基于深度学习雷达个体特征识别

操作系统-三个简单的部分 此仓库有代码，可下载这本出色的书《操作系统：三个简单的部分》的PDF文件，作者是Rezmi， 。 并且它也具有Book的最新版本。

天气预测-深度学习 该作业的目的是为天气预报创建时间序列预报模型。 所使用的数据集来自马克斯·普朗克生物地球化学研究所2009年至2016年的天气时间序列数据。原始数据集的时间步长为10分钟，但为了完成本作业的目的而对其进行了修改，以使其具有时间步长1小时。 生成的模型将输出大气压力，气温，相对湿度和风速（风速矢量的大小）的预测值。 输入要素将是前k个时间步长的天气属性。 这些功能将至少使用大气压力，气温，相对湿度和风速。

纸 论文“深度融合集群网络”的源代码 图W.涂，周S.，刘X.，郭X，蔡Z. 被AAAI2021接受。 安装 克隆此仓库。 git clone https://github.com/WxTu/DFCN.git Windows 10或Linux 18.04 的Python 3.7.5 脾气暴躁的1.18.0 斯克莱恩0.21.3 火炬视觉0.3.0 Matplotlib 3.2.1 准备 我们总共采用了六个数据集，包括三个图形数据集（ACM，DBLP和CITE）和三个非图形数据集（USPS，HHAR和REUT）。 要在这些数据集上训练模型，请从（访问代码：4622）或下载它们。 代码结构与用法 在这里，我们提供了PyTorch中的深度融合集群网络（DFCN）的实现，以及DBLP数据集上的执行示例（由于文件大小的限制）。 该存储库的组织方式如下： load_data.py

Reinforcement Learning: An Introduction Second edition, in progress November 5, 2017 Richard S. Sutton and Andrew G. Barto The text is now complete, except possibly for one more case study to be added to Chapter 16. The references still need to be thoroughly checked, and an index still needs to be added. Please send any errors to rich@richsutton.com and barto@cs.umass.edu. We are also very interested in correcting any important omissions in the \Bibliographical and Historical Remarks" at the end of each chapter. If you think of something that really should have been cited, please let us know and we can try to get it corrected before the nal version is printed. The MIT Press Cambridge, Massachusetts London, England

具有共同注意和共同激励的一站式目标检测 介绍 谢婷一，罗以晨，陈焕宗，刘廷- 神经信息处理系统（NeurIPS），2019年， 该项目是One-Shot Object Detection的纯pytorch实现。 大多数代码是从。 我们正在做和将要做的 支持tensorboardX 上载ImageNet预训练模型。 提供参考图片。 提供检查点模型。 训练PASCAL_VOC数据集 准备 首先，克隆代码 git clone https://github.com/timy90022/One-Shot-Object-Detection.git 1.先决条件 Ubuntu 16.04 Python或3.6 火炬1.0 2.数据准备 可可：也请按照中的说明准备数据。 请参阅此存储库中提供的脚本。 3.预训练模型 我们在实验中使用ResNet50作为预训练模型。 通过排除所有与COCO

神经网络和深度学习（Neural Networks and Deep Learning） Michael Nielsen 中文版

吴恩达机器学习作业，包括MATLAB版和Python版。其中MATLAB文件夹中有原版编程作业压缩包，其中是有每个作业需要的没有编译的数据集。 机器学习-练习1 线性回归 机器学习-练习2 逻辑回归 机器学习-练习3 神经网络（前向传播） 机器学习-练习4 神经网络（反向传播） 机器学习-练习5 偏差与方差 机器学习-练习6 SVM 机器学习-练习7 聚类和降维 机器学习-练习8 异常检测和推荐系统

Candock | 英文|| 时间序列信号分析和分类框架。 它包含多个网络，并提供数据预处理，数据扩充，培训，评估，测试和其他功能。 一些输出示例： 特征 数据预处理 规范：5_95 | maxmin | 没有任何 过滤器：fft | 冷杉| ir | 小波| 没有任何 资料扩充 各种数据扩充方法。 基数：比例，经线，app，aaft，iaaft，filp，作物 噪音：尖峰，阶跃，斜率，白色，粉红色，蓝色，棕色，紫色 甘：dcgan 网络 各种评估网络。 1天 lstm，cnn_1d，resnet18_1d，resnet34_1d，multi_scale_resnet_1d，micro_multi_scale_resnet_1d，自动编码器，mlp 2d（频谱图） mobilenet，resnet18，resnet50，resnet101，densenet121，densene

the tools contains the following algorithms: Character Recognition Using Bayesian Classifier FaceRecognitionAndReconstruction GMMClassification ImageSegmentation NeuralNetwork SVMClassification