官方 spark 学习示例程序，适用于初学者！ 有兴趣的可以下载下

Q-learning with epsilon-greedy explore Algorithm for Deterministic Cleaning Robot V1 确定性清洁机器人 MDP 清洁机器人必须收集用过的罐子也必须为其充电电池。 状态描述了机器人的位置和动作描述运动的方向。 机器人可以向左移动或向左移动正确的。 第一个 (1) 和最后 (6) 个状态是终端状态。 目标是找到最大化回报的最优策略从任何初始状态。 这里是 Q-learning epsilon-greedy 探索使用算法（在强化学习中）。 算法 2-3，来自： @book{busoniu2010reinforcement, title={使用函数逼近器的强化学习和动态规划}， 作者={Busoniu，Lucian 和 Babuska，Robert 和 De Schutter，Bart 和 Ernst，Damien

cnn_cats_dogs 使用 Caffe 对牛津宠物数据集的狗/猫图像进行分类 在 config.py 中设置路径

1.驱动文件： Makefile memdev.c memdev.h ,执行make，即可生成驱动memdev.ko 2.测试文件： app-write.c build.sh epoll_read.c，执行脚本build.sh ,即可生成测试程序。 3.app是使用epoo方式读取数据 ， write，是往字符设备里写数据

HUAWEI（华为） atlas 200 DK环境配置方法、网络配置、例程速跑及强化学习示例 内容涵盖华为Atals基本配置、昇腾华为Atals代码仓使用示例、MobaXterm使用示例等说明。 前言： ① 本文主要部分参考Atlas 200 DK开发者套件官方文档等资料。 ② 本文在官方环境部署的基础上简化了有读卡器情形下的制卡过程，更方便部署。 ③ 本文通过学习者的视角，对每一步操作进行了细致的解读并着重介绍了终端工具MobaXterm软件的相关使用方法，适用于方便地管理文件和传输文件，对初学者更为友好。 ④ 本文为学习笔记及说明书类学习资料。

确定性清洁机器人的基于模型的策略迭代算法。 这段代码是策略迭代算法的一个非常简单的实现，对于强化学习和动态规划领域的初学者来说，它是一个有用的起点。 确定性清洁机器人 MDP：清洁机器人必须收集用过的罐子，还必须为电池充电。 状态描述了机器人的位置，动作描述了运动的方向。 机器人可以向左或向右移动。 第一个 (1) 和最后 (6) 个状态是终止状态。 目标是找到一个最优策略，使任何初始状态的回报最大化。 这里是policy-iteration（基于模型的策略迭代DP）。 参考：算法 2-5，来自： @book{busoniu2010reinforcement, title={使用函数逼近器的强化学习和动态规划}， 作者={Busoniu，Lucian 和 Babuska，Robert 和 De Schutter，Bart 和 Ernst，Damien}， 年={2010}, 出版商={CR

iOS MVVM SwiftUI学习示例。

Qt5 学习之路示例：时钟 这次任务要完成Qt5时钟代码编写 一、电子钟设计 见https://blog.csdn.net/fjqlldg/article/details/105695207 二、完成图形钟的代码编写 1、在头文件中添加代码     2、在cpp文件中完成功能   QRectF Clock::textRectF(double radius, int pointSize, double angle) { QRectF rectF; rectF.setX(radius*qCos(angle*M_PI/180.0) - pointSize*2); r

UCI 机器学习数据集合中的经典二分类数据集，包括 Iris、Hert Dieses、German Credit 等经典二分类问题测试数据集。

学习bp神经网络的入门资料，包含了丰富的matlab程序示例