代码中包含13种强化学习算法，所调用的环境不仅包含gym下面的一些简单环境，还可以自己设计环境（简单的迷宫游戏），简洁明了，适合算法学习的同学使用，其中A3C与PPO还涉及了并行运算的算法。

包括贝叶斯算法，神经网络算法，支持向量机等等相关讲义

为了执行重复性任务，本文针对具有参数不确定性的两连杆刚柔机器人提出了一种自适应边界迭代学习控制（ILC）方案。 利用汉密尔顿原理，建立了系统的常微分方程和偏微分方程（ODE–PDE）耦合动力学模型。为了驱动节点遵循期望的轨迹并同时消除柔性梁的变形，加入了边界控制策略。边界控制方案的自适应迭代学习算法包括比例-微分（PD）反馈结构和迭代项。该新型控制器旨在处理未建模的动力学和其他未知的外部干扰。 提供了数值模拟，以验证所提出的控制器在MATLAB中的性能。

EasyRL强化学习算法入门与实践.pdf

赛马 赛马是将常见机器学习算法应用于数据集并评估哪个表现最佳的最简单方法。 Horserace 支持以下类型的问题： 分类 回归 聚类 降维 推荐 用法 $ pip install horserace $ from horserace.run_race import Race $ race = Race(pandas_df, x_cols, y_cols, problem_type) $ race.go() |||||||||||||||||||| And they're off! |||||||||||||||||||| Logistic regression: Accuracy: 0.50 (+/- 0.63) KNN: Accuracy: 0.83 (+/- 0.28) Random forest: Accuracy: 0.73 (+/- 0.32) ####使用的算法

PG学习 一种用于半监督学习的高效有效的学习图算法。 （MATLAB代码） 说明：运行代码和示例 在使用代码之前，您应该编译util / lib / mtimesx /文件夹中的mtimesx lib。 请参考 。 对于Mac OS用户，您可以首先使用Homebrew安装openblas库，然后运行 bias_lib = 'path to libblas.dylib' mex('-DDEFINEUNIX','-largeArrayDims','mtimesx.c',blas_lib) 安装所需的库后，您应该在根文件夹EXCUTE的main.m。 之后，您可以在根文件夹下运行所有​​的matlab文件。 在示例文件夹中，我们提供了有关单线程版本PG-Learn，超宽带并行版本PG-Learn以及一些基线的示例，其中包括网格搜索，随机搜索，MinEnt，AEW和IDML。 此外，我们还提供

该PPT讲解了反向传播神经网络模型的推导及数学计算，有助于理解反向传播。

CSE523-机器学习-KHVM 一种音乐推荐系统，它使用协作过滤和机器学习算法（例如K近邻和奇异值分解（SVD））根据用户的喜好向用户推荐歌曲。 介绍 Music Recommend系统是一种根据用户的不同选择来预测或过滤偏好的系统，它从用户过去的收听历史中学习，并向他们推荐他们将来可能希望听到的各种歌曲。协作过滤算法可预测（还可以通过收集用户的喜好来过滤用户的品味，并实现来自许多其他用户的品味（协作）。 在项目的第一阶段，我们使用k最近邻算法构建了一个推荐系统，我们的系统还使用了表示均方根误差的RMSE。 对数据集进行预测时存在的误差的标准偏差称为RMSE。 均方根误差（RMSE）是用于确定回归线与数据点的匹配程度的度量。沿着RMSE，我们还应用了奇异值分解（SVD）.SVD是将矩阵分解为奇异向量的另一种方法和奇异值。 SVD通常在机器学习中用作数据缩减工具，并在其他矩阵运算（例如

变型空间和候选消除（2） 下一步需要什么样的训练样例 一般来说，概念学习的最优查询策略，是产生实例以满足当前变型空间中大约半数的假设。这样，变型空间的大小可以在遇到每个新样例时减半，正确的目标概念就可在只用log2|VS|次实验后得到。

跟随前一个上传资源，MATLAB的说明部分，希望也能给与其他人一启示。