【达摩老生出品，必属精品，亲测校正，质量保证】 资源名：matlab实现的深度学习算法_DeepLearnToolbox_matlab 资源类型：matlab项目全套源码 源码说明： 全部项目源码都是经过测试校正后百分百成功运行的，如果您下载后不能运行可联系我进行指导或者更换。 适合人群：新手及有一定经验的开发人员

概述 这是pytorch中基于模型的RL算法MBPO的重新实现，如下文所述：。 该代码基于的使用张量流集成模型重现了结果，但使用pytorch集成模型却表现出明显的性能下降。 这段代码使用pytorch重新实现了集成动力学模型，并缩小了差距。 转载结果 比较是在两个任务上完成的，而其他任务没有经过测试。 但是在经过测试的两个任务上，与官方的tensorflow代码相比，pytorch实现获得了类似的性能。 依存关系 MuJoCo 1.5和MuJoCo 2.0 用法 python main_mbpo.py --env_name'Walker2d-v2'--num_epoch 300 --model_type'pytorch' python main_mbpo.py --env_name'Hopper-v2'--num_epoch 300 --model_type'pytorch' 参考

帮助同学快速回顾监督型算法的主要步骤。 包含机器学习监督类算法+集成学习模型（内容来自：《统计机器学习》+《集成学习》+集成学习论文梗概+知乎答主内容总结） 机器学习理论基础+朴素贝叶斯+感知机+决策树+SVM+随机森林+K近邻+GBDT+Adaboost+XGBoost+LightGBM

细粒度分析学科领域热点主题发展脉络并对利用机器学习算法对未来发展趋势进行准确预测研究。防法/过程」提出一种基于机器学习算法的研究热点趋势预测方法与分析框架，以基因工程领域为例利用主题概率模型识别WOS核心集中论文摘要数据研究热点主题并进行主题演化关联构建，然后选取BP神经网络、支持向量机及LSTM模型等3种典型机器学习算法进行预测分析，最后利用RE指标和精准度指标评价机器学习算法预测效果并对基因工程领域在医药卫生、农业食品等方面研究趋势进行分析。实验表明基于LSTM模型对热点主题未来发展趋势预测准确度最高，支持向量机预测效果次之，BP神经网络预测效果较差且预测稳定性不足，同时结合专家咨询和文献调研表明本文方法可快速识别基因领域研究主题及发展趋势，可为我国学科领域大势研判和架构调整提供决策支持和参考。

数据集记录了示范光伏电站10个方阵各3台逆变器1个月的5min间隔有功功率运行数据，主要给出时间戳信息、逆变器所属区块和方阵信息等。可利用10个方阵的各3台光伏逆变器功率数据结合机器学习无监督算法技术，建立鲁棒的光伏功率异常数据检测模型，用于识别并剔除潜在的异常数据。 termNum: 期数 distNum: 区块号 blockNum: 方阵号 Time: 测点时间 powerNum: 逆变器编号 Power: 有功功率值

人工智能_CNN_验证码识别_使用机器学习算法完成对12306验证码的自动识别 两个必要的数据集： 文字识别，model.h5 图片识别，12306.image.model.h5

基于python的强化学习算法Q-learning设计与实现

基于Jupyter Notebook与python的深度强化学习算法Deep Q Learning

基于Jupyter Notebook与python的深度强化学习算法Double DQN Solution

基于python的深度强化学习算法Deep Q Learning实现