• 计算机网络课件.zip

    介绍了计算机网络的发展和原理体系结构、物理层、数据链路层、网络层、运输层、应用层、网络安全、因特网上的音频/视频服务、无线网络和下一代因特网等内容

    2020-11-13
    10
  • 深度学习之 近似推断

    概率推断的核心任务就是计算某分布函数, 所涉及的分布可能很复杂,需要引入一些近似计算方法 变分法的优点主要是:有解析解、计算开销较小

    2020-11-05
    44
  • 深度学习 挑战配分函数

    许多概率模型由一个未归一化的概率分布定义,它必须通过除以配分函数来归一化。配分函数是未归一化概率所有状态的积分(对于连续变量)或求和(对于离散变量),一些模型会直接面对难以计算的配分函数

    2020-11-05
    9
  • Python数据分析案例实战

    Python数据分析的案例教程,不仅介绍了使用Python进行数据分析所涉及的常用知识,而且介绍了6个流行的数据分析方面的项目。包括数据分析基础、NumPy模块实现数值计算、Pandas模块实现统计分析、Matplotlib模块实现数据可视化、

    2020-11-04
    46
  • PythonWeb开发案例教程

    进行Python Web开发所涉及的前端常用知识,以及流行的3个Web开发框架,而且介绍了6个Web开发中流行的项目

    2020-11-04
    45
  • 深度学习 蒙特卡罗方法

    蒙特卡罗方法(Monte Carlo Methods)是强化学习中基于无模型的训练方法 蒙特卡罗预测的目的是来预测状态值(state value)。

    2020-11-04
    31
  • 深度学习 表征学习.pdf

    表征学习是学习一个特征的技术的集合:将原始数据转换成为能够被机器学习来有效开发的一种形式。它避免了手动提取特征的麻烦,允许计算机学习使用特征的同时,也学习如何提取特征

    2020-11-04
    50
  • 深度学习中的结构化概率模型

    MIT版深度学习第16章,结构化概率模型, 非结构化概率模型用条件概率公式/贝叶斯公式来描述概率分布中随机变量之间的相互关系,结构化概率模型使用图来表示随机 变量之间的相互作用。主要介绍了结构化模型的优势、有向图、无向图等表示方式以及如何利用结构化模型进行推断等 。

    2020-11-04
    35
  • 深度学习的 自编码器

    MIT版深度学习第14章 自编码器 ,非监督学习对没有标记的数据最常见的应用就是通过聚类(Clustering)的方式将数据进行分类,高维的数据要用自编码器来降低数据的维度

    2020-11-04
    9
  • 深度学习 线性因子模型

    MIT版深度学习第13章 深度学习线性因子模型.线性因子模型被定义为通过随机、线性的解码器模型(decoder function),通过在一个线性变换加上噪声,来生成输入空间

    2020-11-04
    36
上传资源赚积分or赚钱