ARINC 653 标准 Par1 Required Services
软件适航标准ARINC 653 操作系统标准第一部分: Requried Services.
This document specifies the baseline operating environment for application software used within Integrated Modular Avionics (IMA) and traditional ARINC 700-series avionics.
gcc-linaro-4.9-2016.02-i686-mingw32_arm-linux-gnueabihf.tar.xz
3cd1ea87d1124c0aac921ce1b75be9d8 gcc-linaro-4.9-2016.02-i686-mingw32_arm-linux-gnueabihf.tar.xz
在Windows下使用的linaro arm linux gnueabihf gcc 4.9 , 2016.02
从linaro官网下载速度很慢。国内Linaro镜像源少。所以借助CSDN上传该资源，服务国内程序员。
形式化方法概貌_2018
形式化方法是基于严格数学基础,对计算机硬件和软件系统进行描述、开发和验证的技术.其数学基础
建立在形式语言、语义和推理证明三位一体的形式逻辑系统之上.形式化方法已经以不同程度和不同方式愈来愈
多地应用在计算系统生命周期的各个阶段.介绍了形式化方法的发展历程和基本方法体系;以形式规约和形式验证
为主线,综述了形式化方法的理论、方法、工具和应用的现状,展示了形式化方法与软件学科其他领域的交叉和融
合;分析了形式化方法的启示,并展望了其面临的发展机遇和未来趋势.形式化方法的发展和研究现状表明:其应用
已经取得了长足的进步,在提高计算系统的可靠性和安全性方面发挥了重要作用.在当今软件日益成为社会基础设
施的时代,形式化方法将与人工智能、网络空间安全、量子计算、生物计算等领域和方向交叉融合,得到更加广阔
的应用.研究和建立这种交叉融合的理论和方法不仅重要,而且具有挑战性.
迁移学习Python实战 Hands on transfer learning with Python
迁移学习Python实战 Hands on transfer learning with Python
python numpy 教程
内容列表
Python
列表,字典,集合,元组
Numpy
数组,访问数组,数组类型,数组计算,广播
SciPy
图像操作,
Matplotlib
绘制图形
十分钟上手sklearn 特征提取 常用模型 交叉验证
十分钟上手sklearn 特征提取 常用模型 交叉验证.
主要内容包括:
PCA算法
LDA算法
线性回归
逻辑回归
朴素贝叶斯
决策树
SVM
神经网络
KNN算法
贝叶斯网络简史
A history of Bayesian neural networks
DEEP LEARNING
LIMITATIONS OF DEEP LEARNING
WHAT DO I MEAN BY BEING BAYESIAN ?
BAYES RULE
机器学习 -- 调参经验之谈
深度学习的程序可能出错的地方有很多,这其中有一些错误发生频率比其他更
高。通常我会从如下一些方面先行入手:
◆ 从简单并且得到广泛应用的网络开始,如 VGG,如果可以的话使用标准的损失
函数。
◆ 暂时去掉所有的 trick,
如数据增强(Data Augmentation)和正则化(regularization)。
◆ 如果是微调(finetuning)模型,再次检查数据的预处理,保证其和原始网络训练
时一致。
◆ 检查输入数据是正确的。
◆ 从很少量的数据开始(2-20 样本),使其过拟合,然后逐渐增加样本。
◆ 逐渐增加 trick,数据增强,正则化,新的损失函数,更复杂的网络等等。
如果上面的仍然不 work 的话,请按照下面的逐条实验。
机器学习 -- Backpropagation
Backpropagation
Gradient Descent
Chain Rule
Backpropagation
Backpropagation – Forward pass
Backpropagation – Backward pass
机器学习 - Bias and Variance
Estimator
Bias and Variance of Estimator
Parallel Universes
Variance
Bias
Model Selection
机器学习 -- CNN
Convolutional Neural Network
CNN – Convolution
CNN – Colorful image
CNN – Max Pooling
First Convolution Layer
Deep Dream
机器学习 -- 分类
Classification: Probabilistic Generative Model
Classification
Probability from Class
Probability from Class - Feature
Maximum Likelihood
Modifying Model
机器学习 -- Deep Learning
Deep Learning
Three Steps for Deep Learning
Neural Network
Fully Connect Feedforward Network
Matrix Operation
Output Layer as Multi-Class Classifier
机器学习 -- Tips for Deep Learning
Tips for Deep Learning
Do not always blame Overfitting
Hard to get the power of Deep ...
Vanishing Gradient Problem
ReLU
Maxout
RMSProp
机器学习-- ensemble
Ensemble
Framework of Ensemble
Ensemble: Bagging
Review: Bias v.s. Variance
Decision Tree
Experiment: Function of Miku
机器学习 -- Gradient Descent
Gradient Descent
Review: Gradient Descent
Tip 1: Tuning your learning rates
Adaptive Learning Rates
Adagrad
Contradiction
Intuitive Reason
Larger gradient, larger steps
机器学习 -- Recurrent Neural Network (RNN)
Recurrent Neural Network (RNN)
Example Application
1-of-N encoding
Beyond 1-of-N encoding
Recurrent Neural Network (RNN)
Elman Network & Jordan Network
Bidirectional RNN
Long Short-term Memory (LSTM)
机器学习 -- keras
keras
Mini-batch
Speed
Speed - Matrix Operation
Using GPU to speed training
• Way 1
• THEANO_FLAGS=device=gpu0 python
YourCode.py
• Way 2 (in your code)
• import os
• os.environ["THEANO_FLAGS"] =
"device=gpu0"
机器学习 -- 逻辑回归
Classification: Logistic Regression
Step 1: Function Set
Step 2: Goodness of a Function
Step 3: Find the best function
Cross Entropy v.s. Square Error
机器学习 -- Matrix Factorization
Matrix Factorization
More about Matrix Factorization
Matrix Factorization for Topic analysis
机器学习 -- Unsupervised Learning: Principle Component Analysis
Unsupervised Learning: Principle Component Analysis
Dimension Reduction
Clustering
Distributed Representation
PCA
PCA – Another Point of View
机器学习 -- 回归
Regression
Regression: Output a scalar
Step 1: Model
Step 2: Goodness of Function
Step 3: Best Function
机器学习 -- Structured Learning
Structured Learning
Unified Framework
Unified Framework – Object Detection
Unified Framework - Summarization
Unified Framework - Retrieval
Structured Linear Model
机器学习 -- Unsupervised Learning: Neighbor Embedding
Unsupervised Learning: Neighbor Embedding
Manifold Learning
Locally Linear Embedding (LLE)
Laplacian Eigenmaps
T-distributed Stochastic Neighbor Embedding (t-SNE)
机器学习 -- Unsupervised Learning: Deep Auto-encoder
Unsupervised Learning: Deep Auto-encoder
Auto-encoder
Deep Auto-encoder
Auto-encoder – Text Retrieval
Auto-encoder – Similar Image Search
Auto-encoder for CNN
CNN -Unpooling
CNN - Deconvolution
机器学习 -- Semi-supervised Learning
Semi-supervised Learning
Introduction
Why semi-supervised learning helps?
Semi-supervised Learning for Generative Model
Low-density Separation Assumption
Smoothness Assumption
Better Representation
机器学习教程 -- Transfer Learning
Transfer Learning
Transfer Learning - Overview
Model Fine-tuning
Conservative Training
Layer Transfer
Layer Transfer - Image
Multitask Learning
Multilingual Speech Recognition
机器学习教程 - Unsupervised Learning: Word Embedding
Unsupervised Learning: Word Embedding
How to exploit the context?
Prediction-based – Training
Prediction-based – Language Modeling
Prediction-based – Sharing Parameters
Prediction-based – Various Architectures
深度强化学习 - Actor-Critic
Actor-Critic
Asynchronous Advantage
Actor-Critic (A3C)
Pathwise Derivative
Policy Gradient
深度强化学习 - Imitation Learning
Imitation Learning
• Also known as learning by demonstration,
apprenticeship learning
• An expert demonstrates how to solve the task
• Machine can also interact with the environment, but
cannot explicitly obtain reward.
• It is hard to define reward in some tasks.
• Hand-crafted rewards can lead to uncontrolled behavior
• Two approaches:
• Behavior Cloning
• Inverse Reinforcement Learning (inverse optimal control)
深度强化学习 - Proximal Policy Optimization (PPO)
Proximal Policy Optimization (PPO)
default reinforcement learning algorithm at OpenAI
Policy Gradient => Add constraint
深度强化学习 - QLearning
Introduction of Q-Learning
Tips of Q-Learning
Q-Learning for Continuous Actions
深度强化学习 -- Sparse Reword介绍
大纲
Sparse Reward Reward Shaping
Curiosity
Intrinsic Curiosity Module
Reward from Auxiliary Task
Curriculum Learning
Reverse Curriculum Generation
Hierarchical Reinforcement Learning
机器学习个人笔记完整版
第一个视频主要讲了什么是机器学习,机器学习能做些什么事情。机器学习是目前信息技术中最激动人心的方向之一。在这门课中,你将学习到这门技术的前沿,并可以自己实现学习机器学习的算法。
神经网络和深度学习
这本书最初是我学习 Neural Networks and Deep Learning 时做的中文笔记,因为原书中有很多数学公式,所以我用 L A TEX 来编写和排版,并将所有 L A TEX 源码放置在 GitHub。第三、第四章的部分内容和原文略有不同。原文中这两章的部分图形提供了交互式的形式,而在这本中文版中则全部换成了静态图形。你可以在原文网⻚上试试调节对应图像的可操作的参数加深理解,但仅阅读中文版本也不会有任何障碍。
模式识别与机器学习
寻找数据中模式的问题是一个基本的问题,有着很长的很成功的历史。例如,16世纪 Tycho Brahe 的大量的观测使得 Johannes Kepler 发现行星运行的经验性规律,这反过来给经典力学的发 展提供了跳板。类似地,原子光谱的规律的发现在20世纪初期对于量子力学的发展和证明有着 重要的作用。模式识别领域关注的是利用计算机算法自动发现数据中的规律,以及使用这些规律采取将数据分类等行动。
机器学习实战 中文双页版
本书前两部分主要探讨监督学习.本书第三部分将主要探讨无监督学习.
斯坦福大学 - 深度学习基础教程
本教程将阐述无监督特征学习和深入学习的主要观点。通过学习,你也将实现多个功能学习/深度学习算法,能看到它们为你工作,并学习如何应用/适应这些想法到新问题上。
支持向量机通俗导论 -- 理解SVM的三层境界
支持向量机,因其英文名为 Support Vector Machine,故一般简称 SVM,通俗来讲,它是一种二类分类模型,其基本模型定义为特征空间上的间隔最大的线性分类器,其学习策略便是间隔最大化,最终可转化为一个凸二次规划问题的求解。
Generative Adversarial Network (GAN)
本PPT介绍了Generative Adversarial Network (GAN) 的基本思想.
RSS订阅
34851
1