资源包含贝叶斯分类器学习报告、实验报告、matlab代码程序，供机器学习初学者学习使用。以身高或者体重数据作为特征，在正态分布假设下利用贝叶斯估计法估计分布密度参数，建立最小错误率Bayes分类器。

基于GA_BP神经网络的光伏出力预测 基于GA_BP神经网络的光伏出力预测 详细请见：https://blog.csdn.net/weixin_56691527/article/details/127998147?csdn_share_tail=%7B%22type%22%3A%22blog%22%2C%22rType%22%3A%22article%22%2C%22rId%22%3A%22127998147%22%2C%22source%22%3A%22weixin_56691527%22%7D

利用python中的深度学习库keras，对IMDB电影数据集建立了神经网络模型进行分析，涉及原始电影数据的词嵌入处理技术，附有完整的Python代码以及注释。

1.CNN基础结构 2.卷积操作细节讲解 3.图像基础知识 4.池化操作 可以不可以模仿人类大脑的这个特点，构造多层的神经网络，较低层的识别初级的图像特征，若干底层特征组成更上一层特征，最终通过多个层级的组合，最终在顶层做出分类呢？ 答案是肯定的，这也是许多深度学习算法（包括CNN）的灵感来源

基于GNN图神经网络预测（Python完整源码数据包） 基于GNN图神经网络预测（Python完整源码数据包） 基于GNN图神经网络预测（Python完整源码数据包） 基于GNN图神经网络预测（Python完整源码数据包） 基于GNN图神经网络预测（Python完整源码数据包） 基于GNN图神经网络预测（Python完整源码数据包） 基于GNN图神经网络预测（Python完整源码数据包） 基于GNN图神经网络预测（Python完整源码数据包） 基于GNN图神经网络预测（Python完整源码数据包） 基于GNN图神经网络预测（Python完整源码数据包） 基于GNN图神经网络预测（Python完整源码数据包） 基于GNN图神经网络预测（Python完整源码数据包） 基于GNN图神经网络预测（Python完整源码数据包） 基于GNN图神经网络预测（Python完整源码数据包） 基于GNN图神经网络预测（Python完整源码数据包） 基于GNN图神经网络预测（Python完整源码数据包） 基于GNN图神经网络预测（Python完整源码数据包）

基于GNN神经网络的结构搜索（Python完整源码和数据包） 基于GNN神经网络的结构搜索（Python完整源码和数据包） 基于GNN神经网络的结构搜索（Python完整源码和数据包） 基于GNN神经网络的结构搜索（Python完整源码和数据包）

首先对一般随机系统的渐近特性进行了讨论，然后结合神经网络的特点，应用李雅普诺夫第二方法对一类随机时滞神经网络系统的全局指数稳定性进行了分析，给出了易于判定随机时滞神经网络几乎必然指数稳定性新的代数判据，并给出实例进行仿真实验。

天文导航是以已知准确空间位置、不可毁灭的自然天体为基准，被动探测天体位置，经解算确定测量点所在平台的经度、纬度、航向和姿态等信息。其中以通过对恒星成像进行光电转换获取星点信息进行姿态确定的星敏感器应用最为广泛，他主要包括两个部分：星点提取和星点识别，本文主要关注前者。除了成像器件本身的噪声缺陷，由于空间辐射会导致星敏感器拍摄星图背景灰度均值增大, 背景起伏明显, 另一方面星敏感器探测的是微弱的恒星星光,对杂散光非常敏感,,主要的杂散光源为日光、月光和地气光等杂散辐射源,主要呈现为斜坡噪声。 传统的几何方法主要需要针对某一种情况下的某种应用，当成像器件、光学环境和空间环境等发生变化时，相应的方法也会发生改变。使用全卷积神经网络可在不改变网络结构的情况下，通过更改训练样本，灵活实现星点提取。具体到本文，主要解决三个方面的问题：1不同背景均值下的提取，2散点噪声下的提取，3斜坡噪声下的提取。

1.单层感知机 2.多层感知机 3.常见梯度优化 3.常见损失函数 4.多个例子 5.可以直接开会讲，适合学习和汇报 6.常见的激活函数介绍 7.使用房价预测问题介绍了单层感知机模型 8.BP神经网络 9.前馈神经网络 10.梯度优化实例 11.MLP神经网络

1.干货满满，整整50页，远远比网络上其他RNN的PPT好，PPT修改过3、4次 2.常见激活函数，损失函数 3.从原理出发讲解LSTM神经网络与传统RNN的区别 4.讲解多个RNN的变体原理细节，GRU、BRNN、BLSTM。 5.RNN的应用场景 6.RNN的背景及其意义