注册会员 | 设为首页 | 加入收藏夹
您好，欢迎光临本网站！[请登录] ！[注册会员]！  

搜索资源列表

  1. numericsinfsharp:这是我2021年Spring学期工作的主场，重点是凸分析，度量和概率以及优化。 主要用F＃编写，并使用一些Python进行验证-源码

  2. 数字锐化 这是我2021年Spring学期工作的主场，重点是凸分析，度量和概率以及优化。 主要用F＃编写，并使用一些Python进行验证。 好吧，也许不仅仅是“一些” 说实话，我几乎不知道我在用F＃做些什么。 去年夏天，我通过在线课程获得了SMLNJ的经验，这很幸运，这意味着我不必完全过渡到FP，并且因为F＃是ML Family的成员而开始涉足F＃。 就是说，我将在该项目中从F＃开始：我没有任何经验。 这就是为什么标语上写着“一些Python进行验证”的原因。 多年来，我一直从事数值/科学编

  3. 所属分类：其它

    • 发布日期：2021-03-11
    • 文件大小：1048576
    • 提供者：weixin_42136791

  1. 概率：Python中的概率数值-源码

  2. 概率数 ProbNum在Python中实现概率数值方法。 这些方法使用概率推理解决了线性代数，优化，正交和微分方程的数值问题。 这种方法捕获了由有限的计算资源和随机输入引起的不确定性。 数值（PN）的目的是量化使用难易度或不完全的数值计算以及使用概率论工具从随机输入中产生的不确定性。 概率数值的目的是在数值例程的输出上提供经过良好校准的概率度量，然后可以沿计算链传播这些度量。 安装 要开始使用pip安装ProbNum。 pip install probnum 或者，您可以从源代码安装最新

  3. 所属分类：其它

    • 发布日期：2021-02-24
    • 文件大小：7340032
    • 提供者：weixin_42098892

  1. idcempy：膨胀的离散选择模型-源码

  2. IDCeMPy：膨胀离散选择模型的Python包 Nguyen K.Huynh，Sergio Bejar，Vineeta Yadav，Bumba Mukherjee IDCeMPy是一个Python软件包，提供了一些功能来拟合和评估以下不同组的“膨胀的”离散选择模型的性能。 将零膨胀有序概率（ZIOP）模型拟合为有无和有相关误差（ZIOPC模型），以评估由双重数据生成过程（dgp）产生的零膨胀有序选择结果。 拟合带有和没有相关误差（MIOPC）的中间膨胀有序概率模型（MIOP），以解决与双

  3. 所属分类：其它

    • 发布日期：2021-02-18
    • 文件大小：659456
    • 提供者：weixin_42143092

  1. data_science_portfolio：我为学术，自学和业余爱好完成的数据科学项目组合-源码

  2. 数据科学与机器学习产品组合 包含用于学术，自学和专业目的的数据科学项目组合的存储库。 以Jupyter笔记本的形式呈现。 工具类 Python ：NumPy，Pandas，Seaborn，Matplotlib 机器学习：scikit-learn，TensorFlow，keras 内容 机器学习 ：卷积神经网络，它使用通过合并来自MNIST的图像而生成的数据来学习识别数字序列（基于图像识别数字）。 ：对从社交网络广告购买了SUV的客户使用K-NN。 ：使用关于加密货币的概率模型来找到数值问

  3. 所属分类：其它

    • 发布日期：2021-02-05
    • 文件大小：2097152
    • 提供者：weixin_42126865

  1. 深度学习：适用于《深度学习》的Python，该书为《深度学习》（花书）数学推导，原理剖析与源码等级代码实现-源码

  2. 深度学习 《深度学习》是深度学习领域唯一的综合性图书，全称也叫做深度学习AI圣经（深度学习） ，由三位全球知名专家Ian Goodfellow，YoshuaBengio，AaronCourville编着，全书囊括了数学及相关概念的背景知识，包括线性代数，概率论，信息论，数值优化以及机器学习中的相关内容。同时，它还介绍了工业界中实践者用到的深度学习技术，包括深度前馈网络，正则化，优化算法，卷积网络，序列建模和实践方法等，并研究了某种自然语言处理，语音识别，计算机视觉，在线推荐系统，生物信息学以及视

  3. 所属分类：其它

    • 发布日期：2021-02-03
    • 文件大小：29360128
    • 提供者：weixin_42132359

  1. 你真的了解Python的random模块吗？

  2. random模块 用于生成伪随机数 源码位置： Lib/random.py（看看就好，千万别随便修改） 真正意义上的随机数（或者随机事件）在某次产生过程中是按照实验过程中表现的分布概率随机产生的，其结果是不可预测的，是不可见的。而计算机中的随机函数是按照一定算法模拟产生的，其结果是确定的，是可见的。我们可以这样认为这个可预见的结果其出现的概率是100%。所以用计算机随机函数所产生的“随机数”并不随机，是伪随机数。 计算机的伪随机数是由随机种子根据一定的计算方法计算出来的数值。所以，只要计算方法

  3. 所属分类：其它

    • 发布日期：2021-01-21
    • 文件大小：81920
    • 提供者：weixin_38650508

  1. Python-源码

  2. Python文件 vscode Markdown实时预览tex，需按照插件。 计算如下描述： 描述 有total_number种牌，抽到多个的概率相同，从中挑选出select_number种想要的牌，计算抽$ n $次牌，收集齐这select_number想要的牌的概率$ P（T = n）$。程序见 ，并且有数值验证与特殊情况。 思路 第前$ n $次次抽到牌需为select_number种中的一种，且不在前$ n-1 $次出现。同时前$ n-1 $次需抽到其他select_number-1种想

  3. 所属分类：其它

    • 发布日期：2021-03-30
    • 文件大小：121856
    • 提供者：weixin_42122881