《HHBIOS 2.13K与PCE 0.2.1：经典DOS汉字系统的回顾与解析》 DOS（Disk Operating System）操作系统，作为计算机历史上的一个重要里程碑，曾是个人电脑领域的主流系统。在那个时代，为了使DOS支持汉字处理，开发者们创造了一系列的汉字系统，其中吴晓军的HHBIOS 2.13K便是其中的佼佼者。这款汉字系统以其小巧高效的特点，深受DOS爱好者们的喜爱，如今已成为经典收藏的一部分。 HHBIOS（High-speed汉字BIOS）是由吴晓军开发的一款汉字处理BIOS，版本2.13K表明了它在内存占用方面的精简，仅需2.13K的内存空间就能实现汉字的显示和输入。在硬件资源有限的DOS时代，这样的优化设计显得尤为珍贵。HHBIOS提供了基本的汉字显示功能，包括汉字的打印、屏幕显示等，使得用户可以在DOS环境下方便地进行汉字操作，极大地拓宽了DOS的应用领域。 与HHBIOS一同出现的PCE（Personal Computer Emulator）0.2.1，是一款个人计算机模拟器，它可以模拟IBM PC及其兼容机的环境，让现代计算机能够在Windows等操作系统上运行DOS程序。PCE 0.2.1的出现，使得老一辈的DOS软件，如HHBIOS 2.13K，得以在新的硬件平台上重获新生，为DOS爱好者提供了怀旧和研究的平台。 压缩包内的文件包括"双击运行.bat"，这通常是一个批处理文件，用于自动化执行一系列命令，如启动PCE模拟器并加载HHBIOS。"pce-ibmpc.cfg"是PCE的配置文件，用来设置模拟器的各项参数。"SDL.dll"是一个图形库动态链接库文件，用于支持PCE的图形显示。"pce-ibmpc.exe"则是PCE模拟器的主程序。"213K.img"是DOS启动盘的镜像文件，包含了HHBIOS 2.13K系统。"rom"文件可能是PCE需要的IBM PC兼容机的BIOS rom镜像，用于更真实的模拟环境。 在今天，虽然DOS已经淡出了主流视线，但这些经典的老系统和工具仍然有着独特的魅力。HHBIOS 2.13K与PCE 0.2.1的组合，不仅让我们回忆起过去的技术岁月，也为DOS软件的保存和研究提供了可能。对于计算机历史的爱好者来说，它们是宝贵的遗产，也是理解早期个人电脑发展历程的重要窗口。通过模拟和研究这些系统，我们可以深入学习早期计算机技术的原理，同时也感叹于技术进步的飞速。

继续上传，我将把自己收藏的众多宝贝逐步奉献给所有喜欢DOS的朋友们，请大家下载收藏。46-2号是吴晓军的 2.13L(99版) 汉字系统 + PCE 0.2.1，这是 99 版，终于把输入法等功能调出来了，而且能正常使用，重新上传，哈哈！

人工智能导论模型与算法吴飞pdf 人工智能：模型与算法教学大纲 从逻辑推理、搜索求解、监督学习、无监督学习、深度学习、强化学习和博 弈对抗介绍人工智能基本概念和模型算法，帮助学习者了解人工智能历史、趋势、 应用及挑战，掌握人工智能在自然语言理解和视觉分析等方面赋能实体经济的手 段。 课程概述 人工智能(Artificial Intelligence，简称 AI)是以机器为载体所展示出来的人类智 能，因此人工智能也被称为机器智能(Machine Intelligence)。对人类智能的模拟可 通过以符号主义为核心的逻辑推理、以问题求解为核心的探询搜索、以数据驱动 为核心的机器学习、以行为主义为核心的强化学习和以博弈对抗为核心的决策智 能等方法来实现。 本课程成体系介绍人工智能的基本概念和基础算法，可帮助学习者掌握人工 智能脉络体系，体会具能、使能和赋能，从算法层面对人工智能技术“知其意， 悟其理，守其则，践其行”。课程内容包括如下：人工智能概述、搜索求解、逻 辑与推理、监督学习、无监督学习、深度学习、强化学习、博弈对抗。 人工智能不单纯是一门课程、一手技术、一项产品或一个应用，而是理论 《人工智能导论：模型与算法》是吴飞教授的一本专著，该书详细阐述了人工智能的基本概念和核心算法，旨在帮助读者理解人工智能的历史、发展趋势、应用及其面临的挑战。本书覆盖了从逻辑推理到强化学习等多个关键领域的知识，旨在使学习者能够掌握人工智能的核心原理，并能在实践中运用。 课程首先介绍了人工智能的概述，包括可计算思想的起源、AI的发展历程以及研究的基本内容。接下来，课程深入讨论了搜索求解策略，如启发式搜索、对抗搜索和蒙特卡洛树搜索，这些都是解决问题的关键工具。 逻辑与推理部分涵盖了命题逻辑和谓词逻辑，以及知识图谱推理算法，如一阶归纳推理和路径排序算法，这些内容在知识表示和推理中起到重要作用。因果推理的讲解则帮助学习者理解如何从数据中发现因果关系。 统计机器学习部分分别探讨了监督学习和无监督学习。在监督学习中，介绍了机器学习的基本概念、线性回归分析以及提升算法。无监督学习部分涉及K均值聚类、主成分分析和特征人脸算法，这些都是数据分析和模式识别的重要方法。 深度学习是现代AI的热点，课程涵盖了深度学习的基础概念，如前馈神经网络和误差反向传播，以及卷积神经网络的应用，特别是在自然语言处理和视觉分析中的角色。 强化学习是让机器通过与环境交互自我学习的方法，课程讲解了强化学习的基本定义、策略优化、Q Learning以及深度强化学习，这些都是智能决策系统的关键。 博弈论部分介绍了人工智能在决策和策略制定中的应用，包括博弈的相关概念、遗憾最小化算法和虚拟遗憾最小化算法，同时也关注了人工智能安全的问题。 课程讨论了人工智能的发展与挑战，如记忆驱动的智能计算、可计算社会学，并对当前AI面临的若干挑战进行了分析。 课程还设置了丰富的实践环节，如基于搜索求解的黑白棋AI算法、线性回归的图像恢复和深度学习的垃圾分类等，以提高学生的实际操作能力。 预备知识包括线性代数和概率论的基本概念，以及一定的编程能力。参考书籍包括吴飞教授的《人工智能导论：模型与算法》和《人工智能初步》。 这门课程全面且深入地介绍了人工智能的理论和实践，不仅提供了理论框架，还强调了算法的理解和应用，是学习人工智能的宝贵资源。

【delphi】Android系统状态广播消息感知控件及演示程序源代码，详细介绍了Android系统消息广播感知原理。 控件感知功能包括： 1. 感知蓝颜状态变化 2. 感知WiFI状态变化 3. 感知电源状态变化 4. 感知网络状态变化 5. 演示程序包括D10.1和D11两个版本的代码 控件的使用： //1. 创建控件 FReceiver_State := TReceiver_State.Create; //2. 设置需要监听的类别 FReceiver_State.Receivers = [mtBlueToothState,mtWIFIState,mtPowerState]; //3. 设置处理事件 FReceiver_State.OnStateChange := OnStateChange; //处理事件 //4. 打开监听 FReceiver_State.Register_Reveiver(errmsg); //5. 关闭监听 FReceiver_State.UnRegister_Reveiver;

【吴恩达深度学习笔记】是一份针对吴恩达教授在Coursera平台上的深度学习课程的详尽笔记，旨在帮助已有一定编程基础和机器学习知识的计算机专业人士深入理解和应用深度学习技术。该课程分为5个部分，涵盖了深度学习的基础理论、实践技巧以及多种深度学习模型，如卷积神经网络（CNN）、递归神经网络（RNN）和长短期记忆网络（LSTM）等。 课程的目标是让学生掌握深度学习的核心概念，通过实际项目将所学知识应用于解决现实问题，如医疗诊断、自动驾驶和自然语言处理等前沿领域。课程语言是Python，使用的开发框架是Google的TensorFlow，由吴恩达本人亲自授课，两位助教来自斯坦福大学计算机科学系。完成课程后，学生将获得Coursera颁发的深度学习专业证书。 笔记由黄海广博士组织翻译和整理，旨在弥补Coursera官方字幕的不足，方便学员学习。团队不断更新和完善笔记内容，以促进人工智能在国内的普及，且确保不损害原课程和吴恩达的商业利益。 课程强调了深度学习的重要性，将其比喻为现代的电力革命，认为AI将在各行各业发挥关键作用。吴恩达希望通过这些课程，培养全球范围内的AI人才，共同利用深度学习解决全球性的挑战，提升人类生活质量。 课程内容包括但不限于： 1. 深度学习基础：介绍深度学习的基本原理，如何构建神经网络。 2. 卷积神经网络（CNN）：用于图像识别和处理的网络结构。 3. 递归神经网络（RNN）和长短期记忆（LSTM）：适用于序列数据处理，如自然语言处理。 4. 实践项目：包括医疗影像分析、自动驾驶技术、音乐生成等。 5. 深度学习工具和技巧：如优化算法Adam、Dropout正则化、BatchNorm以及权重初始化策略等。 此外，课程还邀请了行业内的深度学习专家分享见解，提供与行业实践相结合的视角，帮助学生将理论知识转化为实际能力。通过这门课程，学生不仅能掌握深度学习的理论知识，还能获得在实际工作中应用深度学习技术的实践经验。

[数据结构(C语言版)].严蔚敏_吴伟民.扫描版.pdf

吴恩达机器学习课程课后习题资料和代码资料

内容摘要：信号与系统详细手写笔记！！考研期末备考知识梳理+例题写作，自用笔记。有疑问欢迎交流探讨 适用人群：通信，电子信息，专业基础课学习，考研备考 参考教材：信号与系统吴大正 参考课件：信号与系统bilibili郭宝龙 涵盖章节：第一章概述，第二章时域分析，第四章傅里叶变换，第五章拉普拉斯变换，第七章系统函数，主要以连续为主。离散部分与连续类似，后续在数字信号处理课程中会详细进一步学习 电路与信号是电子信息大类专业课的基础与核心，也是大多数院校考研专业课的选择，学号信号，可以为未来打好扎实的基础

% function [y_lb,y_ub]=CI_reg(fun_name,a,b,k,K,Expansion) ％ 输入% fun_name 被调用的函数名% a 区间输入的下界向量% b 区间输入的上界向量%k CI展开的顺序%K 每个区间变量的扫描（验证）点% 切比雪夫多项式的扩展扩展类型-“完整”或“部分” ％ 输出y_lb响应下限％ % y_ub 响应上限 ％ 例子%[y_lb1,y_ub1]=CI_reg(@double_pendulum,[0.99 1.98]',[1.01 2.02]',4,10,'full');

本资源主要适合初学者用吴恩达深度学习中第一课第三周作业的算法去解决三元分类问题，内含代码和文档（也可见本人博客《吴恩达深度学习第一课第三周作业及其“三元分类”问题解决》），希望能帮到大家！