使用PyCaret和PaddlePaddle融合模型进行预测，当前取得第六名，适合参赛的朋友参考和使用。

【实验内容和要求】 1. 给定的房屋面积x和价格y X = [[40], [50], [80], [100],[130], [150],[170], [200], [250], [300]] y = [[100],[150],[170], [200],[230], [250],[270], [280], [310], [330]] 请合理指定二次多项式回归以及三次多项式回归的公式。 做最终效果预测的样本 X_test = [[120],[150],[250],[300]] # 用来做最终效果测试 y_test = [[220],[250],[310],[330]] # 用来做最终效果测试

若有以下公式：（1）y = 4x2+6x-3 （2）y = x12+ x22-4x1-2x1x2 （3）y = 3x12+ 5x22-6x1-7x1x2 随机梯度下降与梯度下降求得最小值为多少？ 【请解释其随机梯度下降与梯度下降原理】

利用numpy 和tensorflow 、pytorch 搭建全连接神经网络。使用numpy 实现此练习需要自己手动求导，而tensorflow 和pytorch 具有自动求导机制。 ## 数据集: MNIST数据集包括60000张训练图片和10000张测试图片。图片样本的数量已经足够训练一个很复杂的模型（例如 CNN的深层神经网络）。它经常被用来作为一个新 的模式识别模型的测试用例。而且它也是一个方便学生和研究者们执行用例的数据集。除此之外，MNIST数据集是一个相对较小的数据集，可以在你的笔记本CPUs上面直接执行 ## 题目要求： ​ 补全full_connection_numpy.ipynb 和 full_connection_tensorflow.ipynb中空缺的部分。

人工智能与深度学习最好的入门资源.docx

MATLAB工程项目：水果识别系统（深度学习，颜色，形状，图片多水果识别，水果分级，GUI界面，步骤详细）

作者 | 黄浴，奇点汽车美研中心首席科学家兼总裁 转载自知乎   AI科技大本营编辑 简单回顾的话，2006年Geoffrey Hinton的论文点燃了“这把火”，现在已经有不少人开始泼“冷水”了，主要是AI泡沫太大，而且深度学习不是包治百病的药方。 计算机视觉不是深度学习最早看到突破的领域，真正让大家大吃一惊的颠覆传统方法的应用领域是语音识别，做出来的公司是微软，而不是当时如日中天的谷歌。计算机视觉应用深度学习堪称突破的成功点是2012年ImageNet比赛，采用的模型是CNN，而不是Hinton搞的RBM和DBN之类，就是Hinton学生做出来以他命名的AlexNet。 （注：顺便提

参考资料，https://zhuanlan.zhihu.com/p/32089487，本实现参考借鉴了该资源，本实现的立体四子棋为落子有限制版的立体四子棋(qubic),必须先下下层的棋子，上层的相关棋子才能继续落子，经过3500次的训练，ai水平基本可以了，模型为best_policy.model，python human_play.py即可对战。训练使用python train.py. python版本2

手写数字识别数据集，MNIST000

银行卡的数据集比较难找,现将近期收集整理的一些免费分享给大家,可用用于深度学习的模型训练等,一共包含3种类型的近千张数据.