qq_35603319的博客

改文件的内容是对机器人领域常用的jacobian矩阵的一个详细的推导的过程

基于视觉的机器人导航重点关注，以几何特征为工具的视觉导航；

优化的知识是学习机器学习和深度学习必不可少的一个部分，改文件中的内容，对优化的东西做了一个简单介绍

这是一本中文版的关于keras的真题框架的编程参考手册，涵盖了keras的方方面面

HyperLearn is written completely in PyTorch, NoGil Numba, Numpy, Pandas, Scipy & LAPACK, and mirrors (mostly) Scikit Learn. HyperLearn also has statistical inference measures embedded, and can be called just like Scikit Learn's syntax

本书是原书的第二版Hands-on Machine Learning with Scikit-Learn, Keras, and TensorFlow-2E代码实现，最新的用tensorflow2.0来实现

Learn about the statistics behind powerful predictive models with p-value, ANOVA, F-statistics. Implement statistical computations programmatically for supervised and unsupervised learning through K-means clustering. Master the statistical aspect of machine learning with the help of this example-rich guide in R & Python. Book Description Complex statistics in machine learning worries a lot of developers. Knowing statistics helps in building strong machine learning models that are optimized for a given problem statement. This book will teach you all it takes to perform complex statistical computations required for machine learning. You will gain information on statistics behind supervised learning, unsupervised learning, reinforcement learning, and more. You will see real-world examples that discuss the statistical side of machine learning and make you comfortable with it. You will come across programs for performing tasks such as model, parameters fitting, regression, classification, density collection, working with vectors, matrices, and more.By the end of the book, you will understand concepts of required statistics for Machine Learning and will be able to apply your new skills to any sort of industry problems.

概书是Jason brownlee编写的系列书籍中的一本，全名是machine learning mastery with python mini-course :from developer to python machine learning practitioner in 14 days

深度学习在近几年一直是广大研究人员的关注热点，但是深度学习的内容涉及面很广，所以作为一名新手如何能够快速上手深度学习，在实践中使用深度学习呢？今天本文为大家带来的是亚马逊首席（principal）科学家，美国卡内基梅隆大学计算机博士李沐等人编著的《动手学深度学习》教程，带你从浅至深实践深度学习。 教程的内容结构： 第一部分（第 1 章至第 3 章）涵盖预备工作和基础知识 第二部分（第 4 章至第 6 章）关注现代深度学习技术，包括CNN，RNN等。 第三部分（第 7 章至第 10 章）讨论计算性能和应用。

本文是计算机科学家Christoph Rasche撰写的一份计算机视觉方面的系列教程，从传统的图像处理、特征提取到近几年很热的深度神经网络，以及深度学习方法在目标检测、图像检索、图像分割、目标跟踪等一系列前沿的介绍。教程也附详细的代码（Matlab 和 Python），建议初学者收藏学习

Deep learning is an emerging research area in machine learning and pattern recognition field. Deep learning refers to machine learning techniques that use supervised or unsupervised strategies to automatically learn hierarchical representations in deep architectures for classification. The objective is to discover more abstract features in the higher levels of the representation, by using neural networks which easily separates the various explanatory factors in the data. In the recent years it has attracted much attention due to its state-of-the-art performance in diverse areas like object perception, speech recognition, computer vision, collaborative filtering and natural language processing. As the data keeps getting bigger, deep learning is coming to play a key role in providing big data predictive analytics solutions. This paper presents a brief overview of deep learning, techniques, current research efforts and the challenges involved in it.

改为比较全面的叙述了循环神经网络从一开始到现在发展的情况，对其发展的脉络进行了比较全面的介绍

在微积分学中，多元微积分（也称为多变量微积分，英语：Multivariable calculus，multivariate calculus）是涉及多元函数的微积分学的统称。相较于只有单个变量的一元微积分，多元微积分在函数的求导和积分等运算中含有至少两个变量。例如微分多元函数时，就引申出偏微分、全微分，对多元函数进行积分计算时，又会涉及多重积分。

比较全面的总结了机器学习常用的算法和一些常用的公式

操作系统是一个用来和硬件打交道并为用户程序提供一个有限服务集的低级支撑软件。一个计算机系统是一个硬件和软件的共生体，它们互相依赖，不可分割。计算机的硬件，含有外围设备、处理器、内存、硬盘和其他的电子设备组成计算机的发动机。但是没有软件来操作和控制它，自身是不能工作的。完成这个控制工作的软件就称为操作系统，在Linux的术语中被称为“内核”，也可以称为“核心”。Linux内核的主要模块（或组件）分以下几个部分：存储管理、CPU和进程管理、文件系统、设备管理和驱动、网络通信，以及系统的初始化（引导）、系统调用等

人工智能知识表示,机器学习基础资料。 随着研究随机现象规律性的科学—概率论的发展，应用概率论的结果更深入地分析研究统计资料，通过对某些现象的频率的观察来发现该现象的内在规律性，并作出一定精确程度的判断和预测；将这些研究的某些结果加以归纳整理，逐步形成一定的数学概型，这些组成了数理统计的内容。

第一章 Fourier变换 1.1 Fourier积分 习题一 1.2 Fourier变换 1.Fourier变换的概念 2.单位脉冲函数及其Fourier变换 3.非周期函数的频谱 习题二 1.3 Fourier变换的性质 1.线性性质 2.位移性质 3.微分性质 4.积分性质 5.乘积定理 6.能量积分 习题三 1.4 卷积与相关函数 1.卷积定理 2.相关函数 习题四 1.5 Fourier变换的应用

，分别介绍了线性空间与线性算子，内积空间与等积变换，λ矩陈与若尔当标准形，赋范线性空间与矩阵范数，矩阵的微积分运算及其应用，广义逆矩阵及其应用，矩阵的分解，矩阵的克罗内克积、阿达马积与反积，几类特殊矩阵（如：非负矩阵与正矩阵、循环矩阵与素矩阵、随机矩阵和双随机矩阵、单调矩阵、M矩阵与H矩阵、T矩阵与汉大象尔矩阵等），辛空间与辛矩阵等内容。

概率论与数理统计是数学的一个有特色且又十分活跃的分支，一方面，它有别开生面的研究课题，有自己独特的概念和方法，内容丰富，结果深刻;另一方面，它与其他学科又有紧密的联系，是近代数学的重要组成部分。由于它近年来突飞猛进的发展与应用的广泛性，目前已发展成为一门独立的一级学科。概率论与数理统计的理论与方法已广泛应用于工业、农业、军事和科学技术中，如预测和滤波应用于空间技术和自动控制，时间序列分析应用于石油勘测和经济管理，马尔科夫过程与点过程统计分析应用于地震预测等，同时他又向基础学科、工科学科渗透，与其他学科相结合发展成为边缘学科，这是概率论与数理统计发展的一个新趋势。

该示波器是基于STM32 和上位机进行通信观察现象所用