VIP会员

关于推荐系统的资料

压缩包里包括：推荐引擎实践，如何做好推荐系统，数据挖掘技术在推荐系统的应用，腾讯的推荐引擎的设计与实现，推荐技术在百度UCG产品中的应用。

Recommender Systems An Introduction.pdf

推荐系统比较好的综述，把行业内的推荐分析了一遍，外文教材

推荐系统源码

推荐系统源码,不错的有完整的功能,测试比较好用的源码

推荐系统代码

通过CB、CF算法实现召回，LR逻辑回归算法实现精排序，pythonWeb实现的web页面

java实现推荐系统

java实现推荐系统，基于用户的推荐系统，有实验结果。可以根据此进行推荐系统的实现。

Dietmar Salamon Symplectic Geometry

Dietmar Salamon Symplectic Geometry

Recommender Systems.pdf

Recommender Systems : An introduction —— Dietmar Jannach, TU Dortmund, Germany

clientside-recommender:一个用 Javascript 实现的客户端推荐系统

Dietmar Jannach, Markus Zanker, Alexander Felfernig, Gerhard Friedrich ISBN: 9780521493369 Pages: 18 - 20 此处提供了一个示例应用程序： 要使用引擎，您必须加载两个 JavaScript 文件——一个包含引擎，另一...

Grundkurs Programmieren in Java

一本德语java编程教程: Grundkurs Programmieren in Java

A Course In Error-Correcting Codes

这是关于纠错编码的电子书，高清，最新版本，经典著作，英文版

实现音乐推荐系统（源代码）

recommendation_engines.py Recommenders.py 推荐系统.ipynb

博客推荐系统源码

运行博客推荐程序需要注意的地方： 1. 打开mysql，增加blog数据库；修改src下面的jdbc.properties文件的用户名和密码； 2. 修改blog.xml（和Readme.txt同目录）的docBase为本地目录,放在tomcat的conf\Catalina\localhost目录下面； 3. 修改applicationContext.xml文件中的自动生成表的配置（hibernate.hbm2ddl.auto），第一次启动为create，后面改为update； 4. 启动服务器，运行test目录下面的DataGenerator.java、运行src/data目录下面的UserGenerate.java 即可插入test用户信息以及云平台信息（需要修改UserGenerate.java中云平台相关配置）; 版本：Spring3+Struts2+Hibernate3+Hadoop1.0.4+Mahout0.7+Mysql5

动态推荐系统

动态推荐系统关键技术介绍，让您快速理解推荐系统精髓。

蒋凡：从数据看2011年移动互联网发展

他主要演讲的内容以“移动互联网时代的数据价值”为主题，概况了移动互联网的发展以及重点分析了几类应用的数据表现。

推荐系统资料

关于推荐系统的资料，有实时推荐系统的介绍，还有一些论文（基于Storm的分布式在线推荐系统.pdf 基于混合算法的推荐系统的研究与实现.pdf 实时推荐系统.pdf）

Traffic and Travel Information broadcasting - protocols for the 21st century

Traffic and Travel Information broadcasting - protocols for the 21st century Dietmar Kopitz, Bev Marks

撒马罗烯配位球对液晶聚甲基丙烯酸酯合成的影响

Dietmar Wolff b, c 和JuÈrgen Springer b Berlin , a Institute for Inorganic and Analytical Chemistry and b Institute for Technical Chemistry and c Laboratory VIII.32 of the Federal Institute for ...

Der Einfluß der Koordinationssphäre von Samarocenen auf die Synthese von flüssigkristallinen Polymethacrylaten

von fluÈ ssigkristallinen Polymethacrylaten1) Mario Glanz* a, Sebastian Dechert a, Herbert Schumann a, Dietmar Wolff b,c und JuÈ rgen Springer b Berlin, a Institut fuÈ r Anorganische und ...

VAWT 分析：使用 BEMT 的垂直轴风力涡轮机性能预测-matlab开发

合著者：Dietmar Rempfer、Peter Kozak。 作为我在西班牙加泰罗尼亚理工大学 ETSEIAT 获得学士学位的项目，在美国伊利诺伊理工学院进行国际交流期间开发。 基于 Subashki 的 Mathematica 代码。 VAWT 包使用双多流管...

Machine Learning - The High-Interest Credit Card of Technical Debt - Google (43146)-计算机科学

Todd Phillips, Dietmar Ebner, Vinay Chaudhary, Michael Young{dsculley,gholt,dgg,edavydov}@google.com {toddphillips,ebner,vchaudhary,mwyoung}@google.comGoogle, IncAbstractMachine learning offers a ...

推荐系统数据全集

该数据集几乎包含了目前网络上流传的所有推荐系统数据集，包括Epinions，MovieLens，delicious，lastfm，YahooMusic，ml-100k，ml-latest-small等

ChatGPT教程（终极版）最全整理

这是一篇动了某些人利益的良心教程。 这是一篇姗姗来迟的ChatGPT教程。 纯小白关于ChatGPT入门，你看我这篇文章就够了。 如果你已经用上了ChatGPT，更要恭喜你挖到宝藏，后面的高级技巧一定能让你有收获。 文章包含以下内容： 一、ChatGPT是啥？有什么用； 二、ChatGPT如何注册； 三、ChatGPT使用方法； 四、用ChatGPT搞钱； 五、高级技巧；

博客中Kmeans以及FCM算法数据（免积分）

博客中Kmeans以及FCM算法的数据，包括IRIS鸢尾花数据集、Wine葡萄酒数据集、Seed小麦种子数据集、glass数据集、WDBD乳腺癌数据集，下载在直接存入项目文件夹即可，如果下载不了，可以私信我，看到后会及时回复。

hugging face的models-openai-clip-vit-large-patch14文件夹

用于无法访问hugging face并需要运行stable-diffusion-webui时使用

神经网络回归预测--气温数据集

神经网络回归预测--气温数据集

XGBoost+LightGBM+LSTM-光伏发电量预测

包含比赛代码、数据、训练后的神经网络模型等。 在分析光伏发电原理的基础上，论证了辐照度、光伏板工作温度等影响光伏输出功率的因素，通过实时监测的光伏板运行状态参数和气象参数建立预测模型，预估光伏电站瞬时发电量，根据光伏电站DCS系统提供的实际发电量数据进行对比分析，验证模型的实际应用价值。 1 数据探索与数据预处理 1.1 赛题回顾 1.2 数据探索性分析与异常值处理 1.3 相关性分析 2 特征工程 2.1 光伏发电领域特征 2.2 高阶环境特征 3 模型构建与调试 3.1 预测模型整体结构 3.2 基于LightGBM与XGBoost的构建与调试 3.3 基于LSTM的模型构建与调试 3.4 模型融合与总结 4 总结与展望 参考文献

Mathwork+Matlab+编程手册

Introduction to Programming with MATLAB ~ Vanderbilt University

Stable-Diffusion WEBUI 简体中文语言包（2023.05.30更新）

AI绘图，Stable-Diffusion WEBUI，本地化（简体中文）语言文件。 原始文件来自翻译插件，根据自己实际使用情况，增加和修改了一些翻译。 配合【双语插件】看上去要自然一点，内容还在继续完善中。 本次增加了一些翻译内容，特别是插件。 同时继续合并了其它翻译插件的内容。 最近文字提示修改得有点多啊。 请放入“你的SDWebUI项目位置/localizations/”中。 中文翻译部分删掉了不少括起来的英文原文，所以别直接选它用。 请配合【Bilingual Localization】插件使用，双语同时显示，效果最好。

基于Python+pytorch的图像处理+附完整代码图像处理，能够轻松实现图像的读取、显示、裁剪等还有机器学习等操作

Python+PyTorch：图像处理界的“瑞士军刀” 在图像处理这个充满魔法的世界里，Python和PyTorch这对黄金搭档，就像一位技艺高超的魔法师和一把无所不能的“瑞士军刀”，总能轻松解决各种看似棘手的难题。它们以高效、灵活和强大的特性，引领着图像处理技术的发展潮流，让无数开发者为之倾倒。Python，这位优雅的魔法师，以其简洁易懂的语法和丰富的库资源，赢得了广大开发者喜爱。无论是数据处理、机器学习还是深度学习，Python都能轻松应对，展现出其无与伦比的魅力。在图像处理领域，Python更是如鱼得水，通过OpenCV、PIL等库，能够轻松实现图像的读取、显示、裁剪、缩放、滤波等操作，让图像在指尖起舞。而PyTorch，这把图像处理界的“瑞士军刀”，则以其灵活性和易用性，成为深度学习领域的翘楚。它拥有强大的自动求导功能，能够轻松构建和训练复杂的神经网络模型。在图像处理中，PyTorch能够助力开发者构建出各种高效的图像识别、分割、生成等模型，让图像焕发出新的生机。想象一下，当你掌握了Python和PyTorch这对黄金搭档，就如同掌握了一把魔法杖和一把瑞士军刀。必然大可作为

时间序列预测模型实战案例(Xgboost)(Python)(机器学习)包括时间序列预测和时间序列分类，点击即可运行！

内容概要 资源包括三部分(时间序列预测部分和时间序列分类部分和所需的测试数据集全部包含在内) 在本次实战案例中，我们将使用Xgboost算法进行时间序列预测。Xgboost是一种强大的梯度提升树算法，适用于各种机器学习任务，它最初主要用于解决分类问题，在此基础上也可以应用于时间序列预测。 时间序列预测是通过分析过去的数据模式来预测未来的数值趋势。它在许多领域中都有广泛的应用，包括金融、天气预报、股票市场等。我们将使用Python编程语言来实现这个案例。 其中包括模型训练部分和保存部分，可以将模型保存到本地，一旦我们完成了模型的训练，我们可以使用它来进行预测。我们将选择合适的输入特征，并根据模型的预测结果来生成未来的数值序列。最后，我们会将预测结果与实际观测值进行对比，评估模型的准确性和性能。 适合人群：时间序列预测的学习者,机器学习的学习者， 能学到什么：本模型能够让你对机器学习和时间序列预测有一个清楚的了解，其中还包括数据分析部分和特征工程的代码操作 阅读建议：大家可以仔细阅读代码部分，其中包括每一步的注释帮助读者进行理解，其中涉及到的知识有数据分析部分和特征工程的代码操作。