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 -- 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 -- 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。
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.
算法教程 - Jeff Erickson
这本教科书来源于我为伊利诺伊大学香槟分校的各种算法课程写的一系列课堂讲稿,从1999年1月起,我每年都要教这些讲稿一次。受本科生理论课程改革的推动,我于2016年对我的笔记进行了重大修订;这本书包括我修订的关于最基础课程材料的笔记的一个子集,主要反映了我们新必修的初级理论课程的算法内容。
QEMU 作为PLC虚拟化平台 -- 从网络安全角度分析
网络安全审计通常很难对操作工业信息和控制系统(ICS)进行,因为这些系统通常会在社会关键服务中实现中断。因此,许多研究人员正在探索虚拟化作为实现ICS系统高保真模拟的一种手段,在该系统中可以安全地执行网络安全测试。可编程逻辑控制器(PLC)是一个重要的集成电路元件,用于监控断路器和铁路开关等物理过程。先前的研究已经确定PLC是一个特别难虚拟化的组件。本报告探讨了使用快速仿真器(QEMU)虚拟化PLC的可能性。结果表明,使用QEMU实现PLC的虚拟化是可能的。然而,他们也指出,在QEMU中实现PLC可能非常昂贵,而且针对模拟PLC的开发可能与针对真实PLC的开发有不同的结果。
Wind River Linux用户手册 5.0.1
Wind River Linux是为嵌入式设备创建优化Linux发行版的软件开发环境。
Wind River Linux 5.0.1基于OpenEmbedded Core(OE Core)元数据项目的Yocto项目实现。yocto项目使用构建配方和配置文件来定义核心平台项目图像及其提供的应用程序和功能。Wind River Linux基于此核心功能,并添加了特定于Wind River的扩展、工具和服务,以促进嵌入式Linux平台的快速开发。
Xenomai 3 - Linux实时框架介绍
Xenomai 3 - Linux实时框架介绍. 内容将包括项目介绍,协内核技术, 为原生Linux提供Xenomai 3服务, 改进协内核集成.