讲述了人工智能领域的数据清洗的各种指导和方法：数据缺失、混乱、重复怎么办？最全数据清洗指南！要获得优秀的模型，⾸先需要清洗数据。这是⼀篇如何在 Python 中执⾏数据清洗的分步指南。

使用M-P模型实现二元布尔逻辑和三元逻辑 y(x1,x2)=f(w1*x1+w2*x2-θ)。 单层感知器能够解决与、或和非等逻辑。 单层感知器不能解决异或问题。 M-P模型实现巴甫洛夫实验。

自己整理的pytorch学习资源 非常值得！

以上使用了GCN, ChebNet, GAT三种图卷积来预测交通流量，只考虑了空间上的影响，没有考虑时序上的影响，所以效果有进一步提升空间。这里只是为了实现基于上述三种图卷积预测交通流量。 可以很明显看出三种模型在处理数据时的快慢和准确率。 三种模型都具有处理结构化时间序列的通用框架。它不仅能够解决交通网络建模和预测问题，而且可以应用于更一般的时空序列学习任务。 时空卷积块结合了图卷积和门控时间卷积，能够提取出最有用的空间特征，并连贯地捕捉到最基本的时间特征。 该模型完全由卷积结构组成，在输入端实现并行化，参数更少，训练速度更 快。更重要的是，这种经济架构允许模型以更高的效率处理大规模网络。

自己整理的常见的，面试官常考的图像处理的面试题以及其相应的答案解析，文档为高清PDF版，自己整理的常见的，面试官常考的图像处理的面试题以及其相应的答案解析，文档为高清PDF版

斯坦福大学cs229a吴恩达大佬机器学习视频课程所用数据集，机器学习深度学习入门基础课数据集整合。。

Python文本分类总结:贝叶斯,逻辑回归,决策树,随机森林,SVM,词向量,TFIDF,神经网络,CNN,LSTM,GRU,双向RNN,LDA：含文本10分类语料、机器学习算法、深度学习算法、专家系统，文本分类结果及结论

该数据集是 IJCRS’15 Data Challenge: Mining Data from Coal Mines（用于机器学习、深度学习测试），包括瓦斯，风速等煤矿用传感器数据。

最新版的机器学习和深度学习面试题目，从牛客等各大网站整理剖析，整合整理，共300多道经典题目。 涉及机器学习和深度学习理论和实践等各方面的知识，底层的知识偏多一些！

包含：常用机器学习算法，剑指offer，微软面试100题， 机器学习、深度学习算法，kaggle、天池等项目实战。海量数据中位数，正则化等内容。