机器学习与算法及源码：数据挖掘、可视化.zip

机器学习与算法及源码：随机游动.zip

机器学习与算法及源码：遗传算法.zip

机器学习与算法及源码：遗传算法.zip

机器学习与算法及源码：整数规划.zip

机器学习与算法及源码：秩和比法.zip

了解推荐相关常用概念 知道推荐系统的工程架构和算法架构 知道推荐系统的常用算法 知道协同过滤推荐的相关原理 了解推荐系统的评估 了解推荐系统的冷启动问题

Q学习的冰冻湖 Q-Learning算法已在游戏《冰湖》中进行测试。 技术 该项目是通过使用nodejs和electronic的javascript实现的。 这个怎么运作 该游戏与gym.openai 相同 在这个游戏中，特工必须经过抽签才能达到目标“ G”并获得1分的奖励，否则将不给予奖励。 它可以从四个要在环境中执行的动作中进行选择，这些动作是：左移，右移，向上和向下。 字母“ S”是安全的起始位置，字母“ F”是冻结的表面，也很安全。 如果特工发现一个“ H”洞，它将掉落，结束游戏并开始下一个情节。 由于湖的表面被冻结了，特工有机会滑倒并滑到不想去的位置。 结果 通过项目中使用的参数，获得了Q表。 这是最终的Q表，代表了座席在培训阶段所获得的经验。 每一列都是业务代表根据状态可立即获得以及将来获得的奖励（向左，向右，向上和向下）采取该行动的概率。 正如所言。 而且每

论文研究-环行穿梭车优化调度问题的自学习算法.pdf,  分析研究环形穿梭车(RGV)的工作特点和调度策略，同时考虑其起停、等待、复合作业对搬运能力的影响，创建了环形RGV搬运作业的多目标优化调度数学模型.在此基础上提出了基于自学习和改进遗传算法的环形RGV实时调度算法.讨论了调度算法的编码、选择、交叉变异操作规则方法，提出改进种群和妥协解的专家库自学习方法，提高优化计算速度.通过计算仿真和工程验证，证实环形RGV的搬运能力得到有效提高，该模型和自学习算法是可行和有效的.

基于Python和sklearn机器学习库实现的支持向量机算法使用的实战案例。 使用jupyter notebook环境开发。 支持向量机：支持向量机（Support Vector Machine, SVM）是一类按监督学习（supervised learning）方式对数据进行二元分类的广义线性分类器（generalized linear classifier），其决策边界是对学习样本求解的最大边距超平面（maximum-margin hyperplane） [1-3] 。 SVM使用铰链损失函数（hinge loss）计算经验风险（empirical risk）并在求解系统中加入了正则化项以优化结构风险（structural risk），是一个具有稀疏性和稳健性的分类器 [2] 。SVM可以通过核方法（kernel method）进行非线性分类，是常见的核学习（kernel learning）方法之一。