机器学习----(Machine Learning)&深度学习(Deep Learning)资料(Chapter 1)
文章转至：作者：yf210yf 感谢您提供的资源 资料汇总的很多，转载一下也方便自己以后慢慢学习 注:机器学习资料篇目一共500条,篇目二开始更新 希望转载的朋友，你可以不用联系我．但是一定要保留原文链接，因为这个项目还在继续也在不定期更新．希望看到文章的朋友能够学到更多．此外:某些资料在中国访问需要梯子. 《Brief History of Machine Learning》 介绍:这是一篇介绍机器学习历史的文章，介绍很全面，从感知机、神经网络、决策树、SVM、Adaboost到随机森林、D
机器学习经典书籍&论文(转载)
比较全面的资料汇总，由于文章太长了，转过来好多链接都失效了，所以只给出原文地址 http://blog.sina.com.cn/s/blog_7e5f32ff0102vlgj.html 留着以后学习。
近200篇机器学习&深度学习资料分享
作者：廖君来源：github.com|2015-01-20 11:35 沙龙活动 | 3月31日 京东、微博、华为实战专家与你共同探讨容器技术实践！ 编者按：本文收集了百来篇关于机器学习和深度学习的资料，含各种文档，视频，源码等。而且原文也会不定期的更新，望看到文章的朋友能够学到更多。 《Brief History of Machine Learning》 介绍:这是一篇介绍机器学习历史的文章，介绍很全面，从感知机、神经网络、决策树、SVM、Adaboost 到随机森林、Deep Learni
人脸识别必读论文汇总
转至：garfielder007 导师布置了任务，让我们没人每周精读几篇大牛论文，并且写ppt。因为最近研究的主题是人脸识别，刚好看到有人总结了人脸识别那些必看的文章（各位可以直接移步去链接），于是就想不如按照这个顺序读，并且写写停滞了好久的博客。 下面这篇文章是转的，不过刚好可以拿来当做我接下来系列博客的目录。 -------------------------------------------------------------------------------------------
关于Kaggle入门
博客转载至：https://blog.csdn.net/bbbeoy/article/details/73274931 这次酝酿了很久想给大家讲一些关于Kaggle那点儿事，帮助对数据科学(Data Science)有兴趣的同学们更好的了解这个项目，最好能亲身参与进来，体会一下学校所学的东西和想要解决一个实际的问题所需要的能力的差距。虽然不是Data Science出身，但本着严谨的科研态度，在进行了大量的调研、学习以及对相关经验者的访谈之后，决定写下这篇专栏，一方面让那些对数据科学（Data
Deep Learning: Theory and Experiments
<article>
<script async="" src="//pagead2.googlesyndication.com/pagead/js/adsbygoogle.js"></script>
<ins class="adsbygoogle" style="display: block; text-align: center; height: 200px;" data-ad-layout="in-article" data-a
Deep-Q-Network从入门到放弃
原文出处：https://blog.csdn.net/qq_40514570/article/details/80690467 传送门：https://zhuanlan.zhihu.com/p/21421729 0 前言 如果说DQN从入门到放弃的前四篇是开胃菜的话，那么本篇文章就是主菜了。所以，等吃完主菜再放弃吧！ 1 详解Q-Learning 在上一篇文章DQN从入门到放弃 第四篇中，我们分析了动态规划Dynamic Programming并且由此引出了Q-Learning算法。可能一些知
Deep Reinforcement Learning with Double Q-learning
转载至：https://www.cnblogs.com/wangxiaocvpr/p/5620365.html Deep Reinforcement Learning with Double Q-learning Google DeepMind Abstract 主流的 Q-learning 算法过高的估计在特定条件下的动作值。实际上，之前是不知道是否这样的过高估计是 common的，是否对性能有害，以及是否能从主体上进行组织。本文就回答了上述的问题，特别的，本文指出最近的 DQN 算法，
深度强化学习（一）： Deep Q Network(DQN)
原文：https://blog.csdn.net/LagrangeSK/article/details/80321265 一、背景 DeepMind2013年的论文《Playing Atari with Deep Reinforcement Learning》指出：从高维感知输入（如视觉、语音）直接学习如何控制 agent 对强化学习（RL）来说是一大挑战。 之前很多RL算法依赖于手工选取的特征和线性函数逼近（对value function（值函数） 或 policy进行逼近）。但这些系统都依
强化学习(一) - 基础认知
强化学习 - 基础认知 强化学习是想让一个智能体(agent)在不同的环境状态(state)下，学会选择那个使得奖赏(reward)最大的动作(action)。 Agent在 t 时刻，通过观测环境得到自己所在的 状态(state)，接下来agent根据 策略(policy) 进行决策后，做出一个 动作(action)。这个action就会使得agent在 环境(environment) 中转移到一个新的状态，并且在转移时获得一个 即时奖励(reward) 值，这样agent又可以在新stat
强化学习(尔) - 马尔科夫决策过程
马尔科夫决策过程 Makov的定义 下一个状态的产生只和当前的状态有关，即： 本来直观上讲，下一个状态的产生跟所有历史状态是有关的，也就是等式右边所示。但是Markov的定义则是忽略掉历史信息，只保留当前状态的信息来预测下一个状态，这就叫Markov。 状态转移概率 对于一个具体的状态s和它的下一个状态s’ ，它们的状态转移概率(就是从s转移到s’的概率)定义为： 假如总共有n种状态可以选择。那么状态转移矩阵P定义为： 矩阵中第 i 行表示：当前状态为 iiiii iiiiq∗(s,a)：在所
强化学习(三) - 基于模型学习(DP)
上一节主要是引入了MDP(Markov decision process)的各种相关的定义与概念。最后得到了 最优状态值函数 v∗(s)v∗(s)v∗(s)v∗(s)v∗(s) v_∗(s)v∗(s)v∗(s)v∗(s)v(s)的值，…不断迭代直到策略收敛。策略迭代在每次改进策略后都要对策略进行重新评估，因此比较耗时。 参考： 动态规划求解MDP 周志华《Machine Learning》学习笔记（17）–强化学习 </div>
Jerry Wang诚邀广大SAP同仁免费加入我的知识星球，共同探讨SAP技术问题
大家知道Jerry Wang有一个微信公众号"汪子熙"，2017年12月27日，Jerry的这个公众号发布了第一篇文章。到今天2018年10月底为止，正好十个月。 在这10个月的时间里，通过这个公众号，Jerry认识了很多国内SAP的从业者，其中既有SAP Labs China的同事，也有SAP的客户和合作伙伴。 通过和这些朋友的互动，Jerry弥补了很多自己知识上的短板。 2018年快过完了，明年Jerry除了继续坚持运营这个公众号之外，还想试试一个叫做“知识星球”的app，原因和一些解释如
在Tomcat上发布JNDI资源
context.xml是上下文配置文件，我们修改的是Tomcat的上下文配置文件，所以它的作用域在整个Tomcat服务器，包括该服务器上运行的所有Web应用系统。如果我们修改的是某个Web应用系统的context.xml，那么作用域仅在该Web应用系统内。 1 <Context>
2 <Environment name="jndiName" value="JNDI-BlueBridge" type="java.lang.String" />
3 …
4 </Context> Environme
Linux CFS调度器之负荷权重load_weight--Linux进程的管理与调度(二十五）
1. 负荷权重 1.1 负荷权重结构struct load_weight 负荷权重用struct load_weight数据结构来表示, 保存着进程权重值weight。其定义在/include/linux/sched.h, v=4.6, L1195, 如下所示 struct load_weight {
unsigned long weight; /* 存储了权重的信息 */
u32 inv_weight; /* 存储了权重值用
周排行