We live in an age where the most difficult human tasks are now automated. Smart and intelligent robots, which will perform different tasks precisely and efficiently, are the requirement of the hour. A combination of Raspberry Pi and Python works perfectly when making these kinds of robots. Learn Robotics Programming starts by introducing you to the basic structure of a robot, along with how to plan, build, and program it. As you make your way through the book, you will gradually progress to adding different outputs and sensors, learning new building skills, and writing code for interesting behaviors with sensors. You’ll also be able to update your robot, and set up web, phone, and Wi-Fi connectivity in order to control it. By the end of the book, you will have built a clever robot that can perform basic artificial intelligence (AI) operations.

基于pytorch+bilstm_crf的中文命名实体识别 文件说明 --checkpoints：模型保存的位置 --data：数据位置 --|--cnews：数据集名称 --|--|--raw_data：原始数据存储位置 --|--|--final_data：存储标签、词汇表等 --logs：日志存储位置 --utils：辅助函数存储位置，包含了解码、评价指标、设置随机种子、设置日志等 --config.py：配置文件 --dataset.py：数据转换为pytorch的DataSet --main.py：主运行程序 --main.sh：运行命令 --models.py：模型 --process.py：预处理，主要是处理数据然后转换成DataSet 运行命令 python main.py --data_dir="../data/cnews/final_data/" --log_dir="./logs/" --output_dir="./checkpoints/" --num_tags=33 --seed=123 --gpu_ids="0" --max_seq_len=128 --

py依赖包

这部书是一本以实践为主兼顾理论的机器学习好书，豆瓣高分，本电子书质量很好

python的机器学习库的轮子文件，可直接pip安装，由于从国外官网下载过慢，因此提供本资源，机器学习库是很有用的，他涵盖了大部分监督学习和无监督学习的算法，本文件对应Python版本为python39的64位版本

不用辛苦外网下载了，又慢又不稳定，支持python3.5及以上 前置资源需要下载：numpy、scipy、matplotlib

BERT+BiLSTM+CRF是一种用于中文命名实体识别（Named Entity Recognition，简称NER）的模型，结合了BERT模型、双向长短时记忆网络（Bidirectional LSTM）和条件随机场（CRF）。 BERT是一种预训练的深度双向变换器模型，具有强大的自然语言处理能力。它能够学习上下文相关的语义表示，对于NLP任务非常有用。 BiLSTM是一种循环神经网络，能够捕捉上下文之间的依赖关系。通过同时考虑前向和后向上下文，BiLSTM能够更好地理解句子中实体的边界和内部结构。 CRF是一种概率图模型，常用于序列标注任务。它能够基于输入序列和概率分布进行标签推断，使得预测的标签序列具有全局一致性。 在BERT+BiLSTM+CRF模型中，首先使用BERT模型提取句子中的特征表示。然后，将这些特征输入到BiLSTM中，通过双向上下文的学习，得到更丰富的句子表示。最后，使用CRF层对各个词的标签进行推断，并输出最终的实体识别结果。 这种模型的优势在于能够充分利用BERT的语义信息和BiLSTM的上下文依赖性，同时通过CRF层对标签进行约束，提高了实体识别的

Create and display interactive graphics, build scenes and animated transitions, make cross-platform, responsive games and applications for multiple screen resolutions, and use Pixi.js's spectacular WebGL rendering effects. Learn how to create applications for desktop and touch-screen devices, and how to use the best open-source plugins to extend Pixi.js's capabilities in a myriad of exciting ways. If you've ever wondered what you need to know to start making games, or what technology you need to build high-performance mobile apps, this book will show you the way. Learn Pixi.js is your one-stop shop for everything you need to know to quickly start making spectacular cross-platform interactive games and animations.

该书《Hands_On_Machine_Learning_with_Scikit_Learn_and_TensorFlow_3rd_Edition》相对于第一版，本书第三版所有代码都已从 TensorFlow 1.x 迁移到 TensorFlow 2.x，并且用更简单的 Keras 代码替换了大部分低级 TensorFlow 代码（图形，会话，特征列等）。该书是tensorflow官方网站的推荐图书之一（https://tensorflow.google.cn/resources/learn-ml/basics-of-machine-learning/?hl=zh-tw）本资源不仅有pdf，而且有配套的代码和数据。

scikit-learn的简单示例，主要针对机器学习中的分类问题进行演示，由简入繁，可以通过学习简单示例脚本再深入至scikit-learn源代码的学习