- 博客(374)
- 资源 (21)
- 收藏
- 关注
RSS订阅原创 分布式：Docker
1，容器和虚拟机1.1，容器和虚拟机的区别虚拟机用于为用户提供一个完整的系统镜像，常见的虚拟机有VMware、VitualBox、KVM等。虚拟化技术可以为每个用户分配虚拟化后的CPU、内存和I/O设备等资源，但是了为了能运行程序，除了需要部署应用程序本身及其依赖，还需要安装整个操作系统和驱动。容器是一种轻量级、可移植的为应用程序提供了隔离的运行空间。每个容器内都包含一个独享的完整用户环境变动不会影响其他容器的运行环境，可以使应用程序在几乎任何地方以相同的方式运行，比如开发人员在自己的笔记本上
2022-10-18 08:28:41
2342
2
翻译 强化学习：在表征空间中进行新颖性搜索以实现样本的高效探索
题目：Novelty Search in Representational Space for Sample Efficient Exploration出处：Neural Information Processing Systems (NeurIPS，2020)，人工智能领域顶级会议。摘要：我们提出了一种新的有效探索方法，该方法利用所学环境的低维编码，并结合基于模型和无模型的目标。我们的方法使用基于低维表征空间中最近距离的内在奖励来衡量新奇性。然后，我们利用这些内在奖励进行样本有效的探索，并在代表性
2022-06-11 20:37:51
1151
2
原创 分布式：分布式计算环境
1，基本术语软件危机是指落后的软件生产方式无法满足迅速增长的计算机软件需求，从而导致软件开发与维护过程中出现一系列严重问题的现象。分布式系统：由多个计算机（IP地址）及其上软件构件（端口）所组成，通过网络互联，通过消息进行通信和协同。分布式系统应对并发请求的两种基本方式分别是垂直扩展（提升单机处理能力/硬件或架构优化）和水平扩展（增加服务器数量）。 分布式系统的CAP定理中的CAP分别是指：一致性（Consistency）、可用性（Availability）、分区容错性（Par
2022-05-17 10:53:07
2757
翻译 数据增强：具有自预测表示的数据高效强化学习
题目：Data-Efficient Reinforcement Learning with Self-Predictive Representations出处：International Conference on Learning Representations （ICLR，2021），深度学习顶级会议。摘要：虽然深度强化学习擅长解决通过与环境几乎无限的交互来收集大量数据的任务，但从有限的交互中学习仍然是一个关键挑战。我们假设，如果我们基于视觉输入的结构和与环境的顺序交互，通过自我监督的目标来增强
2022-05-16 16:46:41
2025
2
原创 强化学习（实践）：REINFORCE，AC，TRPPO，PPO
1，REINFORCE在车杆环境中进行 REINFORCE 算法的实验：import gymimport torchimport torch.nn.functional as Fimport numpy as npimport matplotlib.pyplot as pltfrom tqdm import tqdmimport rl_utils首先定义策略网络PolicyNet，其输入是某个状态，输出则是该状态下的动作概率分布，这里采用在离散动作空间上的softmax()函..
2022-04-21 20:29:49
3995
7
原创 强化学习（实践）：DQN，Double DQN，Dueling DQN，格子环境
1，DQN算法1.1，CarPole环境以车杆（CartPole）环境为例，它的状态值就是连续的，动作值是离散的。在车杆环境中，有一辆小车，智能体的任务是通过左右移动保持车上的杆竖直，若杆的倾斜度数过大，或者车子离初始位置左右的偏离程度过大，或者坚持时间到达 200 帧，则游戏结束。智能体的状态是一个维数为 4 的向量，每一维都是连续的，其动作是离散的，动作空间大小为 2，详情参见表 7-1 和表 7-2。在游戏中每坚持一帧，智能体能获得分数为 1 的奖励，坚持时间越长，则最后的分数越高，坚持 2
2022-04-21 15:19:29
3428
4
原创 强化学习（实践）：多臂老虎机，动态规划，时序差分
1，多臂老虎机1.1，形式化描述在多臂老虎机（Multi-Armed Bandit，MAB）问题中，有一个拥有根拉杆的老虎机，每一个拉杆都对应一个关于奖励的概率分布 。我们每次拉下其中一根拉杆，就可以获得一个从该拉杆对应的奖励概率分布中获得一个奖励 。我们的目标是: 在各个拉杆奖励的概率分布未知的情况下，从头开始尝试，并在操作次拉杆后，获得尽可能多的累积奖励。由于奖励的分布是未知的，我们就需要在“探索拉杆的获奖概率”和“根据经验选择获奖最多的拉杆”中进行权衡。于是，要采用怎样的操作策略，才...
2022-04-20 07:49:56
1679
4
翻译 多智能体通信：多智能体强化学习中的交流-意图共享
题目：Communication in Multi-Agent Reinforcement Learning: Intention Sharing出处：International Conference on Learning Representations （ICLR，2021），深度学习顶级会议。摘要：在多智能体系统中，通信是学习协调行为的核心组件之一。在本文中，我们提出了一种新的通信方案，名为意图共享（IS），用于多智能体强化学习，以增强智能体之间的协调。在提出的IS方案中，每个agent通过对
2022-04-18 19:49:51
2108
2
翻译 多智能体通信：通过深度多智能体强化学习学习交流
题目：Learning to Communicate with Deep Multi-Agent Reinforcement Learning出处：Neural Information Processing Systems 29 (NIPS，2016)摘要：我们考虑的问题是多智能体在环境中的感知和行动，目的是最大限度地发挥其共享效用。在这些环境中，智能体必须学习通信协议，以便共享解决任务所需的信息。通过采用深度神经网络，我们能够在复杂环境中演示协议的端到端学习，其灵感来自通信谜题和具有部分可观测性的
2022-04-16 21:01:49
1232
2
原创 多智能体强化学习：基本概念，通信方式，IPPO，MADDPG
1，基本概念1.1，简介单个RL智能体通过与外界的交互来学习知识，具体过程是根据当前环境的状态，智能体通过策略给出的动作来对环境进行响应，相应地，智能体会得到一个奖励值以反馈动作的好坏程度。RL最重要的目标就是学习到能够使奖励最大化的策略，并且与监督学习的不同是这种奖励在很多情况下存在延迟。大多数RL的成功应用都是在单智能体场景下，无须建模和预测环境中的其他智能体。但是有很多重要的应用场景涉及多个智能体之间的交互，问题会变得很复杂。比如，多个机器人协同、多玩家游戏等，这些都是多智能体的场景。另
2022-04-14 19:43:20
5745
19
翻译 多智能体通信：CommNet用反向传播学习多智能体通信
题目：Learning Multiagent Communication with Backpropagation出处：Neural Information Processing Systems 29 (NIPS，2016)，人工智能顶级会议。摘要：人工智能中的许多任务需要多个智能体的协作。通常，智能体之间的通信协议是手动指定的，在训练期间不会更改。在本文中，我们探索了一个简单的神经网络模型，称为CommNet，它使用连续通信来完成完全协作的任务。该模型由多个智能体组成，它们之间的通信与策略一起学习
2022-04-12 09:43:56
2179
翻译 多智能体通信：基于通信的多智能体强化学习研究综述
题目：A Survey of Multi-Agent Reinforcement Learning with Communication出处：arXiv 2022摘要：通信是协调多个智能体行为的有效机制。在多智能体强化学习领域，智能体可以通过通信来提高整体学习性能并实现其目标。此外，智能体可以通过特定渠道向所有智能体或特定智能体组传递各种类型的消息。随着越来越多的通讯研究工作（Comm MARL），缺乏一种系统和结构化的方法来区分和分类现有的通信系统。在本文中，我们调查在COMM MARL领域最近的
2022-04-09 09:14:31
6977
3
原创 强化学习：确定性策略梯度（DDPG）
1，确定性策略梯度1.1，基本概念随机性策略梯度算法被广泛应用于解决大型动作空间或者连续动作空间的强化学习问题。其基本思想是将策略表示成以为参数的策略函数。基于采样数据，通过调整参数使得最终的累计回报最大。即：通过一个概率分布函数，来表示每一步的最优策略，在每一步根据该概率分布进行行为采样，获得当前的最佳行为取值；生成行为过程，本质上是一个随机过程；最后学习到的策略也是一个随机策略。使用确定性策略的主要原因是随机策略梯度方法有以下缺陷：即使通过随机策略梯度学习到了随机策略，......
2022-04-07 20:35:47
12153
13
原创 强化学习：随机策略梯度，AC家族（AC，A2C，A3C）
1，随机策略梯度1.1，简介离散动作和连续动作：（1）要输出离散动作的话，我们就是加一层 softmax 层来确保说所有的输出是动作概率，而且所有的动作概率加和为 1。（2）要输出连续动作的话，一般可以在输出层这里加一层 tanh。tanh 的图像的像右边这样子，它的作用就是把输出限制到 [-1,1] 之间。拿到这个输出后，就可以根据实际动作的范围再做一下缩放，然后再输出给环境。 比如神经网络输出一个浮点数是 2.8，然后经过 tanh 之后，它就可以被限制在 [-1,1] 之间
2022-03-29 19:40:55
6522
6
翻译 多智能体通信：MAGNet用于深度多智能体强化学习的多智能体图网络
题目：MAGNet: Multi-agent Graph Network for Deep Multi-agent Reinforcement Learning出处：XVI International Symposium "Problems of Redundancy in Information and Control Systems" (REDUNDANCY，2019)摘要：近年来，深度强化学习在复杂的单智能体任务中取得了巨大成功，最近这种方法也被应用于多智能体领域。在本文中，我们提出了一种新的
2022-03-28 10:49:22
5510
1
原创 强化学习：值函数逼近（线性，DQN，DDQN，Dueling DQN）
1，线性逼近1.1，基本原理到目前为止，一直假定强化学习任务是在有限状态上进行的，这时的值函数其实是一个表格。对于状态值函数，其索引是状态；对于行为值函数，其索引是状态行为对。值函数迭代更新的过程实际上就是对这张表进行迭代更新，获取某一状态或行为价值的时候通常需要一个查表操作。因此，前面的强化学习算法称为表格型强化学习。若状态空间的维数很大，如围棋（个状态空间），此时精确获取各种和几乎不可能的，因为既没有足够的内存也没有足够的计算能力，这时候需要找到近似的函数，利用函数逼近的方...
2022-03-23 19:23:31
6566
原创 强化学习：蒙特卡罗，时序差分，多步时序差分
1，蒙特卡罗1.1，基本原理动态规划是基于模型的强化学习方法，但在实际情况下，环境的状态转移概率及回报往往很难得知，此种情况下，动态规划就不再使用了。这时候可考虑采用无模型方法通过采样的方式替代策略评估，蒙特卡罗方法就是基于这个思想。蒙特卡罗方法也称为统计模拟方法（或称统计实验法），是一种基于概率与统计的数值计算方法。该计算方法的主要核心是通过对建立的数学模型进行大量随机试验，利用概率论求得原始问题的近似解，与它对应的是确定性算法。例如：计算图中蝴蝶的面积，可以通过随机撒豆子，统计在蝴
2022-03-16 19:00:11
1312
1
原创 强化学习：基本概念，马尔可夫，贝尔曼方程，动态规划
1，强化学习1.1，基本概念强化学习起源于动物心理学的相关原理，模仿人类和动物学习的试错机制，是一种通过与环境交互，学习状态到行为的映射关系，以获得最大积累期望回报的方法。强化学习包含环境，动作和奖励三部分，其本质是 agent 通过与环境的交互，使得其作出的action所得到的决策得到的总的奖励达到最大，或者说是期望最大。DL/ML中的loss function目的是使预测值和真实值之间的差距最小，而RL中的loss function是是奖励和的期望最大。在机器学习范畴内，根据反馈的不同，学
2022-03-13 17:41:41
3488
4
原创 PyTorch：RNN，TensorBoard，部署PyTorch，数据增强
1，循环神经网络（RNN）1.1，基本概述大脑区别于机器的一个最大的特征就是有记忆，并且能够根据自己的记忆对未知的事务进行推导，思想拥有持久性的。由于传统的神经网络没有设计记忆结构，因此在处理序列数据上无所适从（即便经过特殊的处理），这不仅导致工作量变大，预测的结果也会收到很大的影响。循环神经网络（RNN）针对BP神经网络的缺点，增加了信息跨时传递的结构。传统的神经网络模型面对许多问题显得无能为力，因为同层节点之间无连接，网络传播也是顺序的。而循环神经网络对序列化数据有很强的的模型拟合能力，因为它
2022-03-07 19:09:07
1625
原创 PyTorch：数据加载，数学原理，猫鱼分类，CNN，预训练，迁移学习
1，数据加载PyTorch开发了与数据交互的标准约定，所以能一致地处理数据，而不论处理图像、文本还是音频。与数据交互的两个主要约定是数据集（dataset）和数据加载器（dataloader）。数据集是一个Python类，使我们能获得提供给神经网络的数据。数据加载器则从数据集向网络提供数据。PyTorch通过torch.utils.data对一般常用的数据加载进行了封装，可以很容易地实现多线程数据预读和批量加载。 并且torchvision已经预先实现了常用图像数据集，包括前面使用过的CIFAR-
2022-03-05 19:33:29
1323
1
原创 矩阵分析：Hamilton-Cayley定理，向量内积，酉相似
4，Hamilton-Cayley定理4.1，Hamilton-Cayley定理设，，则。证：设是矩阵的个特征值，则：由定理知，存在可逆矩阵使得：不妨设，其中为 或于是【例1】已知矩阵，试计算（1）（2）（3）矩阵的特征多项式为（1）令，用 除得：其中由 Hamilton-Cayley 定理知，于是（2）由，得故（3）设，由得：从而...
2022-01-08 17:00:00
2829
原创 机器学习：概率论
1，随机事件和概率事件的关系与运算：子事件：，若发生，则发生。 相等事件：，即，且。 和事件：或，与中至少有一个发生。 差事件：，发生但不发生。 积事件：或 ，与同时发生。 互斥事件（互不相容）：。 互逆事件（对立事件）：。运算律：交换律：。 结合律：。 分配律：。德摩根律：。完全事件组：两两互斥，且和事件为必然事件，即。概率：事件发生的可能性大小的度量，其严格定义如下：概率 为定义在事件集合上的满足下面3个...
2022-01-03 16:41:54
542
原创 机器学习：线性代数
1，行列式1.1，行列式计算：对角线法则： 特殊行列式计算 范德蒙行列式：行列式按行展开：余子式：在阶行列式中，把元素 所在的第 行和第 列划去, 剩下的 个元素按原来的排法构成的 阶行列式叫做 的余子式，记为。 代数余子式：记 为元素 的代数余子式 。性质：第行各元素的余子式，代数余子式与第行元素的取值无关。 行列式按行（列）展开法则：行列式等于它的任意一行（列）的各元素与其对应的代数余子式乘积之和，即： 先选取存在最多的行（列）...
2022-01-02 08:58:07
1197
原创 机器学习：高等代数
1，导数定义导数和微分的概念： 2，左右导数函数在处左、右导数分别定义为：左导数： 右导数：3，函数的可导与连续函数在处可微在处可导。 若函数在点处可导，则在点处连续，反之不成立。即连续函数不一定可导。 存在4，平面曲线的切线和法线切线方程： 法线方程：5，四则运算设函数，在点处可导，则： 6，基本导数与微分表（常数），则： （为实数），则： ，则：，特例...
2022-01-01 20:06:04
698
原创 矩阵分析：Kronecker积，Hadamard积
1，Kronecker积的定义和性质1.1，Kronecker积的概念设，称如下的分块矩阵：为与的积或直积。（1）对于矩阵和，一般有，即矩阵的积不满足交换律。（2）任意矩阵与零矩阵的积等于零矩阵，即（3）阶单位矩阵与阶单位矩阵的积为阶单位矩阵，即：。【例1】设，则：1.2，Kronecker积的性质性质1：设为常数，则性质2：设与为同解矩阵，则：性质3：性质4：矩阵的积满足结合...
2021-12-31 23:24:11
4454
原创 矩阵分析：广义逆矩阵，{1}逆，MP逆，D逆
1，广义逆矩阵设满足下列四个方程：（1）（2）（3）（4）的某个几个或全部，则称为的广义逆矩阵。满足全部四个方程的广义逆矩阵称为的逆（存在且唯一）。设，若满足方程中的第等方程，则称为的逆，记为，其全体记为。的唯一的逆记为，也称为的加号逆。【例1】2，{1}逆及其应用2.1，{1}逆的计算及性质设，且和阶置换矩阵使得：则对任意矩阵，矩阵是的逆；当时，...
2021-12-31 23:18:45
5015
1
原创 矩阵分析：特征值界估计，Hermite特征值，广义特征值
1，特征值界的估计设，满足，则。【证明】设，则：设，则的任一特征值满足：【证明】假设满足，则：，（1）（2）（3）推论：（实对称）矩阵的特征值都是实数，反（实反对称） 矩阵的特征值为或纯虚数。对任意的实数，恒有：。设，则的任一特征值满足：【例1】设，故计的特征值的界。因为所以由于的任一特征值满足：故故设的特征值为，则且上...
2021-12-31 23:10:53
2990
原创 矩阵分析：三角分解，QR分解，秩分解，奇异值分解
1，矩阵的三角分解1.1，三角分解的存在唯一性问题设，如果存在下三角矩阵和上三角矩阵，使得则称可以作三角分解。【例1】矩阵有下列三角分解三角分解不唯一设，则可以作三角分解的充要条件是，其中是的阶顺序主子式，而为的阶顺序主子阵。【证明】必要性，设可作三角分解，即：由于故将进行分块得其中是的阶顺序主子阵，分别是下三角矩阵与上三角矩阵由分块乘法得故，即的个...
2021-12-31 22:58:15
3596
2
原创 PyTorch：环境搭建，张量概念，梯度计算，CIFAR-10分类，MINIS数字识别
1，PyTorch安装1.1，不需切换版本前往PyTorch官网，找到对应自己显卡版本的PyTorch安装命令。PyTorch只对CUDA版本有要求，对于cudnn没有要求，甚至不需要安装。查看方式如下：验证：import torchprint(torch.__version__)========================1.8.11.2，切换CUDA版本前往NVIDA官网（CUDA Toolkit Archive | NVIDIA Develo.
2021-12-31 22:35:01
1490
3
原创 矩阵分析：矩阵序列，矩阵级数，矩阵函数，微积分，函数应用
1，矩阵序列1.1，矩阵序列设中的矩阵序列，其中。若：则称矩阵序列收敛于，或称为矩阵序列的极限，记为：或（1）不收敛的矩阵序列称为发散。（2）矩阵序列收敛的本质是矩阵的所有元素都收敛。（3）上一个矩阵序列的收敛相当于个数列同时收敛。（4）用初等分析法太繁琐。（5）与向量序列一样，可以利用矩阵范数来研究矩阵序列的收敛问题。设，则：其中是上的任一矩阵范数。证明：当矩阵序列收敛时，矩阵序列的任意范数也收敛，反之不成...
2021-12-31 11:01:52
3704
原创 矩阵分析：向量范数，矩阵范数，范数应用
1，向量范数1.1，向量范数的定义和例子设是复数域上的维向量空间，称函数为向量范数，是指对所有，有下列性质：（1）非负性：，并且当且仅当。（2）齐次性：对任何，。（3）三角不等式：若对任意，有：（1）（2）（3）证明（3）：根据三角不等式，有：两式分别相减可得：设，则下列实值函数都是上的向量范数：（1）2范数：（2）1范数：（3）范数：（4）p范数：，当时，分别得到向量1范数和2范数，并且可以证明...
2021-12-31 10:42:24
4408
2
原创 矩阵分析：特征值，相似度对角化，Jordan标准形
1，特征值与特征向量1.1，特征值与特征向量的概念设，如果存在常数和非零的维列向量，使得：则称为的特征值，为的对应于的特征向量。特征向量为非零向量。 特征向量与特征值是成对出现的，一个特征值可对应多个特征向量，反之不然。将上式移项：有非零解这是个未知数个方程的齐次线性方程组，它有非零解的充分必要条件是系数行列式。，称为的特征矩阵。 称为矩阵的特征多项式。 称为矩阵的特征方程。 的特征值就是的特征方程的根。...
2021-12-31 08:44:19
3143
原创 数理逻辑：证明与反驳
1，自然演绎系统1.1，定义如果我们不过分追求精确，在形式系统中使用作为逻辑连接词，使用等。的推演规则：Hyp：若则 EHyp：若，则 Ded：，则 P：若且为重言式，则 Neg： IP：若则 Case：若，且，则 ：若且满足条件，则及 ：若且在中不自由，则 ：若且对中的可代入，则 ：若，且对中的是自由的，则 ：若，，对中的可代入，且在中...
2021-12-29 15:55:04
1161
原创 数理逻辑：等词系统
1，等词系统1.1，定义一阶等词系统由一阶系统添加如下成分获得：语言部分：引入了二元谓词常元的公理。 推理部分：引入两条关于的公理。新公理： 其中，为个体变元，是原子公式，其他部分同系统。由于当且仅当，所以。若一阶理论含有等词并且含有，则称为带等词的一阶理论。1.2，等词替换等词替换定理：在中，可归纳证明： 称为等词替换定理。进一步： ，其中对中可代入。等词...
2021-12-29 10:40:32
711
1
原创 数理逻辑：一阶逻辑
1，一阶逻辑系统1.1，的定义一阶逻辑系统也称为谓词系统或者量化理论。一阶形式系统可写为，其中：的通用逻辑符号包括：连接词（），量词（），辅助符号（）。非逻辑符号包括：可数无穷多个个体/函数/命题/谓词变元。任意多个个体/函数/命题/谓词常元。 可归纳定义如下：（1）若为个体变元或常元，则；（2）若为元函数常元或变元，为项，则为项；（3）任何项都可有限次应用（1）和（2）获得。 由下列公式构成：设为元谓词常元或者变元，为项，则。 ...
2021-12-29 09:33:49
2451
7
原创 数理逻辑：命题逻辑
1，形式系统的定义1.1，语言部分形式系统，其中：包括通用符号及特殊符号——可数多个命题变元构成。 是满足以下条件的最小集合：（1）若是命题变元，则；（2）若，则；（3）若，则。 1.2，公式集是包含所有命题变元，且关于构造封闭的最小集合。于是就是由全部原子命题构成的集合。要证明的公式集满足某个性质，可按公式结构归纳法证明：证明若为命题变元，则满足性质。 证明若满足，则亦然。 证明若和...
2021-12-28 18:46:17
1000
3
原创 数理逻辑：形式系统
1，形式系统1.1，形式系统的定义一个形式系统是一个五元偶，其中：非空集合是 的字母表，其元素称为 的符号。 ，称为 的项集，其元素称为的项。项集可以是空集。 ，且，称为的公式集，其元素称为 的公式。一般不允许为空。特别的，有一个子集，其元素称为的原子公式。 ，称为的公理集合，其元素称为的公理。公理是定理的一种，定理一定是正确的，公式可能不正确。 ，是的演绎规则集合，其元素称为的演绎规则，简称规则。1.2，语言部分与推理部分...
2021-12-28 11:00:17
1524
原创 机器学习：BP神经网络，CNN卷积神经网络，GAN生成对抗网络
1，基础知识1.1，概述机器学习：概念_燕双嘤-CSDN博客1，机器学习概述1.1，机器学习概念机器学习即Machine Learning，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。目的是让计算机模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断完善自身的性能。简单来讲，机器学习就是人们通过提供大量的相关数据来训练机器。DataAnalysis：基本概念，环境介绍，环境搭建，大数据问题_燕双嘤-CSDN博客1，概述1.1，数据的性质所谓数据就是描述事
2021-12-15 08:17:50
4917
原创 机器学习：基本概念
1，机器学习概述1.1，机器学习概念机器学习即Machine Learning，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。目的是让计算机模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断完善自身的性能。简单来讲，机器学习就是人们通过提供大量的相关数据来训练机器。DataAnalysis：基本概念，环境介绍，环境搭建，大数据问题_燕双嘤-CSDN博客1，概述1.1，数据的性质所谓数据就是描述事物的符号，是对客观事物的性质、状态和相互关系等进行记载的
2021-12-14 00:11:41
5827
原创 机器学习：聚类分析
1，聚类简介1.1，无监督学习监督学习使用标记数据对 学习函数：。但是，如果我们没有标签呢？这类没有标签的学习方式被称为无监督学习。无监督学习：如果训练样本全部无标签，则是无监督学习。例如聚类算法，就是根据样本间的相似性对样本集进行聚类试图使类内差距最小化，类间差距最大化。主要用途：自动组织数据。 理解某些数据中的隐藏结构。 在低维空间中表示高维数据。1.2，数据聚类将物理或抽象对象的集合分成由类似的对象组成的多个类或簇的过程被称为聚类。数据聚类是一个无监督的学习...
2021-11-28 10:54:21
7925
2
需求分析阶段结束之前，系统分析员应该写出软件需求规格说明书，以书面的形式准确地描述软件需求
2022-11-21
Spring-Mybatis.zip
2019-09-19
spring-struts.zip
2019-06-10
spring-hibernate-struts2.zip
2019-06-10
spring - aop.zip
2019-06-10
spring-hibernate.zip
2019-06-10
整合案例.docx
2019-06-09
jsp应用与开发技术第二版课后习题配套答案
2019-01-05
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人