金融机器学习练习的进展 所著《 》一书中选定练习的实验解决方案 确保在您的环境中使用python setup.py install ，以便jupyter笔记本和您可能开发的其他脚本可以找到包括bars.py和snippets.py的src脚本。 其他AFML项目和资源 人们共享的其他github项目和链接也受到这本书的启发。 我想在这里收集它们，以便本着协作和思想共享的精神与他人共享。 如果您要添加的内容更多，请告诉我。 Github项目 文章链接 项目组织 ├── LICENSE ├── Makefile <- Makefile with commands like `make data` or `make train` ├── README.md <- The top-level README for developers using this p

针对整数倍频偏会造成OFDM码元序列的循环移位而导致系统性能下降的问题，提出一种新的OFDM整数倍频偏的频域估计算法。利用一个OFDM码元中各子载波上数据符号之间的差分关系和最大似然（ML）估计理论，导出了该整数倍频偏的ML估计器的估计公式。新算法在不增加算法复杂度的条件下，频偏估计性能优于传统方法。

matlab 期望函数代码 ML_Maximization 最大似然期望最大化算法 分两个语言版本： Matlab:主函数为demo_MLEM_Simulation.m python: im = phantom(im_size, im_size)函数是Matlab内置的，生产一个im_size * im_size的矩阵（图片），在python中直接把矩阵数据放到im.csv中进行读取 Images MLEM函数的主要作用是试照片降噪，在程序迭代10次，python代码把每次迭代后的图像记录也保存下来了，请参考images文件夹

shapley 值的matlab代码粒子物理的机器智能 这是一个存储库，其中将包含机器学习和人工智能在粒子物理学中的应用的有用代码 也欢迎用于相关研究领域的代码。 我们不想包括所有物理学，因为节制变得困难。 但是，如果您觉得您的代码对本存储库的受众有用，请发送 PR，我们将对其进行查看 规则： 代码可以是任何语言。 对于python，欢迎使用脚本和笔记本。 代码应放在一个独立的文件夹中，该文件夹应包含以下内容： 完整代码：使代码工作所需的所有文件（包括数据文件）。 README.md ：以降价格式编写的 README.md，解释了代码的作用以及如何运行代码。 数据文件：如果数据文件太大或公开可用，任何检索它们的链接都必须包含在代码或 README.md 中。 作者详细信息：负责维护代码的作者的姓名和电子邮件。 依赖项：需要安装的依赖项列表（例如，python 代码的 requirements.txt） 参考文献：如果您的代码已用于出版物，请指定要引用的论文。 代码的作者将全权负责确保代码与目录中提供的文件一起运行/编译。 不要交叉链接到其他目录中的其他代码。 请保持目录自包含，即使这意

爱普生630k后面卡纸，是带动齿轮引起，传感器也坏了，打印模糊，除了调节距离，打印头也出问题

======简单的雨量预报====== 该项目的目标是根据几个参数来预测明天的天气会下雨还是不出现默认值。 由于我不是气象和气候领域的专家，因此，为了防止在选择阈值时出现偏差，我将使该应用程序的结果除二进制分类外还添加一定百分比的默认值。 有了这个简单的应用程序，人们将可以更轻松地预测明天是否会下雨。 该数据集来自澳大利亚各地多个地方的每日气象观测资料，该资料集是从澳大利亚联邦气象局获得的，经过处理后创建了这个非常大的样本数据集，用于说明分析。 如果要查看有关此项目的更多详细信息，请单击下面的链接： 应用链接= Linkedin =

ME495机器人的传感，导航和机器学习 耶尔·本·沙洛姆（Yael Ben Shalom） 2021年冬季 包装清单 该存储库包含几个ROS软件包： 适应差动驱动机器人的软件包，可满足我们的需求。 2d-处理SE（2）中的转换的程序包。 使turtlesim乌龟遵循rectanglep路径的软件包。 一个软件包，用于存储与turtlebot硬件交互的代码。 一个模拟机器人运动学的软件包，以及一个用于检测地标和地标id的相对x，y位置的传感器。 软件包包含实现基于特征的卡尔曼滤波器SLAM。 该存储库使用外部软件包： nuturtlebot-附加软件包，可帮助我们使用turtlebot上的较低级硬件。 为了运行该项目，请下载turtle.repos文件。

Android人脸检测 使用设备摄像头和最新的Firebase ML Kit进行实时人脸检测，检测“ n”张脸并用矩形框标记它们，显示幸福度以及脸部界标（眼睛，耳朵，鼻子等）

图像的均方误差的matlab代码 机器学习第一次作业 机器学习平台python和matlab的熟悉 1 问题描述 1 用python或者matlab编写一个KNN分类器 训练集为semeion_train.csv 测试集为semeion_test.csv 计算在测试集上的错误率（k = 1 3 5 7） 2 选做 在训练集上划分一个交叉验证集（可以是训练集数据的20%左右），利用交叉验证选择k值 画一个以k值为x轴，交叉验证集错误率为y的曲线 3 本次实验的简要介绍 实验内容 本次实验使用kNN算法实现手写数字的识别。数据有256个特征值，代表了一个16*16的位图的像素值，0为无像素，1为存在像素。利用python PIL做出其中各个数字的典型图像如下所示： kNN算法简介 kNN算法是一种监督学习算法。假设给定一个训练数据集，其中的实例类别已经确定。分类是对于新的类别，根据其最相近的k个邻居的类别，通过多数表决的方式进行预测。利用训练集对特征空间进行分类划分，并作为其分类的模型。 2. 解决方法 1 解决思路 计算待分类点与已知类别的点之间的距离 按照距离递增次序排序 选取与待分类

hmm模型matlab代码Mattia的ML工具 高斯混合模型，隐马尔可夫模型和相关算法的另一个Matlab实现。 为学习而构建，用于下面引用的我的HRI'18论文。 该代码使用了Tom Minka的两个库： 快速安装： 光速： 详细： 高斯混合模型（GMM）：概率，梯度和熵计算 HMM：HMM的推理和学习（MLE，仅针对多元正态发射概率的MAP） 部分HMM（PHMM）：推理和学习（MLE，MAP仅针对多元正态发射概率） 多元正态分布（MVN）：MLE，MAP，后验预测，熵计算，梯度评估 多元T学生分布（MVST）：用于MVN的后验，拉普拉斯近似 分类分布：推理和学习（MLE，MAP） Dirichlet分布：推理和学习（MLE，Weigthed MLE，熵，KL散度） 数值稳定：对数概率空间实现 参考： 拉卡（Racca），马蒂亚（Mattia）和基尔基·维尔（Kyrki Ville）。 “针对时间任务模型的主动机器人学习。” 2018年ACM / IEEE人机交互国际会议论文集，纽约，纽约，美国，2018年，第123–131页。 汤姆敏卡。 “估计Dirichlet分布。” 技术