[其它] OpenCV4-Video-Source-Code:OpenCV4视频源代码-opencv source code

说明：OpenCV4-Video-Source-Code:OpenCV4视频源代码
<weixin_42102933> 上传 | 大小：8mb

[其它] Python-OpenCV3-TopicWise-SourceCode:PRTech IT解决方案提供商-opencv source code

说明：任何疑问，然后问我
<weixin_42104906> 上传 | 大小：18mb

[其它] spark-tests:hashmade.frInfoQ文章的源代码-spark source code

说明：火花测试 此回购包含通过和使用数据源进行涉及测试。 安装先决条件 要运行这些测试，您需要： JDK 7或更高版本 吉特 玛文 下载专案 git clone Datastax-运行测试 首先，您需要在您的Maven存储库中导入spark-cassandra-connector_2.10-1.0.0-beta1.jar： mvn install：安装文件-Dfile = lib / spark-cassandra-connector_2.10-1.0.0-beta1.jar -DgroupId
<weixin_42138703> 上传 | 大小：745kb

[其它] sparklr:Sparklr.me社交网站的源代码-spark source code

说明：Sparklr 社交网站的源代码。 Sparklr是一个开放式交流网站，旨在使人们能够即时交流，激发瞬间的风格。 关于代码 Sparklr，有时也称为“原型18”，是我在高中时就开始进行的一个项目。 从那时起，它已经经历了多次迭代，并且已经在Node.js中重新编写，作为简单性和效率性的实验。 因为原型18的主要目标是尽可能多地学习，所以存在“重新发明轮子”的几个实例。 尽管在快速构建方案中这是不切实际的，但p18还是一个了不起的全栈学习实验。 骇客 Sparklr现在已获得GPLv3的许
<weixin_42102220> 上传 | 大小：832kb

[其它] Spark-dig-and-dig:Dig Spark的源代码-spark source code

说明：Spark-dig-and-dig:Dig Spark的源代码
<weixin_42146086> 上传 | 大小：108kb

[其它] 压缩转换后的立体声视频的紧凑表示形式

说明：压缩转换后的立体声视频的紧凑表示形式
<weixin_38595473> 上传 | 大小：3mb

[其它] Machine-Learning-with-Spark:使用Spark源代码进行机器学习-spark source code

说明：带火花的机器学习 带有Spark源代码的机器学习。
<weixin_42136365> 上传 | 大小：1mb

[其它] 关于经验贝叶斯的超参数估计：对MacKay算法的重新审视

说明：关于经验贝叶斯的超参数估计：对MacKay算法的重新审视
<weixin_38691194> 上传 | 大小：110kb

[其它] anatomy_of_spark_datasource_api:Spark数据源API的剖析代码和设置信息-spark source code

说明：该存储库包含用于“数据源API解剖”会话的示例代码和示例数据。 请按照以下步骤克隆代码并设置计算机。 先决条件 Java Maven的3 2.获取代码 git clone https://github.com/phatak-dev/anatomy_of_spark_datasource_api 3.建立 mvn clean install 4.测试 然后从代码目录运行以下命令 java -cp target/spark-datasource-examples.jar co
<weixin_42165973> 上传 | 大小：11kb

[其它] spark-sql-2.3-source-code-interpretation:spark sql 2.3原始代码理解自己的阅读源码后的总结，欢迎大家阅读-spark source code

说明：spark sql 2.3源码解读 目录：
<weixin_42120563> 上传 | 大小：1mb

[其它] 当因式分解遇到不同的潜在主题时：可解释的跨站点推荐框架

说明：数据稀疏性是推荐系统应用程序中众所周知的挑战。 先前的工作通过将信息合并到相应的社交媒体站点中来缓解此问题。 在本文中，我们将通过探索跨站点信息来解决这一挑战。 具体来说，我们的目标是：1）如何有效，高效地利用跨网站评分和内容功能来提高推荐效果？ 和2）如何通过利用内容特征使建议可解释？ 我们提出了矩阵分解和潜在主题分析的联合模型作为推荐框架。 在该模型中，可以通过多种潜在主题对异构内容特征进行建模，从而准确地进行特征维数降低以提高推荐性能。 此外，矩阵分解和潜在主题的组合使推荐结果可从多个方面
<weixin_38699830> 上传 | 大小：540kb

[其它] 具有边缘化*隐藏层的神经网络

说明：过度拟合是神经网络（NNs）训练中的重要问题。 当训练集中的样本数受到限制时，使用人工生成的样本显式扩展训练集是一种有效的解决方案。 但是，该方法存在计算成本高的问题。 在本文中，我们提出了一种新的学习方案，以隐式扩展的训练集训练单隐藏层前馈神经网络（SLFN）。 通过用指数族分布的噪声破坏训练样本的隐藏层输出来扩展训练集。 当损坏的数量接近无穷大时，在目标函数中，显式生成的样本可以表示为期望的形式。 我们的方法称为边缘化损坏隐藏层（MCHL），它通过最小化损坏分布下的损失函数期望值来训练SLF
<weixin_38606169> 上传 | 大小：193kb