机视觉-算法与应用英文版：Computer Vision: Algorithms and Applications_Richard Szeliski

Mark Allen Weiss - Data Structures and Algorithms 经典的数据结构教材

马氏距离matlab代码Distance_Algorithms_Datamining_Matlab Distance_Algorithms_Datamining_Matlab_Euclidean_Mahalanobis_Cossine_Entropy_Correlation_Covariance 在此代码中，我们具有所有列均为数字的样本数据集，然后计算距离算法。 计算所有行之间的欧几里得距离。 计算所有行之间的Mahalanobis距离。 计算所有列之间的余弦距离。 计算所有列之间的相关距离。 计算所有列之间的协方差距离。 每一列的熵。

本特利-奥特曼扫斗绳 这是适用于Node.js和浏览器的Bentley-Ottman掠过线算法实现。 它找到一组2D线段中的所有交点，在内部使用平衡的avl树。 var findIntersections = require ( 'bentley-ottman-sweepline' ) ; var segments = [ [ [ 0 , 1 ] , [ 3 , 1 ] ] , [ [ 2 , 0 ] , [ 2 , 2 ] ] ] console . log ( findIntersections ( segments ) ) ; 细分可追溯性 JavaScript中提供了该算法的几种实现方式，请参见。 这既不是最快的，也不是最可靠的（众所周知，它会因多个笛卡尔相交而失败；这显然可以通过一点点TLC来解决）。 综上所述，该特定实现是唯一提供段可追溯性的实现。 也就是说，您

计算电磁学中的优秀书籍，详细介绍了各种快速算法

Papadimitriou.C.H,.Steiglitz.K..Combinatorial.Optimization..Algorithms.and.Complexity.djvu 不是俄文版了

AlgoVisualizer AlgoVisualizer是一种可视化算法的应用程序，它作为使用JavaFX的CSE 4402：Visual Programming Lab的项目而开发。 团队成员： 萨吉德·阿塔夫（Ms.Sajid Altaf）-180041203 Syed Mohammed Sartaj Ekram- 180041204 Adham Arik Rahman- 180041219 演示： 起始页： 这是此应用程序的起始页。 用户可以按Enter继续。 菜单页： 此应用程序中有3种不同类型的算法：搜索算法，排序算法和图遍历算法。 用户可以选择任何一个继续。 排序算法： 该应用程序有5种排序算法。 有一些选项可用于更改阵列的大小，提供自定义输入，生成随机输入，更改转换速度，暂停转换并查看其算法。 插入排序 选择排序 快速排序 气泡排序 合并排序 图遍历：

介绍网络路由算法，协议，架构 Network Routing: Algorithms Protocols and Architectures

pyHSICLasso pyHSICLasso是希尔伯特·施密特（Hilbert Schmidt）独立标准套索（HSIC Lasso）的软件包，这是一种考虑了非线性输入和输出关系的黑匣子（非线性）特征选择方法。 HSIC Lasso可以看作是广泛使用的最小冗余最大相关性（mRMR）特征选择算法的凸变体。 HSIC套索的优势 可以有效地找到与非线性相关的特征。 可以找到非冗余功能。 可以获得全局最优的解决方案。 可以通过内核处理回归和分类问题。 功能选择 监督性特征选择的目标是找到负责预测输出值的输入特征子集。 通过使用它，您可以补充非线性输入和输出的依赖性，并且可以有效地计算高维问题的最优解。 通过针对数以千计的特征进行分类和回归的特征选择实验证明了其有效性。 在许多实际应用中，例如从微阵列数据中选择基因，文档分类和假体控制，在高维监督学习中寻找功能的子集是一个重要的问题。 安装