基于python实现的BP神经网络手写数字识别模型实验源码+详细注释+数据集+项目说明+实验结果及总结.7z 人工智能 课程作业 手写数字数据集 BP网络模型识别手写数字 反向传播（英语：Backpropagation，缩写为BP）是“误差反向传播”的简称，是一种与最优化方法（如梯度下降法）结合使用的，用来训练人工神经网络的常见方法。该方法对网络中所有权重计算损失函数的梯度。这个梯度会反馈给最优化方法，用来更新权值以最小化损失函数。反向传播要求有对每个输入值想得到的已知输出，来计算损失函数梯度。因此，它通常被认为是一种监督式学习方法。反向传播要求人工神经元（或“节点”）的激励函数可微。

基于python实现的CNN卷积神经网络手写数字识别实验源码+详细注释+数据集+项目说明+实验结果及总结.7z 人工智能课程作业 手写数字识别 数据集 详细注释 好理解 实验结果及总结 基于python实现的CNN卷积神经网络手写数字识别实验源码+详细注释+数据集+项目说明+实验结果及总结.7z

svm算法手写matlab代码机器学习 大家好， 我上传了我的机器学习在线课程作业，该课程由斯坦福大学的Andrew NJ教授教授。 所有代码都可以由MATLAB / Octave（4.4.0或更高版本）运行，并且为了提供有关每种练习的更多信息，需要准备一个文档文件。 最好先阅读一下并熟悉功能。 只需要运行以“ exNUM.m”命名的主函数，例如ex5.m 以下是每个练习的简要信息： HW1：线性回归。 在本练习中，我实现了线性回归方法，并看到了它在样本数据上的工作原理。 硬件2：逻辑回归。 在练习的第一部分，我建立了一个逻辑回归模型来预测学生是否被大学录取。 我使用线性决策边界对数据进行分类。 在练习的第二部分中，我实施了正则逻辑回归，以预测来自制造工厂的微芯片是否通过质量保证（QA）。 使用非线性决策边界和正则项。 HW3：神经网络的多类分类和实际使用。 在练习的第一部分中，我使用了逻辑回归的先前实现，并将其应用于“一对多”分类以识别手写数字（从0到9）。 最后，我获得了95％的训练集准确性。 在练习的下一部分中，我使用MPL神经网络库完成了先前的任务，令人惊讶的是准确性达到了97

USB写频线驱动

一个完整的C语言编译器C语言源码，提供英文帮助文档，对于学习编译技术的程序员来说有很好的参考作用。包含Linux应用，完整的语法检查、语义分析、中间代码生成及链接

自己写的DDPG怎么都不收敛，库函数很快收敛的学习经过

phd_thesis_markdown, 在 Markdown 中，写博士学位论文的模板 在 Markdown 中编写博士学位论文的模板 这个库提供了在 Markdown 中编写PhD论文的框架。 我用的模板为我的博士提交到大学大学伦敦( UCL )，但是应该简单的适应它的他高校。引用模板如果你在工作中使用过这里模

JAVA写的FTP服务器和客户端

俄语手写信件数据集，该数据集包括一个文件夹，共有14190张PNG格式的俄文手写信件图片，便于使用CNN对手写信件进行分类。 俄语手写信件数据集，该数据集包括一个文件夹，共有14190张PNG格式的俄文手写信件图片，便于使用CNN对手写信件进行分类。

最新TM481A/TM471A/TM281A/TM271A写频软件