通过最小化加权协方差矩阵来发现最佳投资组合权重

通过对语音识别技术的发展梳理, 简单介绍了语音识别的历史和应用现状, 并将传统语音识别的技术和当前的研究进展进行描述. 传统语音识别采用基于统计的方法, 采用声谱特征, 在GMM-HMM混合结构上进行训练和匹配. 当前的语音识别模型主要基于深度学习的方法, 采用CNN、RNN都可以有效的进行特征提取从而建立声学模型. 进一步的研究采用了端到端的技术, 避免了多个模型间的误差传导. 端到端技术主要有CTC技术和attention技术, 最新的模型和方法着重研究了attention技术, 并在尝试进行与CTC的融合以达到更好的效果. 最后结合作者自身的理解, 概括了语音识别当前所面临问题和未来发展方向.

糖尿病预测 使用神经网络预测皮马印第安人的糖尿病 我们有皮马印第安人糖尿病数据集。 我们要预测具有某些特征的庇护者是否患有糖尿病。 因此，这是一个二元分类问题，我们使用具有3层的神经网络进行预测。 有8个特征（输入项），包括：1.怀孕次数2.口服葡萄糖耐量测试中2小时的血浆葡萄糖浓度。 3.舒张压（mm Hg）。 4.三头肌皮褶厚度（mm）。 5.2小时血清胰岛素（mu U / ml）。 6.身体质量指数（体重以千克/（身高以米）^ 2为单位）。 7，糖尿病谱系功能8.Age（年）。 我们在隐藏层中设计了100个激活。 最终使用FP和BP算法以及先进的优化技术，我们在训练集上获得了93％的准确性。

马哥k8s视频、马哥docker视频、

《微机原理与接口技术(第二版)》课后答案马维华版

隐马尔可夫模型词性标注器 概述 一种用于英语，印地语和中文的隐马尔可夫模型词性标记器。 训练数据被标记和标记； 测试数据也会被标记化，标记器会将标记添加到测试数据中。 对看不见的单词加一个平滑处理。 培训和发展数据： 两个文件（一个英文，一个中文），带有单词/标签格式的带标签的训练数据，单词之间用空格分隔，每个句子换行。 两个文件（一个英文，一个中文），带有未标记的开发数据，单词之间用空格分隔，每个句子换行。 两个文件（一个英语，一个中文），带有单词/标签格式的带标签的开发数据，单词之间用空格分隔，每个句子用换行符表示，作为答案键。 程式 由两个程序组成：hmmlearn.py从训练数据中学习隐藏的马尔可夫模型，hmmdecode.py使用该模型标记新数据。 通过以下方式调用学习程序： python hmmlearn.py / path / to / input 参数是一个包含训练

本项目采用java实现了一个基于隐马尔可夫模型的中文句子词性标注系统，并附有详细的说明文档，对于想了解HMM和词性标注的人都会有很大帮助。

居于马线性代数学习，内含教材详解及课后习题答案，内容丰富。

PRML中文翻译-马春鹏版,共大家学习！

标识科技产品的研发、技术服务，销售喷码机、印刷、激光机、自动化工装等设备。广泛应用于食品、饮料、日化、医药、农药、电子、烟草、电缆、建材、化工、汽车部件、印刷等行业。包装标识，产品追溯防伪等，为您提供优质经济的解决方案。