快速人工神经网络库FANN快速人工神经网络（FANN）库是一个免费的开源神经网络库，它在C中实现了多层人工神经网络，同时支持快速人工神经网络库FANN。一个免费的开源神经网络库，该库在C语言中实现了多层人工神经网络，同时支持完全连接和稀疏连接的网络。 支持定点和浮点的跨平台执行。 它包括一个易于处理培训数据集的框架。 它易于使用，用途广泛，有据可查且快速。 绑定到超过15个程序分钟

模仿学习 该存储库提供了论文的Tensorflow实现。 您可以找到经过预训练的网络。 当前的存储库添加了Tensorflow培训代码。 本文中的设置只有几处更改： 我们训练的步数更少（我们执行190k步，本文执行450k步），但这是可配置的。 控制器的分支遵循训练数据的顺序。 我们对输出采用不同的权重超参数（转向，汽油，刹车，速度），因为本文中建议的超参数对我们不起作用。 设置 该存储库使用docker映像。 为了使用它，请安装 。 要生成图像，请使用： docker build --build-arg base_image=tensorflow/tensorflow:1.12.0-gpu -t imit-learn . 如果仅需要CPU映像，请base_image=tensorflow/tensorflow:1.12.0-gpu 。 到目前为止，我们仅使用tensorf

Graph Representation Learning

The Compiler Design Handbook Optimizations and machine code generation

Proficy Machine Edition 是一个包含若干软件产品的环境。其中每个软件产品都是独立的。但 是，每个产品在相同的环境运行。这与 介绍了关于Proficy-Machine-Edition软件的使用说明的详细说明，提供PLC编程的技术资料的下载。

Introducing-Data-Science-Big-Data-Machine-Learning-and-more-using-Python-tools.pdf

hmm模型matlab代码具有Baum-Welch算法的隐马尔可夫模型 该代码是用Matlab编写的。 输入 数据：N * T矩阵，长度为T的N个数据样本 A_guess：K * K矩阵，其中K是隐藏状态数[对转换矩阵的初始猜测] E_guess：K * E矩阵，其中E是排放量[排放矩阵的初始猜测] 输出 A_estimate：期望最大化的N_iter次迭代后对转换矩阵的估计 E_estimate：期望最大化的N_iter次迭代后的排放矩阵估计 用法 加载（'hmm_data.mat'）; A = [0.7,0.3; 0.3,0.7]； E = [0.25,0.25,0.25,0.25; 0.25,0.25,0.25,0.25]； [A_estimate，E_estimate] = baumwelch（数据，A，E，500）

光谱聚类MATLAB 这是使用MATLAB进行频谱聚类的直观实现。 您可以轻松地完成使用Scikit，了解类似的API（光谱clutsering和其他人之间的比较是频谱聚类分析）。 有关频谱聚类的更多详细信息，您可以阅读以下参考文献或我们撰写。 （GPU加速版即将推出...） 入门 克隆此仓库并运行main.m以查看演示 使用细节 指定数据矩阵X和标签向量y，或获取内置数据 [X, y] = make_digits_dataset(300, true, false); 00examples, balance, no shuffle 在此项目中，我们提供6个数据集，包括3个玩具和3个

机器视觉 Machine Vision （英文版） Automated Visual Inspection: Theroy, Pratice And Applications

学校机器视觉课程教材