所有关于二叉树的算法实现，适合学习算法和数据结构的人使用
上传时间： 2017-08-29
上传用户：jyycc
可以直接实现调用，源代码也有可以供学习算法
标签： 封装好zlib算法
上传时间： 2015-03-15
上传用户：序文123
一个基于深度学习工具包，能够实现多种深度学习算法！
标签： 深度学习
上传时间： 2015-05-13
上传用户：kong1109
本课程提供了一个广泛的介绍机器学习、数据挖掘、统计模式识别的课程。主题包括： （一）监督学习（参数/ 非参数算法，支持向量机，核函数，神经网络）。（二）无监督学习 （聚类，降维，推荐系统，深入学习推荐）。（三）在机器学习的最佳实践（偏差/ 方差理 论；在机器学习和人工智能创新过程）。本课程还将使用大量的案例研究，您还将学习如何 运用学习算法构建智能机器人（感知，控制），文本的理解（W eb 搜 索，反垃圾邮件），计 算机视觉，医疗信息，音频，数据挖掘，和其他领域。 本课程需要 1 0 周 共 1 8 节 课，
上传时间： 2017-07-28
上传用户：xiaoyuerer
斯坦福大学-深度学习基础教程.pdfUFLDL教程 From Ufldl 说明：本教程将阐述无监督特征学习和深入学习的主要观点。通过学习，你也将实现多个功能 学习/深度学习算法，能看到它们为你工作，并学习如何应用/适应这些想法到新问题上。 本教程假定机器学习的基本知识（特别是熟悉的监督学习，逻辑回归，梯度下降的想法），如果 你不熟悉这些想法，我们建议你去这里 机器学习课程 (http://openclassroom.stanford.edu/MainFolder/CoursePage.php? course=MachineLearning) ，并先完成第II，III，IV章（到逻辑回归）。 稀疏自编码器 神经网络 反向传导算法 梯度检验与高级优化 自编码算法与稀疏性 可视化自编码器训练结果 稀疏自编码器符号一览表 Exercise:Sparse Autoencoder 矢量化编程实现 矢量化编程 逻辑回归的向量化实现样例 神经网络向量化 Exercise:Vectorization
标签： 深度学习
上传时间： 2022-03-27
上传用户：kingwide
C语言非常经典的十三个算法 ，非常适合正在学习算法的同学
标签： C语言
上传时间： 2022-05-13
上传用户：得之我幸78
MATLAB深度学习简介深度学习是机器学习的一个类型，该类型的模型直接从图像、文本或声音中学 习执行分类任务。通常使用神经网络架构实现深度学习。“深度”一词是指网络 中的层数 — 层数越多，网络越深。传统的神经网络只包含 2 层或 3 层， 而深度网络可能有几百层。下面只是深度学习发挥作用的几个例子:• 无人驾驶汽车在接近人行横道线时减速。• ATM 拒收假钞。• 智能手机应用程序即时翻译国外路标。深度学习特别适合鉴别应用场景，比如人脸辨识、 文本翻译、语音识别以及高级驾驶辅助系统(包括 车道分类和交通标志识别)。简言之，精确。先进的工具和技术极大改进了深度学习算法，达到了 很高的水平，在图像分类上能够超越人类，能打败世界最优秀的围棋 选手，还能实现语音控制助理功能，如 Amazon Echo® 和 Google Home，可用来查找和下载您喜欢的新歌。如果您刚接触深度学习，快速而轻松的入门方法是使用现有网络， 比如 AlexNet，用一百多万张图像训练好的 CNN。AlexNet 最常用于 图像分类。它可将图像划分为 1000 个不同的类别，包括键盘、鼠标、 铅笔和其他办公设备，以及各个品种的狗、猫、马和其他动物。
标签： Matlab
上传时间： 2022-06-10
上传用户：
内容提要第1章 机器学习概1.1 机器学习简介 1.1.1 机器学习简史 1.1.2 机器学习主要流派 1.2 机器学习、人工智1.2.1 什么是人工智能 1.2.2 什么是数据挖掘 1.2.3 机器学习、人工智1.3 典型机器学习应用1.4 机器学习算法 1.5 机器学习的一般流程 第2章 机器学习基本2.1 统计分析2.1.1 统计基础2.1.2 常见概率分布2.1.3 参数估计2.1.4 假设检验2.1.5 线性回归2.1.6 逻辑回归2.1.7 判别分析2.1.8 非线性模型2.2 高维数据降维2.2.1 主成分分析2.2.2 奇异值分解2.2.3 线性判别分析2.2.4 局部线性嵌入2.2.5 拉普拉斯特征映射2.3 特征工程 2.3.1 特征构建2.3.2 特征选择2.3.3 特征提取2.4 模型训练2.4.1 模型训练常见术语2.4.2 训练数据收集 2.5 可视化分析 2.5.1 可视化分析的作用2.5.2 可视化分析方法 2.5.3 可视化分析常用工2.5.4 常见的可视化图表 2.5.5 可视化分析面临的挑战
标签： 机器学习
上传时间： 2022-06-16
上传用户：
神经网络是机器学习的重要分支，是智能计算的一个主流研究方向，长期受到众多科学家的关注和研究，它植根于很多学科，结合了数学、统计学、物理学、计算机科学和工程学.已经发现，它能够解决一些传统意义上很难解决的问题，也为一些问题的解决提供了全新的想法.在传统的研究成果中，有很多表达数据的统计模型，但大都是比较简单或浅层的模型，在复杂数据的学习上通常不能获得好的学习效果.深度神经网络采用的则是一种深度、复杂的结构，具有更加强大的学习能力，目前深度神经网络已经在图像识别、语音识别等应用上取得了显著的成功.这使得这项技术受到了学术界和工业界的广泛重视，正在为机器学习领域带来一个全新的研究浪潮.
标签： 深度神经网络
上传时间： 2022-06-19
上传用户：shjgzh
本文首先简述了交流调速系统的发展和研究重点，介绍了异步电机调速系统的不同控制策略，详细论述了异步电机矢量控制系统的基本原理：异步电机的数学模型和坐标变换、矢量控制的基本方程式、转子磁链的观测方法、矢量控制的系统结构等，并重点分析了空间矢量脉宽调制(SVPWM)技术的基本原理、控制算法以及在TMS320LF2407中的实现方法。 从工程实际应用出发，本文设计和开发了一套以DSP芯片TMS320LF2407为核心的有速度传感器异步电机矢量控制系统，并给出了硬件和软件的实现方法。该系统的功率电路采用电压型的交-直-交变压变频结构，由整流电路、滤波电路及智能功率模块IPM(PM15RSH120)逆变电路构成；控制电路以DSP芯片TMS320LF2407为核心，加上PWM信号发生电路、定子电流检测电路、直流母线电压检测电路、智能功率模块驱动电路、速度检测电路、系统保护电路等，构成了功能齐全的异步电机全数字化矢量控制系统。 在此基础上，本文对无速度传感器异步电机矢量控制系统进行了有益的探索。提出了改进的电压型转子磁链估算模型，消除了电压型转子磁链估算模型中纯积分环节所固有的漂移问题和积累误差对实际系统性能的影响。在传统型参考自适应系统基础上，将系统中原有的自适应调节机构用一个具有在线学习能力的模糊神经网络取代，提出一种基于模糊神经网络的异步电机转速估计方法，并给出了速度估计器的模糊神经网络结构和学习算法。最后对基于模糊神经网络转速估计的异步电机矢量控制系统进行了仿真，结果表明该系统具有良好的性能。
上传时间： 2013-07-02
上传用户：amandacool
