Google AlphaGo

通过C ++编程为两种最流行的人工智能技术提供逻辑且易于遵循的进度：神经和模糊编程。

DO-Conv：深度超参数化卷积层 由金明曹，创建，孙铭超，， ，，和。 介绍 DO-Conv是深度过参数化的卷积层，可在训练阶段用作CNN中常规卷积层的替代，以实现更高的精度。在推理阶段，DO-Conv可以融合到常规卷积层中，从而导致计算量与常规卷积层的计算量完全相同。 有关更多详细信息，请参见的，其中我们展示了DO-Conv在各种基准数据集/任务上的优势。 我们高度欢迎的问题 我们非常欢迎与DO-Conv相关的问题，而不是电子邮件，而不是电子邮件。 此外，如果在发行中提供最少的可复制示例代码，那将是很好的。 ImageNet分类性能 我们以的为基准。基线中的设置已经过调整，以适应基线，并且在切换到DO-Conv期间不会被触摸。换句话说，DO-Conv是唯一且仅在基线上进行更改的工具，并且没有进行任何超参数调整来支持DO-Conv。我们认为GluonCV具有很高的重现性，但是，为了尽可

音频分类使用深度学习 使用深度学习对10种不同的城市声音进行分类。 可以从以下链接下载音频文件： : 重要说明：文件夹应按以下方式排列： 火车标签目录：sounds / labels / train.csv 测试标签的目录：sounds / labels / test.csv 火车声音的目录：sounds / train / train_sound /（。wav格式的音频文件） 火车声音的目录：sounds / test / test_sound /（。wav格式的音频文件） 火车文件夹贴有标签 测试文件夹未标记 我们将一个音频信号分成3个，以将数据实际加载为机器可理解的格式。 为此，我们只需要在每个特定的时间步长之后取值即可。 例如; 在2秒的音频文件中，我们将在半秒内提取值。 这称为音频数据采样，而对其采样的速率称为采样速率。 现在可以将不同的纯信号表示为频域中的三个唯

For graduate-level neural network courses offered in the departments of Computer Engineering, Electrical Engineering, and Computer Science. Renowned for its thoroughness and readability, this well-organized and completely up-to-date text remains the most comprehensive treatment of neural networks from an engineering perspective. Refocused, revised and renamed to reflect the duality of neural networks and learning machines, this edition recognizes that the subject matter is richer when these topics are studied together. Ideas drawn from neural networks and machine learning are hybridized to perform improved learning tasks beyond the capability of either independently.

Handbook on Array Processing and Sensor Networks 英文无水印原版pdf pdf所有页面使用FoxitReader、PDF-XChangeViewer、SumatraPDF和Firefox测试都可以打开 本资源转载自网络，如有侵权，请联系上传者或csdn删除 查看此书详细信息请在美国亚马逊官网搜索此书

Congestion detection in lossless networks.pdf

分布式计算-PySpark 该存储库包含有关在Python中使用Spark进行分布式计算的微型项目。 文本分析：PySpark中的逐点相互信息 计算文本文件中出现的所有单词的一个或多个标记的PMI。 图/网络分析：PySpark中的个性化PageRank算法 实现PageRank算法的修改版本，其中参照给定的源节点执行排名。 修改有两个方面： 随机仅跳到源节点 由于节点悬空而造成的质量损失将完全转移到源节点，而不是在整个图形上重新分配 使用Spark数据帧和Spark SQL查询TPCH

neural-networks-and-deep-learning书籍的一些demo，使用python2编写，有需要可以下载

我们到了！ 主要思想是我们如何从 EEG 记录数据库构建功能性大脑网络，然后可视化大脑网络中的一些网络特征。 所以让我们明星吧！ （自v。R2015b起）。 带有步骤的网页版本可在以下网址获得： http : //complexity.es/school/neuroscience 使用图论和复杂系统进行功能连接（单击图像中的 PDF 副本）。 本大脑复杂网络教程由 Johann H. Martínez 编写。 使用 EEG 的原始时间序列、频带分解、建立基于相关性的大脑网络（不同类型的相关性）、可视化图形的矩阵表示、使用矩阵重新布线和阈值方法。 在这里，我们使用 Sporns 等人的 Brain Connectivity Toolbox (BCT)，麻省理工学院的 Matlab 网络分析工具。 感谢 David Legland 的函数“double2rgb.m”。 数据集是从 Chen