吴恩达在自己的推特上发布了一个问题，称自己因为Landing.ai的项目到访很多国家，和非常多的CEO交流过他们的AI策略，想基于此发布一个报告，因此也向大家征集最想了解的问题。

机器学习多层感知器实践完整源代码，MLP识别MNIST手写数字数据集（Pytorch）

matlab精度检验代码深度学习 这是针对KTH 2017的个别课程分配的存储库。此存储库中的代码主要在Matlab中完成，并且训练过程中涉及的操作（例如，梯度计算和参数更新）以一般的方式（低级）实现。 数据集 对于作业1-3 对于作业4 内容 作业1：具有多类输出的一层网络（测试准确度：40.42％） 报告：+ 作业2：具有多层输出的两层网络（测试准确度：54.06％） 报告：+ 作业3：具有多类输出的k层网络（测试准确度：54.8％） 报告：+ 作业4：香草RNN逐个字符地合成英文文本 报告：+

日月光华老师 PyTorch深度学习简明教程 课件csv+代码

作为Deep learning领域的model的重要开发工具，pytorch一直以来倍受广大研究人员的好评。以下附上由ML学习初学者公众号领头人黄海广博士翻译的“60分钟入门深度学习工具-PyTorch”，让大家感受不一样的学习节奏。

Deep learning library for Swift for TensorFlow

自动驾驶源码的介绍： 1、数据采集：使用树莓派4B连接摄像头，并采集用于训练的图像数据。通过将摄像头安装在小车上，可以实时地采集道路图像以及与行驶相关的信息，如车道线、交通标志等。 2、数据预处理：对采集到的图像数据进行预处理，包括图像去噪、尺寸调整和颜色空间转换等。这些预处理步骤旨在提高深度学习算法的准确性和效率。 3、深度学习模型训练：使用深度学习框架（如TensorFlow或PyTorch）构建自动驾驶模型。这个模型可以使用卷积神经网络（CNN）来处理图像数据，并对图像中的车道线进行检测和跟踪。 4、模型优化和调试：通过反复训练和调整深度学习模型，进一步优化自动驾驶算法的准确性和鲁棒性。这可以包括调整模型的超参数、增加训练数据量和进行模型压缩等。 5、实时控制：将训练好的模型加载到树莓派4B上，实现实时控制小车的输出。通过将模型与小车的电机控制器或舵机控制器连接，可以根据模型的预测结果进行自动驾驶控制。

西南交通大学 机器学习 实验10.docx

西南交通大学 机器学习 实验9.docx

西南交通大学 机器学习 实验8.docx