PC Assembly Language (Paul A. Carter) 英文版+中文版+源码

C#文档是一套C#入门使用手册，了解如何在 .NET 平台上使用 C# 编程语言编写任何应用程序。这里包含三个文档：C#8.0规范、C#8.0指南完整版、CSharp Language Specification 5.0 中文简体版，内含涵盖C#8.0新功能介绍、基础知识、入门教程、操作指南、编程指南、语言参考等

自然语言处理与灾难鸣叫Kaggle

Unified_Code_Count 统一代码计数是一种软件度量工具，可以分析20多种不同的编程语言，以查找逻辑的和物理的代码源行，对给定语言的关键字和各种运算符，数学函数名称等以及循环复杂度进行计数，然后生成各种报告。 此版本包括显着的性能增强和多个线程的功能。 您将看到的大概速度要快2到3倍。 这是南加州大学发布的UCC 2013_04的更改。 原始2013_04源文件可在以下找到： ://csse.usc.edu/ucc在跨平台C ++中编写 此变体包括原始2013_04版本的内容，其中包含一些经过修改和添加的源文件，以及一些简要描述更改的文档。 （下面是zip文件中Read_Me.txt的内容） Read_Me.txt，用于具有线程和其他改进功能的2013_04统一代码计数2015年6月6日 在这里找到文件 计数规则文档-每个语言​​解析器组1个文档23个文件，用于使用3

JIRA Core-7.3.1-language-pack-zh_CN.jar

赖特语言 一种会飞的语言 徽章 服务 徽章 Travic CI GitHub行动CI 传送带CI 代码覆盖率 博士 Crates.io GitHub版本 GitHub（预）发布 平均问题解决 问题仍未解决 发展状况 资料下载 全部的 发行版 预发行 Crates.io Crates.io（最新） Wright是一种受Rust启发的轻量级编程语言。 Wright的目标是利用Rust的一些关键功能（例如安全性和速度），并为它们增加许多其他功能，以及后端和类型系统的新增功能。 语言的核心目标： 使用方便 坚固性 合理的速度 记忆安全 并发 可移植性 赖特和鲁斯特的比较： 锈 赖特 参考类型 X 一生 X 垃圾收集器 X 班级 X 类型级常量 还没有 X 枚举 标记工会 专用子类型 结构 X X 特质 X X 工会 枚举或未标记 专用标签类

半监督序列学习 此回购记录了重现论文给出的结果的实验​​。 简而言之，我们在未标记的文本数据上对序列自动编码器或语言模型进行预训练，然后使用标记的文本数据对使用预训练权重初始化的基于RNN的序列分类器进行微调，与随机初始化的权重相比，分类精度更高。 资料准备 IMDB数据集 我们为此实验使用。 下载并解压缩，导航至目录aclImdb/train ，该目录aclImdb/train中包含带aclImdb/train/pos的正（ aclImdb/train/pos ）和带标签的负性（ aclImdb/train/neg ）以及未标签的评论（ aclImdb/train/unsup ）。 然后cd进入每个子目录并运行 for f in *.txt; do (cat "${f}"; echo) >> pos.txt; done for f in *.txt; do (cat "${f}"; ec

textacy：NLP，spaCy之前和之后 textacy是一个基于高性能spaCy库的Python库，用于执行各种自然语言处理（NLP）任务。 通过将基础知识-令牌化，词性标记，依赖项解析等-委托给另一个库， textacy主要关注于之前和之后的任务。 产品特点 通过用于处理一个或多个文档的便捷方法访问spaCy，并通过自定义扩展名和自动语言识别扩展其功能，从而为文本应用正确的spaCy管道 下载包含文本内容和元数据的数据集，从国会演讲到历史文献再到Reddit评论 轻松以多种常用格式在磁盘之间传输数据 清理，规范化和浏览原始文本-在使用spaCy处理之前 灵活地从处理过的文档中提取单词，n-gram，名词块，实体，首字母缩写词，关键词和其他感兴趣的元素 通过各种相似性指标比较字符串，集合和文档 对文档进行标记和向量化，然后训练，解释和可视化主题模型 计算各种文本可读性统计信息，包括Flesch-Kincaid等级水平，SMOG索引和多语种Flesch Reading Ease ...还有更多！ 链接 下载： : 文档： ： 源代码： : 错误跟踪程序： ： 维

机器学习支持的虚假新闻检测器 从初始构想到部署，构建端到端机器学习项目的完整示例。 此回购随附于博客文章系列，描述了如何构建假新闻检测应用程序。 这里包含的帖子： ：描述项目构想，设置存储库和初始项目工具。 ：描述如何使用工具获取数据集并执行探索性数据分析，以便更好地理解问题。 ：描述如何为第一个ML模型（随机森林分类器）获得功能训练/评估管道，包括如何正确测试管道的各个部分。 ：描述如何解释通过特征分析（通过诸如类的技术）和错误分析所学的第一个模型。 也可用于由驱动的第二个模型。 ：描述如何使用和部署模型以及构建随附的Chrome扩展程序。 还说明了用于以可伸缩和可复制的方式在应

语音情感分析器：神经网络模型能够从音频语音中检测出五种不同的男女情感。 （深度学习，NLP，Python）