深度SARSA和深度Q学习-LunarLander-v2 环境 在这个项目中，我试图从OpenAI体育馆解决Lunar Lander环境。这是一个二维环境，其目的是教导登月舱模块安全地着陆在固定在点（0,0）的着陆垫上。该代理具有3个推进器：一个在模块的底部，另一个在模块的每一侧。因此，代理人在每个时间步长都有4种可能的动作可供选择：发射每个推进器或什么也不做。给予坐席的奖励取决于许多因素：发射底部推进器会产生-0.3的奖励，而发射侧面推进器会产生-0.03的奖励。如果探员安全地降落在着陆垫上，将获得+100分的奖励，此外，与地面接触的模块的每条腿都将获得+10分的奖励。当代理程序着陆或崩溃时，已达到终端状态。为了检测终端状态，可以提取一个状态向量，该状态向量指示代理的位置，其当前速度和环境着陆标志，以指示腿是否与地面接触。还可以提取代表环境中代理图片的RGB阵列。最后，要解决此问题并确定

Grok 使用的机器学习算法是 Hawkins 创造的，叫做脑皮质学习算法，或简称为 CLA。CLA 试图模仿人脑的结构，特别是负责处理高级认知功能的新皮质部分。

经过算法改进，实现了比Q学习更快的收敛速度，可以快速的找到最短路径，程序使用了matlab语言，适合初学者，也适合科研硕士研究。

【案例描述】 海伦使用约会网站寻找约会对象。经过一段时间之后，她发现曾交往过三种类型的人: 不喜欢的人 魅力一般的人 极具魅力的人 她希望: 工作日与魅力一般的人约会 周末与极具魅力的人约会 不喜欢的人则直接排除掉 现在她收集到了一些约会网站未曾记录的数据信息，这更有助于匹配对象的归类。 【开发步骤】 收集数据: 提供文本文件 准备数据: 使用 Python 解析文本文件 分析数据: 使用 Matplotlib 画二维散点图 训练算法: 此步骤不适用于 k-近邻算法 测试算法: 使用海伦提供的部分数据作为测试样本。 使用算法: 产生简单的命令行程序，然后海伦可以输入一些特征数据以判断对方是否为自己喜欢的类型。 【注】本实例对于每步都有详细讲解，若有不理解部分，可私信解答。

新莫扎特 用于学习和再生音乐序列的 HTM 学习算法实现 该项目正在尝试创建 HMT 学习算法的实现（参见 ），该算法能够识别和建模给定音乐数据集中常见的、重复出现的模式或结构。 然后，通过以新的方式组合学习的模式，这可以用来“重写”可比较的音乐序列。 通过这种方式，人们可以通过 HTM 学习和建模他/她最喜欢的所有音乐（具有相似的属性），并让它重新生成重新组合自己最喜欢的音乐。 音乐。 这就是我们都喜欢和享受的：但是一些最受欢迎的作曲家已经不在人世了。 在从各种在线资源提供的数百万音乐数据文件中，我们仍然拥有他们的作品、数据和音乐模式。 一旦可以做到这一点，它就可以扩展到针对每个用户最喜欢的播放列表进行训练，然后按需生成结构相似的歌曲。 这是这个项目的目标：使用数据分析工具和框架，我想从音乐中提取精髓，从单音钢琴序列开始，伟大的作曲家——比如莫扎特——然后用这些学习的模式创作新的音乐

关于集成学习算法解释较为清晰明了的PPT与代码，非常适合小白入门，以及作为面试的准备，有助于快速提升机器学习基础算法

这是对Res2Net的介绍PPT可供下载。 首先介绍了Resnet ResNeXt 等等时下比较流行的模型，然后对本文提出的Res2Net的结构，功能，特点（尤其是①计算负载不变但是性能提升②强大的集成能力与集成后效果的明显提升），广泛应用等等进行介绍。

CSCI-567：各种机器学习算法

这算是一份手册或者是快速学习的一种方式，里面涵盖基本的机器学习和深度学习算法，从基本介绍，到特征工程，从基本的机器学习算法（决策树，贝叶斯，线性回归，支持向量机，KNN，聚合算法，GBDT，xgb，lightbgm等， 无监督算法pca，聚类等）， 到深度学习算法（CNN，RNN）基本上全覆盖。所以有了这一个，能够在应用中快速的查看。希望在自学深度学习和机器学习的路上帮助到大家。

很好的基于蚁群优化的DBN转移网络结构学习算法，算法描述很详细，特别适合初学者