d:\算法讲义 │ lecture+notes+on+algorithm+analysis+and+computational+complexity+4th.pdf │ readme.txt │ 算法讲义.7z │ 经典图算法讲义(ppt).ppt │ 资料列表.bat │ ├─中国科技大学算法设计与分析课程 │ Ch1算法概论.ppt │ ch2proof.doc │ Ch2递归与分治策略.ppt │ Ch3动态规划.ppt │ Ch4贪心算法.ppt │ Ch5回溯法.ppt │ Ch6分支限界法.ppt │ Ch7概率算法.ppt │ Ch8线性规划与网络流.ppt │ Ch9-1NP完全性理论.ppt │ Ch9-2近似算法.ppt │ 先进算法讲义-中科大.pdf │ 算法讲座-递归与分治策略.PDF │ ├─动态规划讲义 │ 动态规划 1.ppt │ 动态规划 2.ppt │ 动态规划 3.ppt │ 动态规划 4.ppt │ 动态规划 5.ppt │ 动态规划 6.ppt │ 动态规划 7.ppt │ 动态规划 8.ppt │ 动态规划设计.ppt │ ├─北京大学ACM竞赛算法讲义 │ IAP-1.doc │ IAP-2.pdf │ IAP-3.pdf │ IAP-4.pdf │ IAP-5 maxflow1.pdf │ IAP-6 maxflow2.pdf │ IAP-7 Graph Algorithms.pdf │ IAP-8 Computational Geometry.pdf │ IAP-9 Computational Geometry 2.pdf │ ├─北京大学计算机系汪小林算法课讲义 │ └─汪小林 │ 00748266-LHP-ImpartialCombinatorialGame.pdf │ 09-01-introduction.pdf │ 09-02-solving-recurrences.pdf │ 09-03-sort.pdf │ 09-04-divide-and-comquer.pdf │ 09-05-dynamic-programming.pdf │ 09-07-priority-queue.pdf │ 09-08-backtrace.pdf │ 09-09-maxflow.pdf │ 09-11-branchbound.pdf │ 09-12-random.pdf │ 09-13-geometry.pdf │ subjects.pdf │ ├─北航最优化讲义课件和习题解答 │ │ 不等式约束的内点法.ppt │ │ 优化讲义.pdf │ │ 优化讲义_2.pdf │ │ 优化讲义_约束优化.pdf │ │ 实用最优化方法引言.ppt │ │ 数学回顾.pdf │ │ 无约束优化_信赖域法.ppt │ │ 无约束优化_基础.ppt │ │ 无约束优化_最优性条件及算法概述.pdf │ │ 无约束优化_线搜索法.ppt │ │ 约束优化_二次规划与SQP.ppt │ │ 约束优化_理论.ppt │ │ 约束优化_罚函数法.ppt │ │ 线性与非线性规划基础课程简介及引言.pdf │ │ 线性规划_单纯形法.ppt │ │ 线性规划_对偶.ppt │ │ │ └─HomeWork │ NOhomework05_solution.pdf │ NOhomework06_solution.pdf │ NOhomework08_solution.pdf │ NOhomework09_solution.pdf │ NOhomework10_solution.pdf │ NOhomework1_solution.pdf │ NOhomework2_solution.pdf │ NOh

具有时间编码的监督学习的目的是使神经元尖峰化，以使神经元响应给定的突触输入而发出任意的尖峰序列。 近年来，基于突触可塑性的监督学习算法发展Swift。 作为最有效的监督学习算法之一，远程监督方法（ReSuMe）使用常规的基于对的峰值定时依赖的可塑性规则，该规则取决于突触前和突触后峰值的精确定时。 在本文中，使用了基于三重态的依赖于尖峰时序的可塑性，它是一种强大的突触可塑性规则，其作用超出了经典规则，提出了一种新颖的监督学习算法，称为T-ReSuMe，以提高ReSuMe的性能。 所提出的算法已成功应用于各种尖峰序列的学习任务，其中所需的尖峰序列通过泊松过程进行​​编码。 实验结果表明，与传统的ReSuMe算法相比，T-ReSuMe算法具有更高的学习精度和更少的迭代次数，对于解决复杂的时空模式学习问题是有效的。

01_案例一：EM分类初识及GMM算法实现 02_案例二：GMM算法分类及参数选择案例 03_案例三：GMM的不同参数 04_案例四：EM无监督算法分类鸢尾花数据

机器学习算法笔记.pptx

提出一种量子神经网络模型及学习算法.首先基于生物神经元信息处理机制和量子计算原理构造出一种 量子神经元,该神经元由加权、聚合、活化、激励四部分组成.然后由量子神经元构造出三层量子神经网络模型,其输入和输出为实值向量,权值和活性值为量子比特.基于梯度下降法构造了该模型的超线性收敛学习算法.通过模 式识别和函数逼近两种仿真结果表明该模型及算法是有效的.

00_随机森林案例一：宫颈癌预测. 01. Bagging&Boosting算法应用在回归模型中 02_Adaboost案例一：Adaboost分类算法 03_Adaboost案例二：Adaboost API algorithm参数取值比较

EconML：用于基于ML的异构处理效果估计的Python包 EconML是一个Python软件包，用于通过机器学习从观察数据中估计异构处理效果。 此软件包是作为Microsoft Research的一部分设计和构建的，目的是将最新的机器学习技术与计量经济学相结合，以使自动化解决复杂的因果推理问题。 EconML的承诺： 在计量经济学和机器学习的交集中实现文献中的最新技术 保持建模效果异质性的灵活性（通过诸如随机森林，增强，套索和神经网络之类的技术），同时保留对所学模型的因果解释，并经常提供有效的置信区间 使用统一的API 建立在用于机器学习和数据分析的标准Python软件包的基础上 机器学习的最大希望之一就是在众多领域中自动化决策。 许多数据驱动的个性化决策方案的核心是对异构处理效果的估计：对于具有特定特征集的样本，干预对感兴趣结果的因果关系是什么？ 简而言之，该工具包旨在测量某些治疗变量T对结果变量Y的因果效应，控制一组特征X, W以及该效应如何随X 。 所实施的方法甚至适用于观测（非实验或历史）数据集。 为了使估计结果具有因果关系，有些方法假定没有观察到的混杂因素（即， X,

这是从国外网站上找到的强化学习的源代码，和大家共同学习。

希望你一切顺利， 时间序列数据准备视频教程第1部分， https://youtu.be/gKT8HSoJ0cE 代码和结果输出，第2部分https://youtu.be/G1kcWoXZE6A ------- || 如果喜欢，请点赞并订阅我的频道。 CNN和LSTM网络的一些其他结果。 标普500的月收盘价https://ibb.co/y5hHr71 1980年1月1995年1月澳大利亚红酒月度销售https://ibb.co/4NLwqhM 美国年度事故https://ibb.co/9Zw0brX 全球冰量https://ibb.co/8xSt4Mg 您可以从此处（当前页面）下载代码的第一个版本： https://www.mathworks.com/matlabcentral/fileexchange/69506-time-series-prediction 此处的第二

深度学习第三课，BP算法，感兴趣的同学可以关注，连载中，深度学习相关的算法，从入门到精通到应用