使用Python的动手深度学习算法 这是Packt发布的《 的代码库。 通过使用TensorFlow实施深度学习算法和广泛的数学知识 这本书是关于什么的？ 深度学习是AI领域最受欢迎的领域之一，可让您开发各种复杂程度不同的多层模型。 本书涵盖以下激动人心的功能： 实施基础到高级的深度学习算法 掌握深度学习算法背后的数学 熟悉梯度下降及其变体，例如AMSGrad，AdaDelta，Adam和Nadam 实施循环网络，例如RNN，LSTM，GRU和seq2seq模型 了解机器如何使用CNN和胶囊网络解释图像 如果您觉得这本书适合您，请立即获取！ 说明和导航 所有代码都组织在文件夹中。 该代码将如下所示： J_plus = forward_prop(x, weights_plus) J_minus = forward_prop(x, weights_minus) 这是您需要的本

机器学习算法第二版 这是Packt发布的《 的代码库。 流行于数据科学和机器学习的算法 这本书是关于什么的？ 机器学习以其强大而快速的大型数据集预测而获得了极大的普及。 但是，强大功能背后的真正力量是涉及大量统计分析的复杂算法，该算法搅动大型数据集并产生实质性见解。 本书涵盖以下激动人心的功能： 研究特征选择和特征工程过程 评估性能和误差权衡以进行线性回归 建立数据模型并使用不同类型的算法了解其工作方式 学习调整支持向量机（SVM）的参数 探索自然语言处理（NLP）和推荐系统的概念 如果您觉得这本书适合您，请立即获取！ 说明和导航 所有代码都组织在文件夹中。 例如，Chapter02。 该代码将如下所示： from sklearn.svm import SVC from sklearn.model_selection import cross_val_score svc =

The objective of this book is to study a broad variety of important and useful algorithms—methods for solving problems that are suited for computer implementation. We shall deal with many different areas of application, always concentrating on fundamental algorithms that are important to know and interesting to study. We shall spend enough time on each algorithm to understand its essential characteristics and to respect its subtleties. Our goal is to learn well enough to be able to use and appreciate a large number of the most important algorithms used on computers today. The strategy that we use for understanding the programs presented in this book is to implement and test them, to experiment with their variants, to discuss their operation on small examples, and to try them out on larger examples similar to what we might encounter in practice. We shall use the Java programming language to describe the algorithms, thus providing useful implementations at the same time. Our programs have a uniform style that is amenable to translation into other modern programming languages as well.

非常好的组合优化书籍，对于全面系统地了解组合优化有很大帮助。

墨西哥帽子matlab代码神经网络算法 用MATLAB编写的神经网络算法 hebbian.m 该代码采用输入向量，权重，学习常数，并在每个阶段绘制更新后的权重 净额 代码将两个矩阵相乘 BAM_network.m 这个Matlab代码在以5x3的矩阵制作时为英语alphabects训练了双向联想存储网络的权重。 max_net.m 基于竞争的神经网络的具体示例。 可以用作子网来选择输入量最大的节点。 max_hat.m 该matlab代码采用以下参数输入n个输入神经元：->互连区域的半径->具有正互连的区域的半径->恒定c1->恒定c2->外部信号。 该代码对这些输入神经元执行墨西哥帽算法，并执行所需的次数。 hamming_net.m 这些网络可用于查找最接近双极性输入向量x的示例。 索姆 此代码已演示了Kohonen自组织图，也称为拓扑保留图算法。 lvq.m 该代码显示了线性向量量化算法的工作原理。 目前，代码将2类分类。 将对代码进行进一步的改进。 感知器 该代码显示了用于逻辑门的感知器学习算法的实现。 在最初阶段，已实现了“与门”，其输入值和目标输出可在代码中轻松修改。 它采

《数据结构与算法C++版》(Data Structures and Algorithms in C++ Second Edition Adam Drozdek)第2版

Leanpub.Genetic.Algorithms.with.Python.pdf ,Python通用算法

problem-solving-with-algorithms-and-data-structure-using-python 中文版

这本书是第一部连贯的讲述遗传算法在电磁学上的应用。 这本书的构造是以电磁学的论题为基础的，因此很清楚的可以看到现在研究的几大领域。 第一章讲述的是局部优化方法（local optimization）的一些性质，并且讲清楚了他们的缺点，从而可以看出遗传算法的优点。 第二章简单的讲述了遗传算法的特点，覆盖了遗传算法的大部分区域。两个特点需要注意：第一个是例举MATLAB的程序来讲述遗传算法的过程；第二个是例举电磁设计的过程，包括多目标，从数据库中选取优化参数等方法。 第三章讲了遗传算法应用在天线阵列优化的两个例子。利用这两个例子介绍了遗传算法。 第四章是本书的主体。他具体的介绍了GA用于天线阵列优化上。 第五章讨论了遗传算法用于自适应或者是智能天线。也就是把遗传算法当做自适应算法。 第六章讨论了遗传算法用于线天线。其中包括加载线天线，遗传算法天线，曲线天线和八木天线。 第七章和第八章进一步给出了遗传算法优化的例子，第七章是优化口径天线和微带天线，第八章优化周期结构和电磁带隙结构。 第九章给出了遗传算法，PSO算法的参数选择，并提出了多目标优化的问题。 最后这本书给出了编码的方法。

使用基因算法和模糊的多目标优化方面的英文原版书籍!