Julia 中无穷小连续归一化流算法的实现

如果您想了解逻辑，Skryptonite 代码的文档会更完整。但简而言之，通过将最后一个块放在首位并组织内部矩阵块以便对角线移动到列中，重新排列数据以获得最佳内部操作。

由0和1构成的m*n维矩阵M表示一个迷宫，其中0表示通路，1表示墙壁。迷宫入口为(1,1),出口为(m,n)。迷宫随机产生。试编一算法求出从入口点到出口点可沿八个方向或四个方向前进的一条通路，或显示没有通路

AdaboostOnMNIST 这是使用两个不同的弱学习者从头开始实现Adaboost算法的方法：决策树分类器和梯度提升分类器。 Adaboost在MNIST上运行以告知奇数和偶数。 经过scikit Learn模型的adaboost测试，并获得了更高的分数。 最小的训练误差为％1.8，在7次迭代中进行了梯度增强。 函数调用为adaboost（X_train，Y_train，inversions_t，Classifier_type），有两种类型的分类器，“ Gradient_Boost”和“ Decision_tree”可以放入第4个输入中。 adaboost返回一个4元组（stump，stump_weights，errors，D_weights） 您可以使用predict（stumps，stump_weights，X_test）对训练集进行预测。 这将返回该X_test的标签数组

蚁群算法 matlab实现，可用于基本开发....内附说明....

主要介绍了Python语言描述KNN算法与Kd树，具有一定借鉴价值，需要的朋友可以参考下。

数据挖掘 贝叶斯算法 C++ 贝叶斯算法一般都用MATLAB实现，好不容易找到个C++的，可以用到工程中去

对直接插入排序、希尔排序、冒泡排序、快排、简单选择排序、堆排序的性能进行分析：比较各种排序算法在不同测试数据情况下的比较次数、移动次数。

PDF全文：./mcmc.pdf 论文中的源代码可以在这个存储库中找到。 马尔可夫链蒙特卡罗 (MCMC)是一种通过在复杂模型中模拟来估计统计量的技术。受限玻尔兹曼机（RBM）是机器学习领域的关键模型。然而，训练大型 RBM 模型将包括难以计算的配分函数，即 Z(θ)。这个问题引起了人们对使用 MCMC 方法进行估计的工作的兴趣。在本文中，我们首先进行了Metropolis-Hastings 算法，这是最流行的采样方法之一，并分析了它的正确性和性能，以及接受率的选择。然后我们实现三种算法：TAP、AIS、RTS, 来估计 RBM 模型的配分函数。我们的工作不仅介绍了可用的算法，而且系统地比较了它们之间的性能和差异。我们力求提供 MCMC 领域的整体观点

实验内容： Exercise 1: 设定系统中有五个进程，每一个进程用一个进程控制块表示。 Exercise 2: 输入每个进程的“优先数”和“要求运行时间”。 Exercise 3: 为了调度方便，将五个进程按给定的优先数从大到小连成就绪队列。用一单元指出队列首进程，用指针指出队列的连接情况。 Exercise 4: 处理机调度总是选队首进程运行。采用动态优先数算法，进程每运行一次优先数就减“1”，同时将运行时间减“1”。 Exercise 5: 若某进程运行时间为零，则将其状态置为“结束”,且退出队列。 Exercise 6: 运行所设计程序，显示或打印逐次被选中进程的进程名，以及进程控制块的动态变化过程。