图解网络-小林coding.zip

图解网络--小林coding 暗黑版+亮白版

srilm-1.7.3.tar.gz

一般帖子上附的这个下载网址内网登不上 （http://www.speech.sri.com/projects/srilm/download.html） 所以就拜托国外的同学帮我下了这个最新版本的srilm 亲测可用哈~

srilm-1.7.1.tar.gz

之前下载的1.7.2的版本没法安装，最后找到的这个版本的确定可以安装 （下载到的srilm.tar.gz（1.7.1）要重命名成srilm.tgz，然后运行sudo ./install_srilm.sh即可自行安装） 安装成功提示如下： /home/avatar/kaldi-master/tools/srilm/sbin/decipher-install 0555 compare-sclite ../../bin /home/avatar/kaldi-master/tools/srilm/sbin/decipher-install 0555 cumbin ../../bin make[2]: Leaving directory '/home/avatar/kaldi-master/tools/srilm/utils/src' make[2]: Entering directory '/home/avatar/kaldi-master/tools/srilm/zlib/src' make[2]: Nothing to be done for 'release-scripts'. make[2]: Leaving directory '/home/avatar/kaldi-master/tools/srilm/zlib/src' make[1]: Leaving directory '/home/avatar/kaldi-master/tools/srilm' Installation of SRILM finished successfully Please source the tools/env.sh in your path.sh to enable it

numbers-en.tar.gz

本英文数字语音包下载自fithub，是很好的语音素材，可以满足ASR的要求。 这个语音包中包含128个语音文件，wav格式的，分别是两个人朗读，其中每个文件只包含三个数字。这 128 文件中 80 个用于训练， 48 个用于测试。并且训练数据和测试数据都被分成了 8 部分（可以假装成 8 个人），每部分分别 10 个 和 6 个。训练集和测试集的前五个目录是男士朗读，后面三个是女士朗读的。

kaldi-master.zip

kaldi安装包的最新版本，解压后可直接使用 kaldi各文件解释 /egs：不同语料例子的执行脚本文件 /tools：存放asr过程中用到的库 /src：存放实际执行的c++算法

kaldi的全部资料_v0.7(未完成版本).pdf

最全的kaldi学习指导文档，目前是最新版本。 kaldi是一个开源的语音识别工具箱，是基于c++编写的，可以在windows和unix平台上编译。 1)与文本无关的LVCSR系统； 2)基于FST的训练和解码； 3)最大似然训练； 4)各种各样的线性和映射变换； 5)有VTLN，SAT的脚本；

J-link firmware update最新V644f

JLink官方v6.34 Windows版本，官方原版。截至2019年4月13日官网最新的版本。 相关下载链接：https://www.segger.com/downloads/jlink

机器学习实战 Machine Learning in Action （Peter Harrington）

含：英文原版，中文翻译版本，用到的python源代码 本书第一部分主要介绍机器学习基础，以及如何利用算法进行分类，并逐步介绍了多种经典的监督学习算法，如k近邻算法、朴素贝叶斯算法、Logistic回归算法、支持向量机、AdaBoost集成方法、基于树的回归算法和分类回归树（CART）算法等。第三部分则重点介绍无监督学习及其一些主要算法：k均值聚类算法、Apriori算法、FP-Growth算法。第四部分介绍了机器学习算法的一些附属工具。 作者Peter Harrington拥有电气工程学士和硕士学位，他曾经在美国加州和中国的英特尔公司工作7年。Peter拥有5项美国专利，在三种学术期刊上发表过文章。他现在是Zillabyte公司的首席科学家，在加入该公司之前，他曾担任2年的机器学习软件顾问。Peter在业余时间还参加编程竞赛和建造3D打印机。

斯坦福大学 2014 机器学习教程中文笔记

课程地址：https://www.coursera.org/course/ml 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）。