关于Swin-Transformer的代表性论文和对应的源代码。

这里是 ShowMeAI 持续分享的【开源eBook】系列！内容覆盖机器学习、深度学习、数据科学、数据分析、大数据、Keras、TensorFlow、PyTorch、强化学习、数学基础等各个方向。整理自各平台的原作者公开分享（审核大大请放手） ◉ 简介：从2016年春季学期开始，作者 Jeff Heaton 开始为圣路易斯华盛顿大学教授 T81-558 深度学习的应用课程，并将课程材料、例子和作业放在 GitHub 上，逐渐丰富演变成了这本书。 ◉ 目录： 第1章：Python 预备课程 第2章：用于机器学习的 Python 第3章：TensorFlow 简介 第4章：表格数据训练 第5章：正则化和Dropout 第6章：用于计算机视觉的卷积神经网络 第7章：生成对抗网络 第8章：Kaggle 数据集 第9章：迁移学习 第10章：Keras 中的时间序列 第11章：Hugging Face的自然语言处理 第12章：强化学习 第13章：高级/其他主题 第14章：其他神经网络技术

这里是 ShowMeAI 持续分享的【开源eBook】系列！内容覆盖机器学习、深度学习、数据科学、数据分析、大数据、Keras、TensorFlow、PyTorch、强化学习、数学基础等各个方向。整理自各平台的原作者公开分享（审核大大请放手） ◉ 简介：从2016年春季学期开始，作者 Jeff Heaton 开始为圣路易斯华盛顿大学教授 T81-558 深度学习的应用课程，并将课程材料、例子和作业放在 GitHub 上，逐渐丰富演变成了这本书。 ◉ 目录： 第1章：Python 预备课程 第2章：用于机器学习的 Python 第3章：TensorFlow 简介 第4章：表格数据训练 第5章：正则化和Dropout 第6章：用于计算机视觉的卷积神经网络 第7章：生成对抗网络 第8章：Kaggle 数据集 第9章：迁移学习 第10章：Keras 中的时间序列 第11章：Hugging Face的自然语言处理 第12章：强化学习 第13章：高级/其他主题 第14章：其他神经网络技术

这里是 ShowMeAI 持续分享的【开源eBook】系列！内容覆盖机器学习、深度学习、数据科学、数据分析、大数据、Keras、TensorFlow、PyTorch、强化学习、数学基础等各个方向。整理自各平台的原作者公开分享（审核大大请放手） ◉ 简介：本书对不确定条件下的决策算法作了广泛的介绍，内容涵盖了与决策有关的各种主题，介绍了基本的数学问题公式和解决这些问题的算法。 ◉ 目录： 第一部分：概率推理 - 表征 - 推理 - 参数学习 - 结构学习 - 简单决策 第二部分：顺序问题 - 精确解法 - 近似值函数 - 在线规划 - 政策搜索 - 政策梯度估计 - 政策梯度优化 - 角色批判方法 - 政策验证 第三部分：模型的不确定性 - 探索和利用 - 基于模型的方法 - 无模型的方法 - 模仿学习 第四部分：状态的不确定性 - 信念 - 准确的信念状态规划 - 离线信念状态规划 - 在线信念状态规划 - 控制器抽象 第五部分：多Agent系统 - 多Agent推理 - 序列问题 - 状态的不确定性 - 协作代理

这里是 ShowMeAI 持续分享的【开源eBook】系列！内容覆盖机器学习、深度学习、数据科学、数据分析、大数据、Keras、TensorFlow、PyTorch、强化学习、数学基础等各个方向。整理自各平台的原作者公开分享（审核大大请放手） ◉ 简介：作者 Sanjiv Ranjan Das 是 Santa Clara 大学商学院金融与数据科学教授。这本书是作者为其课程《Machine Learning with R》开发整理的课堂笔记。 ◉ 目录： 数据科学的艺术 起步：数学基础 开源：R语言建模 更多：数据处理与其他 方差均值：马科维茨优化 从经验中学习：贝叶斯定理 自然语言：从新闻中提取信息 巴斯模型 提取维度：判别和因子分析 竞标：拍卖 截断和估计：有限的因变量 乘风破浪：傅里叶分析 建立联系：网络理论 统计大脑：神经网络 聚类分析和预测树

这里是 ShowMeAI 持续分享的【开源eBook】系列！内容覆盖机器学习、深度学习、数据科学、数据分析、大数据、Keras、TensorFlow、PyTorch、强化学习、数学基础等各个方向。整理自各平台的原作者公开分享（审核大大请放手） ◉ 简介：数值算法从『可计算的量』中近似地计算出『难以处理的量』，或者说，从数据中推断出一个潜在的量。因此计算程序可被视作 learning machine，使用贝叶斯推理来建立更灵活有效的计算算法。概率数值计算正式确立了『机器学习』和『应用数学』之间的联系。本书提供了大量的背景材料（还有数据、工作实例、练习及解答），更适用于AI、CS、统计学、应用数学的研究生。 ◉ 目录： 第一章：数学背景 第二章：整合 第三章：线性代数 第四章：局部优化 第五章：全局优化 第六章：求解常微分方程 第七章：前沿 第八章：习题答案

这里是 ShowMeAI 持续分享的【开源eBook】系列！内容覆盖机器学习、深度学习、数据科学、数据分析、大数据、Keras、TensorFlow、PyTorch、强化学习、数学基础等各个方向。整理自各平台的原作者公开分享（审核大大请放手） ◉ 简介：本书作者 Ricardo M. Czekster。书籍讲解了马尔可夫链及基本求解方法，包含Markov Chains、DTMC、CTMC等章节。可以在 https://github.com/czekster/markov 页面找到本书的基础材料，例如C编程代码和解决方案、MATLAB脚本、本书提供的示例的棱柱模型（CTMC/DTMC）等。 ◉ 目录： 第1章：Markov Chains（马尔科夫链） 第2章：DTMC（Discrete Time Markov Chains） 第3章：CTMC（Continuous Time Markov Chains） 第4章：More projects and models（更多项目与模型）

在目前的 Simulink 模块中没有找到关于 BP 神经网络的封装，所以说单独使用不能完美的进行设计仿真，这时用到了S函数来连接MATLAB与Simulink的程序，神经网络学习算法于此构造，学习速率为 xite，惯性因子为 alfa，隐含层加权系数为 wi，输出层加权系数为 wo，完成仿真前首先要初始化，仿真开始后首先建立一个传递函数，然后对其进行离散化提取出分子和分母，三个输出分别对应 PID 参数中的Kp、Ki、Kd，然后是对参数的不断更新，该环节反复进行，每次数据方向传播回来后与之前的误差对比，在所有的运行过程中每个神经元的权值和阀值都会自动调整，直到取得最佳解或者达到指定次数才会停止更新。

这是 ShowMeAI 持续分享的速查表系列！本系列速查表包含 200 多张知识卡片，分为『计算机科学』『机器学习』『计算机视觉和深度学习基础』『计算机视觉和深度学习精选专题』4个主题，用以回顾多年的 ML 研究、课程和学习中的所有内容，并为机器学习工程师的面试做准备。 这个文件是『计算机视觉和深度学习精选专题』主题（其他部分的下载链接见评论区），包含以下部分： Object Detection / Segmentation（目标检测，目标分割） Generative Modeling: GANS and VAEs（生成模型） Data Imbalance（数据不平衡） Few-Shot Learning Explainable AI（可解释人工智能） Security / Adversarial Attacks Efficient Deep Learning（高效深度学习） 3D Deep Learning（3D深度学习） Full Stack Deep Learning（全栈深度学习） Machine Learning Implementation（机器学习实现）

蚂蚁蜜蜂数据集，可以做二分类任务