无约束优化上机作业2.pdf

【PDF】 【PPT见：https://download.csdn.net/download/senlin_6688/88382341】 1. 【基于11种算法画图】 11种算法分别是：最速下降法、阻尼牛顿法、修正牛顿法、FR共轭梯度法、PRP共轭梯度法、SW共轭梯度法、SR1拟牛顿法、DFP拟牛顿法、BFGS拟牛顿法、Broyden拟牛顿法、信赖域算法。 作用函数是： （1）Rosenbrock函数； （2）Powell奇异函数。 综上所述，阻尼牛顿法、修正牛顿法、信赖域方法、DFP拟牛顿法、BFGS拟牛顿法以及Broyden拟牛顿法最好，鲁棒性最强，毕竟牛顿法有二次终止性，而信赖域方法也是一种较稳健的算法！ 2. LM方法： 从此初始点出发，可以看出t越大的时候，迭代次数明显增加！

无约束优化上机作业2.zip

【PPT】 【PDF见：https://download.csdn.net/download/senlin_6688/88422352】 内含各个可运行算法的动图演示（除不收敛算法或迭代步数大的情况外）。 1. 【基于11种算法画图】 11种算法分别是：最速下降法、阻尼牛顿法、修正牛顿法、FR共轭梯度法、PRP共轭梯度法、SW共轭梯度法、SR1拟牛顿法、DFP拟牛顿法、BFGS拟牛顿法、Broyden拟牛顿法、信赖域算法。 作用函数是： （1）Rosenbrock函数； （2）Powell奇异函数。 综上所述，阻尼牛顿法、修正牛顿法、信赖域方法、DFP拟牛顿法、BFGS拟牛顿法以及Broyden拟牛顿法最好，鲁棒性最强，毕竟牛顿法有二次终止性，而信赖域方法也是一种较稳健的算法！ 2. LM方法： 从此初始点出发，可以看出t越大的时候，迭代次数明显增加！

美国OpenAI公司开发的机器学习系统-Hide and Seek（捉迷藏）游戏源代码

通过复现美国OpenAI公司开发的机器学习系统-Hide and Seek（捉迷藏）游戏，熟悉机器学习系统的基本结构，包括定义、工作原理、设计方法以及影响系统设计重要因素，了解机器学习系统的开发与应用，更好地理解机器学习的概念以及机器学习基本方法，包括传统学习方法、深度学习和强化学习等。通过案例创新教学方法实践，培养创新型人工智能+人才。 OpenAI于2019年开发了Hide and Seek（捉迷藏）系统。一群智能体在一个虚拟环境中玩捉迷藏，它们能够通过不断学习与尝试，自创越来越复杂的作战策略，证明简单游戏规则、多智能体竞争和大规模强化学习算法可以促使智能体在无监督情况下从环境中学习复杂策略与技能。 从生物进化角度来看，人类是一个可以不断适应新环境的物种，而人工智能却没有该特性。近年来，机器学习在围棋以及Dota 2等复杂游戏中取得显著进步，但这些特定领域的技能并不一定能适应现实场景实际应用。鉴于此，越来越多研究人员希望构建能够在行为、学习和进化等方面远超人类智能的机器智能。 多个智能体通过竞争性自我博弈的不断训练，学习如何使用工具并使用类人技能取得游戏胜利。

用NEO4J平台构建一个《人工智能引论》课程的多模态知识图谱相关代码与文件

这是用NEO4J平台构建一个《人工智能引论》课程的多模态知识图谱相关代码与文件。 知识图谱的经典定义是结构化的语义知识库，是用形象化的图形式来表达出物理世界中的概念以及内部关系。**其基本组成单位是“实体－关系－实体”三元组**，实体间通过关系相互连接形成知识结构网络。而它**也是基于图的数据结构，基本组成是“节点－边－节点”**，从而将知识信息连接成为一个关系网。所以知识图谱主要有**实体、关系、属性**等部分。其中实体表示的某种事物是独立于其他事物的，也是构建图谱最基本的元素；关系表示的是实体与实体之间的关系，用边连接着实体；而属性则用来阐述某一类实体的一些具体的值。这些三元组形式是知识图谱数据层最底层的形式。 图数据库是一种新型的非关系型数据库，无论是节点还是边缘，它的图表都**基于图论**。图论中的基本元素节点和边对应图数据库当中的节点与关系。图数据库的模型是包括**节点、关系以及属性**。它主要存储两类数据：节点和边。节点是实体：如人、成绩、书籍或其他具体事物。边关系：连接节点的概念、事件或事物。

PyQt5 实战项目 武汉大学建筑知识系统源代码

武汉大学建筑知识系统。这是一款用户上传武汉大学建筑图片进行预测给出此建筑相关信息的软件，同时也可查看武汉大学建筑资料，但是由于团队是能在课余时间完成武汉大学的建筑图片收集，所以无法收录武汉大学全部的建筑。本软件用到了神经网络算法“EfficientNet”，但是没有提供训练过程所用到的代码和图片资源，因为图片太大了，这里只给出训练好的模型！本软件代码需要你有python的基础知识，了解PyQt5以及pytorch，同时对js文件有一定了解。此次的源代码能够帮助刚入门PyQt5的同学了解软件的开发流程以及架构，让同学们更深层次的了解PyQt5，以及让同学们加深面向对象的运用。本项目代码开源，同学们可在gitee上查看。 适合人群：具备一定编程经验，了解Python以及PyQt5，了解机器学习算法以及深度学习算法。 能学到什么：可以学到软件的开发架构，以及PyQt5的不同控件用法。 阅读建议：在能够正常运行我们的代码后，请自行对模型进行一些修改，看看能不能进一步提高预测的准确率。同时尝试新增一些功能，方便用户使用，或者对我们一些已有功能进行修改！对于学习PyQt5，我们一定要自己动手实践！