Algorithms Illuminated

Tensorflow 2 Keras的深度强化学习 注意：需要tensorflow == 2.1.0 它是什么？ keras-rl2在Python中实现了一些最先进的深度强化学习算法，并与深度学习库无缝集成。 此外， keras-rl2可以与一起使用。 这意味着评估和使用不同算法很容易。 当然，您可以根据自己的需要扩展keras-rl2 。 您可以使用内置的Keras回调和指标或定义自己的指标。 更重要的是，只需扩展一些简单的抽象类，即可轻松实现自己的环境甚至算法。 文档可。 包含什么？ 截止到今天，已经实现了以下算法： 深度Q学习（DQN） [1] ， [2] Double DQN [3] 深度确定性策略梯度（DDPG） [4] 连续DQN（CDQN或NAF） [6] 交叉熵方法（CEM） [7] ， [8] 决斗网络DQN（Dueling DQN） [9] 深层S

java8 集合源码分析 数据挖掘十大类经典算法 基于Java8实现。 算法目录 常用的标准数据挖掘算法 包名 目录名 算法名 AssociationAnalysis DataMining_Apriori Apriori-关联规则挖掘算法 AssociationAnalysis DataMining_FPTree FPTree-频繁模式树算法 BaggingAndBoosting DataMining_AdaBoost AdaBoost-装袋提升算法 Classification DataMining_CART CART-分类回归树算法 Classification DataMining_ID3 ID3-决策树分类算法 Classification DataMining_KNN KNN-k最近邻算法工具类 Classification DataMining_NaiveBayes NaiveBayes-朴素贝叶斯算法 Clustering DataMining_BIRCH BIRCH-层次聚类算法 Clustering DataMining_KMeans KMeans-K均值算法 Gra

process-scheduling-algorithms：C ++中的调度算法程序

graphlayouts：R中用于网络可视化的新布局算法

Software developers and computer scientists have eagerly awaited this comprehensive revision of Robert Sedgewick's landmark texts on algorithms. Sedgewick has completely revamped all five sections, illuminating today's best algorithms for an exceptionally wide range of tasks. This shrink-wrapped package brings together Algorithms in C, Third Edition, Parts 1-4 and his new Algorithms in C, Third Edition, Part 5. Together, these books are definitive: the most up-to-date and practical algorithms resource available. Sedgewick masterfully blends theory and practice, making Bundle of Algorithms in C, Third Edition an essential resource for computer science researchers, students, and working developers alike. The first book introduces fundamental concepts associated with algorithms; then covers data structures, sorting, and searching. The second book focuses entirely on graphing algorithms, which are critical for a wide range of applications, including network connectivity, circuit design, scheduling, transaction processing, and resource allocation. Together, these books present nearly 2,000 new exercises, hundreds of new figures, and dozens of new programs. In both books, Sedgewick focuses on practical applications, giving readers all the information, diagrams, and real (not pseudo-) code they need to confidently implement, debug, and use the algorithms he presents.

文字挖掘 此代码可用于为文档分配关键字，并从文档数据库中查找单词之间的关联规则。 此外，只需稍加修改，就可以使用搜索关键字创建文档建议系统。 入门 克隆此存储库 执行textMining.py 系统将要求您提供支持和信心。 输入那些，您将获得关联规则作为输出。 就是这样。 做得好！ 先决条件 需要在计算机上安装python 3.6。 运行测试 编写代码的方式是，当您执行TextMining.py时，它将检查名为documentDatabase的文件夹并读取其中的所有.txt文件。 每个文本文件都充当一个单独的文档。 由于代码的输入应该是文档数据库，因此我们在documentDatabase文件夹中有多个文档。 读取所有文档，然后通过删除停用词来对其进行清洁。 使用词干进一步清除单词。 停用词列表可以在listOfStopWords.txt中找到 Example of stemmin

【达摩老生出品，必属精品，亲测校正，质量保证】 资源名：遗传算法工具箱_GAOT_Genetic Algorithms_matlab 资源类型：matlab项目全套源码 源码说明： 全部项目源码都是经过测试校正后百分百成功运行的，如果您下载后不能运行可联系我进行指导或者更换。 适合人群：新手及有一定经验的开发人员

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