CoffeeOrd 咖啡订单应用

The Deep Learning textbook is a resource intended to help students and practitioners enter the field of machine learning in general and deep learning in particular. Table of Contents Chapter 1 Introduction Part I: Applied Math and Machine Learning Basics Chapter 2 Linear Algebra Chapter 3 Probability and Information Theory Chapter 4 Numerical Computation Chapter 5 Machine Learning Basics Part II: Modern Practical Deep Networks Chapter 6 Deep Feedforward Networks Chapter 7 Regularization Chapter 8 Optimization for Training Deep Models Chapter 9 Convolutional Networks Chapter 10 Sequence Modeling: Recurrent and Recursive Nets Chapter 11 Practical Methodology Chapter 12 Applications Part III: Deep Learning Research Chapter 13 Linear Factor Models Chapter 14 Autoencoders Chapter 15 Representation Learning Chapter 16 Structured Probabilistic Models for Deep Learning Chapter 17 Monte Carlo Methods Chapter 18 Confronting the Partition Function Chapter 19 Approximate Inference Chapter 20 Deep Generative Models

非常好的machine learning入门书。

平滑分类器认证稳健性的一致性正则化 (NeurIPS2020) 该存储库包含和的论文“平滑分类器的证明稳健性的一致性正则化”代码。 依存关系 conda create -n smoothing-consistency python=3 conda activate smoothing-consistency # IMPORTANT: Please make sure `pytorch != 1.4.0` # Currently, our code is not compatible to `pytorch == 1.4.0`; # See more details at `https://github.com/pytorch/pytorch/issues/32395`. # Below is for linux, with CUDA 10; see https://pytorc

machine-learning-ex4（编程作业：Neural Networks Learning，程序运行结果正确）

《A Tandem Learning Rule for Effective Training and Rapid Inference of Deep Spiking Neural Networks》，论文原文

在Arduino Nano 33 BLE Sense上训练和部署Tensorflow Lite RNN模型的更简单方法-用于微语音识别。

Machine_Learning_Algorithms-master，Machine_Learning_Algorithms-master 配套数据集及源代码 Machine_Learning_Algorithms-master，Machine_Learning_Algorithms-master 配套数据集及源代码

Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow(3rd Edition)

matlab贪婪算法代码使用强化学习进行内容缓存 众所周知，无线移动终端网络中的最佳数据分配问题即使对于少量的文件和终端（NP-Hard）也是难以解决的。 该存储库包含在 IEEE Xplore: Distributed Caching based on Decentralized Learning Automata 中发表的工作代码。 问题 简单地说，文件放置问题或“缓存问题”出现在我们想要在每个位置最多 C 个对象的 H 位置中找到 F 个对象的最佳放置时。 最优指的是最小化某种成本函数的分配，在这种情况下是网络中的延迟。 尝试所有可能的对象组合和排列（“蛮力”或“穷举搜索”方法）对于少量对象很快变得不可行。 解决方案 有很多方法可以解决缓存问题的次优解决方案。 我们提出了一个受到独立玩家游戏（学习自动机）的启发，他们采取行动并感知彼此的选择，以了解他们的策略是否好。 由于不需要对玩家的选择进行评分的中心化实体，因此这种方法具有高度的可扩展性。 在模拟的嘈杂环境下，我们的算法接近贪婪策略的性能，其中每个玩家都最小化他们的成本函数。 我们提出了一种离散广义追踪算法（DGPA 贡献 基