深度学习资料集合：(1.1.1)--神经网络基础.pdf，(1.4.1)--银行客户流失预测.pdf，(2.1.1)--深度学习应用概况.pdf，(3.1.1)--卷积神经网络基础.pdf，(3.11.1)--卷积笔记.pdf，(4.1.1)--卷积神经网络算法.pdf，(4.7.1)--VGG动物识别.pdf，(5.1.1)--循环神经网络模型.pdf，(5.7.1)--股票预测.pdf，(6.1.1)--目标检测.pdf，(6.14.1)--任务检测.pdf，(7.1.1)--生成对抗网络.pdf，(7.3.1)--自编码器.pdf，(7.9.1)--GAN用于手写体生成.pdf，(8.1

A Survey of Deep Meta-Learning论文翻译原文链接：https://link.zhihu.com/?target=https%3A//arxiv.org/abs/2010.03522

介绍机器学习Windows环境下开发Spark程序的配置方法，包含Java配置、Spark配置、系统环境配置，方便爱好者调试机器学习程序。

MatLab强化学习代码包，使用深度Q学习（神经网络）控制倒立摆的代码。 详细说明可参看我的专栏《强化学习与控制》 https://blog.csdn.net/weixin_43723517/category_9676083.html "I thought what I'd do was I'd pretend I was one of those deaf-mutes, or should I?"

深度强化学习是深度学习算法和强化学习算法的巧妙结合, 它是一种新兴的通用人工智能算法技术, 也是机器学习的前沿技术, DRL算法潜力无限, AlphaGo是目前该算法最成功的使用案例。DRL算法以马尔科夫决策过程为基础, 是在深度学习强大的非线性函数的拟合能力下构成的一种增强算法。深度强化学习算法主要包括基于动态规划 (DP) 的算法以及基于策略优化的算法, 这本书共10章, 首先以AlphaGo在围棋大战的伟大事迹开始, 引起对人工智能发展和现状的介绍, 进而介绍深度强化学习的基本知识。然后分别介绍了强化学习 (重点介绍蒙特卡洛算法和时序差分算法) 和深度学习的基础知识、功能神经网络层、卷积神经网络 (CNN)、循环神经网络 (RNN), 以及深度强化学习的理论基础和当前主流的算法框架。最后介绍了深度强化学习在不同领域的几个应用实例。

MatLab强化学习代码包，为使用深度Q学习解决网格迷宫问题的代码。 详细说明可参看我的专栏《强化学习与控制》 https://blog.csdn.net/weixin_43723517/category_9676083.html "I thought what I'd do was I'd pretend I was one of those deaf-mutes, or should I?"

深度增强学习算法的PyTorch实现(策略梯度/生成对抗模仿学习)

基于深度迁移学习的小样本图像分类matlab程序，网络模型基于AlexNet，文件包含了图像数据集，输出结果可靠。

深度学习在强化学习方面的应用所产生的深度强化学习取得快速发展。如何解释深度强化学习优势产生的原因是理解技术的基本方法。

基于Tensorflow实现的PPO算法，依赖库：tensorflow-1.4及以上，gym