前言 我在学习WPF的早期，对依赖属性理解一直都非常的不到位，其恶果就是，我每次在写依赖属性的时候，需要翻过去的代码来复制黏贴。 相信很多朋友有着和我相同的经历，所以这篇文章希望能帮助到那些刚刚开始学依赖属性的朋友。 那些[讨厌]的依赖属性的讲解文章 初学者肯定会面临一件事，就是百度，谷歌，或者MSDN来查看依赖属性的定义和使用，而这些文章虽然都写的很好，但，那是相对于已经学会使用依赖属性的朋友而言。 而对于初学者而言，说是误导都不过分。 比如，官网的这篇文章https://docs.microsoft.com/zh-cn/dotnet/framework/wpf/advanced/depen

机器学习模型的python与类库实现 本repo以李航博士的《统计学习方法》为路线，逐章讲解并实现其中所有的算法；从而，再加上常用的机器学习模型，例如GBDT，XGBoost，Light GBM，FM，FFM等，力争将传统的机器学习方法能够融汇互换 :party_popper: 。 统计学习方法｜感知机模型 模型理论讲解： 模型代码实现： ， 统计学习方法｜ K近邻 模型理论讲解： 模型代码实现： ， 统计学习方法｜朴素贝叶斯 模型理论讲解： 模型代码实现： ， 统计学习方法｜决策树 模型理论讲解： 模型代码实现： ， 统计学习方法｜ logistic回归 模型理论讲解： 模型代码实现： ， 机器学习｜ softmax 模型理论 模型代码实现： 统计学习方法｜最大熵模型 模型理论讲解： 模型代码实现： 统计学习方法｜支持向量机 模型理论讲解： 模型代码实现： ， 统计学习方法｜

伯特·克尔 基于转移学习方法的预训练BERT模型预测组蛋白赖氨酸巴豆酰化（Kcr）位点 所有数据集都在BERT-Kcr /数据中。 所有模型均可在： （1）BERT-Base模型是原始的预训练BERT模型，它包含12个变压器层和768个隐藏的嵌入大小。 （2）BERT-Kcr模型是我们对组蛋白Kcr部位预测的最终模型。 所有代码均在BERT-Kcr /代码中： （1）如果要训练BERT-Kcr模型，请确保已下载上述BERT-Base模型，然后应该： A.格式化您的训练和验证文件，例如BERT-Kcr / code / input文件夹中的文件。 B.修改BERT-Kcr / code / train.sh中的文件夹路径，然后运行： bash train.sh （2）如果要使用BERT-Kcr模型预测组蛋白Kcr站点，请确保已下载上述两个模型，然后应该： A.格式化测试

针对基于决策树和神经网络的增量学习算法的过量匹配和分类精度有限的缺点，提出了一种基于贝叶斯分类器集成的增量学习方法．综合朴素贝叶斯的增量分类和集成的增量学习方法，采用随机属性选择训练初始 SBC(simple Bayesian classifiers)，通过判断是否带有类别标签，将增量样本自动分组，并利用遗传算法对结果进行优化．实验结果表明，贝叶斯分类器集成的增量学习方法有效．

超级马里奥兄弟的深度强化学习 描述 背景信息：超级马里奥兄弟（SMB）是一款流行的动作游戏，具有“真实的”环境和广阔的状态空间，是设计可玩计算机游戏的强化学习代理的理想平台。 该代理要求与世界上的各种对象和障碍进行交互，以鼓励采用知识丰富的学习方法。 方法-我们使用了OpenAI Gym提供的框架。 超级马里奥兄弟体育馆并从游戏环境中提取了信息，以使用PPO训练RL特工。 我们还向环境引入了预处理方法，例如帧缩放，随机跳帧，帧堆叠和噪声网，以提高代理的性能。 通过引入回滚操作来提高训练的稳定性，可以创建PPO的变体。 结果：该方法成功地训练了能够在20个小时的训练后完成水平的特工。 我们成功实现了一种方法，该方法可以比常规PPO实施更好地执行，在不应用数据预处理的情况下性能提高了50％，在应用数据预处理的情况下性能提高了10％。 工具 Pytorch已被用作主要的机器学习库 由于SMB

利用深度学习方法的相干源DOA估计.pdf

hsi matlab代码代码：用于高光谱图像去噪的低阶张量字典学习方法 《 TSP2020一种用于高光谱图像去噪的低秩张量字典学习方法》一文中的所有matlab代码。 数据集 从来自的ICVL。 我们通过msi=msi(1:2:size(msi,1),1:2:size(msi,2), :)下采样ICVL数据集。 来自的贾斯珀里奇（Jasper Ridge） 资料夹结构 Demo_DL_syn.m : Detect the object ' road ' on denoised jasperRidge HSIs via different methods (Fig. 7, 8). Please run it where we provide the pre‐computing denoising results and you can get the results in Fig. 7 and Fig. 8. Demo_denoise_ge.m : Denoise the CAVE- ' watercolors ' HSI with generated noise. It needs t

详细介绍支持向量机、Boosting、最大熵、条件随机场等十个统计学习方法。

统计机器学习课件

学习笔记 思维导图 统计学