DCGAN DCGAN是深度卷积生成对抗网络。 DCGAN由彼此相对的两个神经网络组成。 生成器神经网络学习创建看起来真实的图像，而鉴别器学习识别伪造的图像。 随着时间的流逝，图像开始越来越像训练输入。 图像以随机噪声开始，并且随着时间的推移越来越类似于手写数字。 下面的gif显示了100个训练纪元： [1] Goodfellow，Ian等。 “生成对抗网络。” 神经信息处理系统的进步。 2014.（全文： : ） [2] Radford，Alec，Luke Metz和Soumith Chintala。 “具有深度卷积生成对抗网络的无监督表示学习。” arXiv预印本arXiv：1511.06434（2015）。 （全文： : ） [3] Y. LeCun，L。Bottou，Y。Bengio和P. Haffner。 “基于梯度的学习应用于文档识别。” IEEE会议论文集，

MuttonTimeSeries:利用澳大利亚羊肉统计局提供的历史数据，应用SARIMA建模方法，并使用ADF，PADF，BIC，EACF等诊断工具进行验证，以深入了解来年将要生产的羊肉的数量和趋势

深入了解示波器，示波器XYZ。 本读本提供的概念将引导读者逐步理解示波器的基础知识和操作方式。 本读本的后面的术语表对各术语进行了定义。针对示波器的原理和控 制，本读本列出了词汇表以及练习中设计的多项选择题，对课堂学习很 有帮助。并不要求有数学和电子学的基础知识。 在实际工作中使用示波器时，借助随同示波器一同提供的手册，能帮助 您了解更多特定的信息。一些示波器制造商也提供各种应用备忘录，其 中的注意事项可以帮助您优化示波器，以满足特定测量的需求。

神经网络可视化 神经网络架构和参数的可视化。 描述 这个项目是为我的硕士论文完成的。 可以从论文中获得一般描述： 抽象的 人工神经网络是人工智能研究的热门领域。 大型模型的大小和复杂性的增加带来了某些问题。 神经网络内部工作缺乏透明度，因此很难为不同任务选择有效的架构。 事实证明，解决这些问题具有挑战性，并且由于缺乏对神经网络的深入了解，这种情况变得根深蒂固。 考虑到这些困难，介绍了一种新颖的3D可视化技术。 通过使用来自神经网络优化领域的既定方法，可以估算出经过训练的神经网络的属性。 批处理规范化与微调和特征提取一起使用，以估计神经网络不同部分的重要性。 重要值与各种方法（如边缘捆绑，光线跟踪，3D冒名顶替者和特殊的透明技术）的组合产生了代表神经网络的3D模型。 证明了所提取的重要性估计的有效性，并探索了开发的可视化的潜力。 如何使用 使用描述的参数准备configs/processi

机器学习 深度学习 pytorch tensorflow 贝叶斯 神经网络 算法

国外的教材，英文版，通俗易懂，易上手，适合英文入门。

深入了解示波器(入门手册).

熟悉计算机系统 ，本书是一本经典的全面了解计算机系统的书，里面有很多的专业词汇，关于计算机方面。

经典图书 MRI的 基础原理 适合

kpmg-data-insights 专为毕马威（KPMG）数据分析虚拟实习而创建，以深入了解样本提供的客户数据。 使用matplotlib创建可视化。