数值特征 离散值处理 数值特征的处理，最常见的方法，就是离散值处理了 对于一份新拿到手的数据来说，会有很多不能被计算机识别的数据，这就需要对它们进行处理 LabelEncoder import pandas as pd import numpy as np # 加载数据 vg_df = pd.read_csv('datasets/vgsales.csv', encoding = ISO-8859-1) vg_df[['Name', 'Platform', 'Year', 'Genre', 'Publisher']].head() # 拿到某个特征的离散数据 genres = np.uniq

这里是 ShowMeAI 持续分享的【开源eBook】系列！内容覆盖机器学习、深度学习、数据科学、数据分析、大数据、Keras、TensorFlow、PyTorch、强化学习、数学基础等各个方向。整理自各平台的原作者公开分享（审核大大请放手） ◉ 简介：这是新书『强化学习的数学基础』的书稿，作者赵世钰，现任西湖大学工学院智能无人系统实验室主任。2022年秋季是作者第四次教授强化学习的研究生课程，撰写这份资料是为了弥补已有教材的不足。 ◉ 目录： 第2章：贝尔曼方程，是分析状态值的基本工具 第3章：贝尔曼最优方程，是一个特殊的贝尔曼方程 第4章：值迭代算法，是一种求解贝尔曼最优方程的算法 第5章：蒙特卡罗学习，是第4章策略迭代算法的扩展 第6章：随机逼近的基础知识 第7章：时差学习，第6章是本章的基础 第8章：扩展了表格时间对价值函数逼近情况的差分学习方法 第9章：策略迭代 第10章：actor-critic 方法

高清版，应用预测建模，人工智能nlp方向必读书籍，BAT算法工程师极力推荐！

压缩包包含 1：EMNIST数据集压缩包 2：EMNIST转化为图片后的格式（PNG） 3：EMNIST数据集转化为图片代码 EMNIST数据集介绍：名字的由来为，Extended MNIST (EMNIST), 一个在手写字体分类任务中更有挑战的 Benchmark EMNIST 主要分为以下 5 类： 1：By_Class ： 共 814255 张，62 类，与 NIST 相比重新划分类训练集与测试机的图片数 2：By_Merge： 共 814255 张，47 类， 与 NIST 相比重新划分类训练集与测试机的图片数 3：Balanced : 共 131600 张，47 类， 每一类都包含了相同的数据，每一类训练集 2400 张，测试集 400 张 4：Digits ：共 28000 张，10 类，每一类包含相同数量数据，每一类训练集 24000 张，测试集 4000 张 5：Letters : 共 145600 张，26 类，每一类包含相同数据，每一类训练集5600 张，测试集 800 张

最全最新最受欢迎深度学习入门301页PPT，李宏毅老师讲解涵盖深度学习发展进程，算法演进，实例分析，基础实验，图文并茂，深入浅出，揭开深度学习神秘面纱，窥探里面的真实世界,读完收益匪浅

Abstract The style-based GAN architecture (StyleGAN) yields state-of-the-art results in data-driven unconditional generative image modeling. We expose and analyze several of its characteristic artifacts, and propose changes in both model architecture and training methods to address them. In particular, we redesign generator normalization, revisit progressive growing, and regularize the generator to encourage good conditioning in the mapping from latent vectors to images. In addition to improving image quality, this path length regularizer yields the additional benefit that the generator becomes significantly easier to invert. This makes it possible to reliably detect if an image is generated by a particular network. We furthermore visualize how well the generator utilizes its output resolution, and identify a capacity problem, motivating us to train larger models for additional quality improvements. Overall, our improved model rede- fines the state of the art in unconditional image modeling, both in terms of existing distribution quality metrics as well as perceived image quality.

适合再次领域内研究的初学者，内含数据集和算法

面向科研和产品化的深度学习和强化学习库（TensorLayer开源中国官方镜像）

AKG(Auto Kernel Generator)对深度神经网络中的算子进行优化，并提供特定模式下的算子自动融合功能。AKG与MindSpore的图算融合功能协同工作，可提升在不同硬件后端上运行网络的性能。AKG由三个基本的优化模块组成：规范化、自动调度和后端优化。规范化： 为了解决polyhedral表达能力的局限性（只能处理静态的线性程序），需要首先对计算公式IR进行规范化。规范化模块中的优化主要包括自动运算符inline、自动循环融合和公共子表达式优化等。自动调度： 自动调度模块基于polyhedral技术，主要包括自动向量化、自动切分、thread/block映射、依赖分析和数据搬移等。后端优化： 后端优化模块的优化主要包括TensorCore使能、双缓冲区、内存展开和同步指令插入等。

Ascend CANN Parser（简称parser）配合TF_Adapter、 ATC工具、IR构图等使用，开发者通过以上工具，借助parser能方便地将第三方框架的算法表示转换成Ascend IR，充分利用昇腾AI处理器卓越的运算能力。