Algorithm-AM:实现模拟建模的Perl模块-源码

概要 use Algorithm::AM; my $dataset = dataset_from_file(path => 'finnverb', format => 'nocommas'); my $am = Algorithm::AM->new(training_set => $dataset); my $result = $am->classify($dataset->get_item(0)); print @{ $result->winners }; print ${ $result->statistical_summary }; 描述 该模块提供了一个面向对象的界面，用于使用类比建模算法对单个项目进行分类。 要处理需要分类的项目集，请参见 。 要从命令行运行分类而不编写您自己的Perl代码，请参见 。 该模块使用记录信息，因此，如果要自动打印输出，则需要设置一个适配器。 有关记

my-py-algorithm-training-源码

my-py-algorithm-training

Algorithm-Training-源码

算法训练 这是一个存储库，用于存储我参加的所有比赛的解决方案。 目录

algorithm_training：알고리즘제풀이-源码

algorithm_training 알고리즘제풀이 출처：프로그래머스테스트연습， ://programmers.co.kr/learn/challenges 출처：저저지， ://www.acmicpc.net/ 프로그래머스 1级 문제 코드 테스트 풀이 2级 문제 코드 테스트 풀이 3级 문제 코드 테스트 풀이 백준 입출력 문제 코드 테스트 풀이 칙 문제 코드 테스트 풀이 배열 문제 코드 테스트 풀이 문자열 문제 코드 테스트 풀이 수학 문제 코드 테스트 풀이 蛮力 문제 코드 테스트 풀이 그리디 문제 코드 테스트 풀이 BFS / DFS 문제 코드 테스트 풀이 堆 문제 코드 테스트 풀이 杂凑 문제 코드 테스트 풀이 정렬 문제 코드 테스

ENAS-PdM:进化神经体系结构搜索可用于剩余使用寿命预测-源码

ENAS-PdM ENAS-PdM是一种定制的进化算法，专门设计用于优化用于预测维护性（PdM）的剩余使用寿命（RUL）的深度网络体系结构。 在我们基础上，本研究的目的是为RUL预测找到最佳的具有长短期记忆（CNN-LSTM）的多头卷积神经网络。 为此，我们使用进化搜索来探索多头CNN-LSTM的组合参数空间，如下图所示。 先决条件 您可以从下载实验中使用的基准数据集C-MAPSS。 这些文件应放在/ tmp文件夹中。 ENAS-PdM库具有以下依赖性： 大熊猫 麻木 scikit学习 tqdm 张量流gpu ap matplotlib 内容描述 network_training.py：用于网络生成和培训的类 evolutionary_algorithm.py：在预测性维护的背景下进化神经网络的进化算法的实现 跑 拉请求是受欢迎的。 对于重大更改，请先打开一个问题以讨论您要更改的

python-pisces：使用搜索引擎通过关键字搜索和下载图像的工具：googlebaiduyahoobing。使用google等搜索引擎搜索关键字并下载图片-源码

为什么使用双鱼座？ 该项目源自图像数据集的算法训练需求。 图像搜索引擎（例如Google）现在非常强大。 如果我们可以使用它们，它们就足够了。 但是，他们没有为我们提供方便的API。 双鱼座使用 ，它可以与chromedriver一起下载我们需要的图像。 双鱼座支持以下搜索引擎：谷歌，雅虎，必应，百度（中国）以及未来更多的主流引擎。 为什么要使用双鱼座？ 本项目起源于算法训练需要图像数据集的需求。 现有的图片搜索引擎，某些Google，相当强大了，能够利用起来，已经可以满足我们的需求。然而，这些网站并没有提供方便的API让我们得到图片链接。 双鱼座使用了 ，可调用主流的浏览器下载搜索到的图片。 双鱼座还整合了其他的搜索引擎的搜索结果：google / yahoo / bing /百度。 安装 首先，请确保您的计算机上安装了浏览器。 如果不是，则selenium给出“ selenium.common.exceptions.WebDriverException：消息：未知错误：找不到Chrome二进制文件”。 如果您正在使用没有接口的服务器（例如CentOS），则也可以按照以下步

atari-model-zoo：以Atari机器学习基准进行训练的经过训练的深度强化学习模型的二进制版本，以及使模型的可视化和分析易于进行以及跨训练算法进行比较的软件版本-源码

雅达利动物园 该项目的目的是传播由各种算法训练的深度强化学习代理，并使其易于分析，比较和可视化。 希望减少摩擦，以便进一步研究了解强化学习主体。 该项目利用了出色的神经网络可视化库，并与集成。 在IJCAI 2019上发表了一篇介绍这项工作的论文：。 关于 该软件包附带二进制发行版，其中包括（1）通过各种深度强化学习方法在Atari游戏上训练的冻结模型，以及（2）在网络上托管的那些特工在其训练环境中的缓存游戏体验。 安装与设定 依存关系： （版本> 0.8 <2.0;我们目前不支持TF 2.x ） （版本 的一些可视化 （用于制作电影的可选） （安装了对Atari的支持；可选的用于生成新的展示） （可选，用于生成新的展示） （导出为格式时可选） 要安装， setup.py install在安装依赖项后运行setup.py install 。 例子 import ata

training-programming_challenges:自训练―编程―算法-源码

编程挑战 自我训练―编程 专案 :open_file_folder: :open_file_folder: :open_file_folder: 软件工程师

YOLOv3_TensorFlow源码

This is my implementation of YOLOv3 in pure TensorFlow. It contains the full pipeline of training and evaluation on your own dataset. The key features of this repo are: Efficient tf.data pipeline Weights converter (converting pretrained darknet weights on COCO dataset to TensorFlow checkpoint.) Extremely fast GPU non maximum supression. Full training and evaluation pipeline. Kmeans algorithm to select prior anchor boxes.

竞争性编程：解决我已经解决的各种竞争性编程问题的方法。 查阅《 USACO指南》以提高竞争性编程水平！-源码

查阅《 以更好地掌握有竞争力的节目！ 加快编译时间： ： g++ -std=c++11 /usr/include/path_to/bits/stdc++.h 竞争性编程解决方案 该存储库包含各种竞争性编程问题的解决方案。 查找已解决问题的命令： find -type f -name "*.cpp" ! -name "*main*" -not -path "./cpbook-code/*" -not -path "./alphastar/*summer*/*" -not -path "./**/*game*/*" | wc -l 注意：以下内容均保持最新！！ USACO解决方案 USACO培训和USACO竞赛问题的解决方案。 USACO培训： 问题编号 问题名称 解决方案说明 1.5.1 小心蛮力 1.6.3 蛮力 2.1.1 充水给每个房间分配一个编号 2.1.2 生成所有可能的分数 2.1.3 注释以代码形式写为注释 2.1.4 蛮力 2.1.5 蛮力 2.2.1 蛮力 2.2.2 DP 2.2.3 蛮力 2.2.4 暴力破解2 ^ 4，无论您按两次按钮都没关系 2.

ergo：:brain:使AI更容易的工具-源码

ergo （来自拉丁语 ）是一种命令行工具，可简化机器学习。 它可以用于： 只需几秒钟即可完成新项目的脚手架，并且仅自定义少量代码。 对样本进行编码，导入和优化CSV数据集并使用它们训练模型。 可视化训练过程中的模型结构，损失和准确性功能。 通过差分推理确定每个输入要素如何影响精度。 导出一个简单的REST API以使用服务器中的模型。 正在安装 sudo pip3 install ergo-ai 从源安装 git clone https://github.com/evilsocket/ergo.git cd ergo sudo pip3 install -r requiremen

OI来源：OI代码仓库，复习笔记，代码模板，本地法官-源码

此仓库是我的OI代码仓库。 该仓库包括： 来源/未分类：来源 评论： ：Windows / Linux本地法官 模板：代码模板 希望有一天学弟们可以看到我给他们留下的东西。 高考加油吧。 评论 博弈论 nim系列游戏 sg函数 对抗搜索AlphaBeta 威佐夫博弈，斐波那契博弈 网络流 二分图 最大流 费用流 带上下界网络流 常见网络流/最小割模型 最小割性质【AHOI2009】 消圈定理 数据结构 树状斑点 线段树 划分树 平衡树（fhqtreap / splay） LCT 并查集 树 可并堆 可持久化数据结构 数学 数论 gcd / exgcd 费马（线性推逆元）/（EX）欧拉定理 米勒·拉宾（Miller Rabin） 波拉德·罗（Pollard Rho） RSA CRT / exCRT 线性筛选求积性函数值-因子分解 狄利克雷卷积，莫比乌斯反演 低于线性复杂度筛法 BSGS / exBSGS 原根映射技巧 集合论/群论 置换Polya定理 容斥 组合数学 加泰罗尼亚语 斯特灵 卢卡斯/ exLucas 多重式 快速傅立叶变换 NTT FWT

libsvm-3.17

支持向量机源码，可在 www.csie.ntu.edu.tw/~cjlin/libsvm/ 下载到最新版本，该版本是 2013年4月更新的，3.17 版。压缩包里面有源代码和文档。以下摘自前述网站： Introduction LIBSVM is an integrated software for support vector classification, (C-SVC, nu-SVC), regression (epsilon-SVR, nu-SVR) and distribution estimation (one-class SVM). It supports multi-class classification. Since version 2.8, it implements an SMO-type algorithm proposed in this paper: R.-E. Fan, P.-H. Chen, and C.-J. Lin. Working set selection using second order information for training SVM. Journal of Machine Learning Research 6, 1889-1918, 2005. You can also find a pseudo code there. (how to cite LIBSVM) Our goal is to help users from other fields to easily use SVM as a tool. LIBSVM provides a simple interface where users can easily link it with their own programs. Main features of LIBSVM include Different SVM formulations Efficient multi-class classification Cross validation for model selection Probability estimates Various kernels (including precomputed kernel matrix) Weighted SVM for unbalanced data Both C++ and Java sources GUI demonstrating SVM classification and regression Python, R, MATLAB, Perl, Ruby, Weka, Common LISP, CLISP, Haskell, OCaml, LabVIEW, and PHP interfaces. C# .NET code and CUDA extension is available. It's also included in some data mining environments: RapidMiner, PCP, and LIONsolver. Automatic model selection which can generate contour of cross valiation accuracy.

Codewars：CodeWars解决方案（请开始。谢谢）-源码

强烈建议代码战士在您自己完成或至少花时间考虑自己的方法之前，不要看我对Kata的解决方案 Codewarrior不应将我的解决方案作为自己的解决方案提交 我将不接受对此回购任何形式的捐款 Codewars不鼓励创建这样的存储库

模式识别重要算法工具包（含帮助文档）

此工具包涵盖了模式识别和机器学习领域的重要算法和很多新的算法，由这些领域资深专家编写，并有相关教材出版，绝对不负众望。此工具包包括以下内容： * PCA * Mixtures of probabilistic PCA * Gaussian mixture model with EM training algorithm * Linear and logistic regression with IRLS training algorithm * Multi-layer perceptron with linear, logistic and softmax outputs and appropriate error functions * Radial basis function (RBF) networks with both Gaussian and non-local basis functions * Optimisers, including quasi-Newton methods, conjugate gradients and scaled conjugate gradients * Multi-layer perceptron with Gaussian mixture outputs (mixture density networks) * Gaussian prior distributions over parameters for the MLP, RBF and GLM including multiple hyper-parameters * Laplace approximation framework for Bayesian inference (evidence procedure) * Automatic Relevance Determination for input selection * Markov chain Monte-Carlo including simple Metropolis and hybrid Monte-Carlo * K-nearest neighbour classifier * K-means clustering * Generative Topographic Map * Neuroscale topographic projection * Gaussian Processes * Hinton diagrams for network weights * Self-organising map

灵动：针对浏览器和Node.js的快速神经进化和反向传播-源码

整洁（未） Neataptic提供灵活的神经网络； 只需一行代码即可删除神经元和突触。 神经网络完全不需要固定的架构。 这种灵活性允许通过神经进化为您的数据集塑造网络，这是使用多个线程完成的。 // this network learns the XOR gate (through neuro-evolution) var network = new Network ( 2 , 1 ) ; var trainingSet = [ { input : [ 0 , 0 ] , output : [ 0 ] } , { input : [ 0 , 1 ] , output : [ 1 ]

LibIsolationForest：Isolation Forest异常检测算法的C ++，rust，julia，python2和python3实现-源码

库隔离林 描述 该项目包含隔离林算法的Rust，C ++，Julia和python实现。 隔离林是一种基于随机生成的决策树的集合的异常检测算法。 有关算法的完整说明，请查阅算法创建者的原始论文： Python范例 可以通过pip安装python实现： pip install IsolationForest 这是一个简短的代码片段，显示了如何使用该库的Python版本。 您也可以阅读文件test.py以获得完整示例。 随着库的成熟，我将向该文件添加更多测试示例。 from isolationforest import IsolationForest forest = IsolationForest . Forest ( num_trees , sub_sampling_size ) sample = IsolationForest . Sample ( "Training Sample

ArabicCompetitiveProgramming：该存储库包含我的ARABIC算法频道中视频系列附带的英语描述文件-源码

ArabicCompetitiveProgramming：该存储库包含我的ARABIC算法频道中视频系列附带的英语描述文件

Solvay:我的解决方案，来自不同的在线法官，Codeforce，CSES，Atcoder，USACO等的编程问题-源码

苏威 这是我针对来自不同平台的Algorithm和DataStructure问题的解决方案的集合，这些解决方案用作简单的参考和库。 所有目录均以某个编码平台命名，而解决方案则以描述性方式命名。 在找到指向我的参与证书的链接并进行排名。