因果关系审查 代码（python），图形和数据，用于评估双变量时间序列数据的因果关系指标的性能。 这篇评论是在Lungarella等人以前的工作之后进行的。 （2007）。 该评价中包括的方法是： 扩大的格兰杰因果关系（Chen et al。2004） 非线性格兰杰因果关系（Ancona et al。2004） 可预测性的提高（Feldmann和Bhattacharya 2004） 转移熵（直方图划分和Kraskov-Stögbauer-Grassberger估计）（Schreiber 2000，Kraskov et al。2004） 有效传递熵（直方图划分）（Marschinski和Kantz，2002年） 粗粒度的信息传递率（Palus等，2001） 相似指数（Arnhold等1999，Bhattacharya等2003） 收敛交叉映射（Sugihara et al.

产品推荐系统 基于深层兴趣网络和CTR预测基本模型的产品推荐系统使用Amazon Review数据。

matlab光照模型代码反射去除 根据光线，镜面反射/反射和阴影，物体的图像可能会发生巨大变化。 因此，从图像中去除不希望的反射在计算机视觉和图像处理中非常重要。 这意味着出于美学目的提高图像质量，以及在机器学习和模式识别应用程序中对图像进行预处理。 因此，该项目的目标是审查用于消除图像反射的各种技术。 依存关系 ，，（torch＆torchvision），，，，，和。 数据集 用于测试的样本图像由提供。 如何执行程式码 平均：对于给定的图像集，我们对反射去除执行平均。 打开Averaging文件夹并运行python Averaging.py -i 5_images_lowers ，其中-i是包含图像集的文件夹的路径。 独立分量分析：基于光的反射概念和反射图像中基础分布的独立性，拍摄并求解了两个偏振方向不同的图像：Y = MX，其中Y = [y1，y2]，两个图像，M是混合矩阵[a，b; c，d]（分别表示反射量）和X = [x1，x2]是绘制和反射两个图像中的分量。 打开ICA文件夹并运行python ICA.py -i1 1.png -i2 2.png ，其中-i1和-i2是输入图

这里的资源主要是讲述了代码审查的必要性。里面有三个文档，简单的讲述了一下内容。举例实用工具。 为什么要进行Code Review？  如何做Code Review？ 如何使用工具进行Code Review？ CheckStyle FindBugs PMD 使用工具进行Code Review的局限性 我们可以做得更好

数据集官网：https://ai.stanford.edu/~amaas/data/sentiment/ 数据集的训练集和测试集各有25000个样本，且正负样本个数相同，均为12500个。 该数据集和官网提供的相比，去除了一些不必要的文件，其他均未改动。

论文复习 语音识别论文综述·NLP·语音合成 年 纸 链接 2006/06 Connectionist Temporal Classification: Labelling UnsegmentedSequence Data with Recurrent Neural Networks 2015/06 Attention-Based Models for Speech Recognition 2015/08 Listen, Attend and Spell 2016/09 Joint CTC-Attention based End-to-End Speech Recognition using Multi-task Learning 2017/07 Attention Is All You Need 2018/10 BERT: Pre-training of Deep Bidir

paper_review