[机器学习] unity接科大讯飞在线语音合成（Windows）

说明：unity端科大讯飞在线语音合成（Windows），能实现在场景中输入文本（汉语、英语、数字）合成音频文件，想要了解的更详细可以看我的博客https://blog.csdn.net/hyy_sui_yuan/article/details/82532068 有问题欢迎提问
<hyy_sui_yuan> 上传 | 大小：5mb

[机器学习] 轨迹挖掘综述-微软研究院-郑宇

说明：阐述了轨迹挖掘是什么，有什么作用，轨迹挖掘包含哪些研究方向，近些年有哪些主流的轨迹挖掘算法
<qq_23028433> 上传 | 大小：1mb

[机器学习] 灰度共生矩阵在matlab中实现纹理缺陷的检测

说明：灰度共生矩阵作为机器视觉检测的方法之一，在最近几年被广泛使用。灰度共生矩阵主要在有三个辨别力最好的特征：对比度、熵和相关性，以上三种方法都是能量的体现
<weixin_42300980> 上传 | 大小：1kb

[机器学习] 计算机视觉 - 算法与应用_英文

说明：《计算机视觉:算法与应用》探索了用于分析和解释图像的各种常用技术,描述了具有一定挑战性的视觉应用方面的成功实例,兼顾专业的医学成像和图像编辑与交织之类有趣的大众应用,以便学生能够将其应用于自己的照片和视频,从中获得成就感和乐趣。《计算机视觉:算法与应用》从科学的角度介绍基本的视觉问题,将成像过程的物理模型公式化,然后在此基础上生成对场景的逼真描述。作者还运用统计模型来分析和运用严格的工程方法来解决这些问题。
<tian544556> 上传 | 大小：18mb

[机器学习] 计算机视觉 - 算法与应用_中文

说明：《计算机视觉:算法与应用》探索了用于分析和解释图像的各种常用技术,描述了具有一定挑战性的视觉应用方面的成功实例,兼顾专业的医学成像和图像编辑与交织之类有趣的大众应用,以便学生能够将其应用于自己的照片和视频,从中获得成就感和乐趣。《计算机视觉:算法与应用》从科学的角度介绍基本的视觉问题,将成像过程的物理模型公式化,然后在此基础上生成对场景的逼真描述。作者还运用统计模型来分析和运用严格的工程方法来解决这些问题。
<tian544556> 上传 | 大小：47mb

[机器学习] 基于Pareto熵的多目标粒子群优化算法

说明：粒子群优化算法因形式简洁、收敛快速和参数调节机制灵活等优点,同时一次运行可得到多个解,且能逼 近非凸或不连续的 Pareto 最优前端,
<yy0506> 上传 | 大小：1mb

[机器学习] 强化学习前沿算法：A3C_论文原稿以及讨论班ppt

说明：ICML2016年论文：Asynchronous Methods for Deep Reinforcement Learning以及个人制作的讨论版ppt；仅供参考交流
<hcoderunner> 上传 | 大小：3mb

[机器学习] 机器视觉线阵系统选型

说明：机器视觉线阵系统选型，涉及相机、镜头、采集卡、光源等配件的选型说明，经验分享
<ivan_suisui> 上传 | 大小：852kb

[机器学习] 小学数学运算题生成器

说明：自动生成运算题，支持加减乘除及混合运算，生成习题的同时还能自动同步生成答案。
<weixin_43159726> 上传 | 大小：77kb

[机器学习] deepbayes-2018-day6

说明：深度学习贝叶斯，这是一份密集的6天速成课程中的第六天的课程内容（内附PPT和jupyter notebook python代码）。 在 Deep|Bayes 夏季课程中，授课人将讨论贝叶斯方法如何结合深度学习，并在机器学习应用中实现更好的结果。近期研究表明贝叶斯方法的利用可以带来许多好处。学生将学到对理解当前机器学习研究非常重要的方法和技术。他们还将体会贝叶斯方法和强化学习之间的联系，学习神经网络的现代随机优化方法和正则化技术。在课程之后，授课人还设置了实践环节。 备注：由于文件上传大小限制，故
<u013468614> 上传 | 大小：23mb

[机器学习] deepbayes-2018-day5

说明：深度学习贝叶斯，这是一份密集的6天速成课程中的第五天的课程内容（内附PPT和jupyter notebook python代码）。 在 Deep|Bayes 夏季课程中，授课人将讨论贝叶斯方法如何结合深度学习，并在机器学习应用中实现更好的结果。近期研究表明贝叶斯方法的利用可以带来许多好处。学生将学到对理解当前机器学习研究非常重要的方法和技术。他们还将体会贝叶斯方法和强化学习之间的联系，学习神经网络的现代随机优化方法和正则化技术。在课程之后，授课人还设置了实践环节。 备注：由于文件上传大小限制，故
<u013468614> 上传 | 大小：29mb

[机器学习] deepbayes-2018-day4

说明：深度学习贝叶斯，这是一份密集的6天速成课程中的第四天的课程内容（内附PPT和jupyter notebook python代码）。 在 Deep|Bayes 夏季课程中，授课人将讨论贝叶斯方法如何结合深度学习，并在机器学习应用中实现更好的结果。近期研究表明贝叶斯方法的利用可以带来许多好处。学生将学到对理解当前机器学习研究非常重要的方法和技术。他们还将体会贝叶斯方法和强化学习之间的联系，学习神经网络的现代随机优化方法和正则化技术。在课程之后，授课人还设置了实践环节。 备注：由于文件上传大小限制，故
<u013468614> 上传 | 大小：27mb