语言 24
研究 49
35
从进化计算到万物进化
26
GP Memo GP模块化的再讨论——Building Blocks：探测、提取、应用 Geometric Semantic Genetic Programming：基于几何信息的GP PolyGP：一种多态遗传编程 交叉算子的建模和比较 可以从既有的schema theory中得到什么 同源交叉的模式定理 基于互信息的语义模式定理和遗传编程 强类型遗传编程 结构变换操作 遗传编程中Evolvability的进化 遗传编程中的模块化 遗传编程中的自动定义函数 遗传编程运行Tricks 遗传编程（GP）导论
4
01. 绪论 02. 背景·遗传编程基础 03. 控制器的自动综合 04. 电路的自动综合
7
01. 简介：生物遗传学背景 02. GEP的实体 03. 基因表达式算法 05. 随机常数 06. GEP的自动定义函数 07. 多项式推理和时间序列预测 12. 进化成分分析
8
多目标优化遗传算法综述 多目标遗传算法：NSGA和NSGA-II 并行遗传算法 笔记摘要-涌现：从混乱到秩序 经典遗传算法的Python实现 自适应遗传算法的Python实现 讲义：什么是遗传算法（GA）？ 遗传算法（GA）导论
10
6
EventiC——一种无偏的复杂系统实时事件建模器 ROC聚类算法 一种应用于细胞式生产的聚类方法 无序变量的基本相关性分析方法和Python实现 灵敏度分析方法 针对基因表达数据的聚类方法
3
CNC铣床基本 电力线缆的寿命预测模型 钢铁淬火的简单仿真
1
Chapter 1 网络模型
4
TensorFlow 入门项目：训练一个VGG模型 卷积神经网络简介 深度卷积生成对抗网络 生成对抗网络
14
2022 推理小说短评 2023 推理小说短评 Hexo搭建博客记录 Uxbridge饮食生存指南 Windows毛病大赏及可能解决办法 《机器学习》 周志华 1-5章笔记 加密测试 工程科学讨论范式 树莓派4b开启热点功能 浅谈《原神》文化输出的策略和优缺点 腾讯云服务器Linux机器学习初学环境配置指南 负反馈放大器的发明故事 阿里云ECS Windows Server实例文件共享 高性能计算平台
学习笔记 231
7
1. 面向对象的基本概念 2. 对象工程 3. 类的特性和初始化 4. 对象的管理 5. 软件重用的方式 6. 函数重载·内联函数·const 7. 引用·向上造型
11
0.通信网络概述 1.物理层技术 2.数据链路层技术 3.网络层技术：路由选择 4.计算机局域网 5.计算机互联网：IP协议群 6.计算机网络：运输层 7. 新型通信网网络类型概述* 8. 云服务技术* 通信与计算机网络-知识点总结 附录：关键协议头部结构
16
01. 通信系统·信息 02. 信号 03. 随机变量和随机过程 04. 高斯噪声 05. 模拟基带信号的线性调制方法 06. 线性调制的解调方法·抗噪性 07. 模拟基带信号的非线性调制和解调方法 08. 模拟信号的数字化/信源编码 09. 数字基带传输系统中信号的码型、波形和频谱 10. 无码间串扰的数字基带传输系统 11. 数字基带系统的抗噪性分析 12. 数字带通系统的调制解调方法 13. 数字带通系统的抗噪性分析 通信原理-知识点总结 附录1：其他数学公式 附录2：ASK/FSK/PSK/DPSK 解调过程及波形
4
PIC16F系列单片机接口程序设计经典案例 计算机接口程序（C语言） 计算机结构-知识点与题型总结 计算机结构基础-课堂笔记
7
1.移动通信概述 2.无线信道 3.移动通信关键技术 4.蜂窝移动电话网演进·卫星定位系统 5.核心网的进一步演进和云化* 移动通信-知识点总结 附录：蜂窝移动电话网演进
4
半导体电路推导 常考知识点 滤波器 电路分析方法
11
01. 运算放大器 02. 滤波器 03. 反馈放大器 04. 振荡器 05. 定时器 06. 晶体管的结构和直流工作状态 07. 晶体管的直流偏置状态 08. 晶体管的交流工作分析 09. 晶体管单级放大电路 10. 双晶体管电路·多级放大电路 电子系统-知识点总结
5
1.传输理论概述 2.金属线传输理论 3.介质传输理论 4.传输线工程与施工概要 电信传输理论-知识点总结
7
大学物理【Onenote笔记】 大学物理下-常考知识点 应用随机过程 概率论与数理统计-常考知识点 概率论和数理统计 【Onenote笔记】 线性代数 【Onenote笔记】 高等数学 【Onenote笔记】
58
1
15.1. 吴恩达：总结和感谢
5
14.1. 问题背景与框架设计 14.2. 滑动窗口分类器 14.3. 文字分离·字符识别 14.4. 人工数据合成 14.5. 上限分析
5
13.1. 大规模学习的计算问题·预学习 13.2. 随机梯度下降算法 13.3. 小批量梯度下降算法 13.4. 在线学习 13.5. 并行计算（减少映射）
4
12.1. 内容推荐问题 12.2. 基于内容的推荐算法·内容的特征 12.3. 协同过滤算法 12.4. 协同过滤算法的优化
5
11.1. 异常检测问题 11.2. 异常检测算法的原始模型 11.3. 异常检测算法的评价·关键变量 11.4. 比较异常检测与监督学习算法 11.5. 多元异常检测算法
3
10.1. 降维的目的 10.2. 算法思路和流程 10.3. 主成分分析算法的优化
3
9.1. 非监督学习的概念 9.2. K均值算法的过程与实现 9.3. K均值算法的优化
4
8.1. 激活函数、代价函数和决策边界 8.2. 数学原理 8.3. 核函数 8.4. 使用支持向量机
3
7.1. 学习系统构建方法 7.2. 查准率和召回率 7.3. 数据量与学习性能
4
6.1. 性能评估 6.2. 方差与偏差 6.3. 学习曲线 6.4. 总结：诊断与调试
7
5.1. 神经网络的背景 5.2. 前向传播模型 5.3. 感知机 5.4. 多元分类 5.5. 神经网络的代价函数·反向传播 5.6. 回顾：神经网络的实现与梯度下降算法 5.7. 神经网络的优化
3
4.1. 过拟合问题 4.2. 代价函数的正则化 4.3. 线性回归的正则化
2
3.1. 激活函数和代价函数 3.2. 分类算法的优化
4
2.1. 基本命令 2.2. 数据计算和绘制 2.3. 控制和定义语句 2.4. 向量化
5
1.1. 什么是机器学习 1.2. 梯度下降算法 1.3. 多变量线性回归 1.4. 优化和调试方法 1.5. 多项式拟合和正规方程
9
01.智能系统介绍 02.神经网络 03.模糊系统 04.数字图像 05.图像压缩 06.图像增强 07.图像复原 数字图像处理部分-知识点总结 智能系统部分-知识点总结
3
01. 存储结构:数列和链表 02. 线性逻辑结构：栈和队列 03. 非线性逻辑结构：树和图
10
1. 模拟信号和数字信号·数制[英] 2. 码型[英] 3. 逻辑系统·布尔代数基础[英] 4. 组合逻辑1：布尔代数的规范形式及化简[英] 5. 组合逻辑2：用数字逻辑电路实现[英] 6. 时序逻辑1：触发器[英] 7. 时序逻辑2：时序逻辑电路的设计[英] 8. 可编程逻辑[英] 9. 逻辑门实现[英] 数字系统与微处理器-常考知识点
2
可靠性工程-知识点总结 数字系统设计-知识点总结
13
0. 课程简介 01. 数字信号 02. 数字系统 03. 离散时间傅里叶变换 04. Z变换 05. 离散傅里叶级数·离散傅里叶变换 06. 快速傅里叶变换 07. 数字滤波器·数字系统的表示 08. 数字滤波器的结构设计 09. 线性相位滤波器·FIR滤波器类型 10. FIR滤波器设计方法 11. IIR滤波器设计方法 数字信号处理-知识点总结
16
01. 控制系统的组成和模型表示 02. 控制系统的瞬态和稳态响应分析 03. 极坐标图/奈奎斯特图的绘制和分析 04. 波特图的绘制和分析·电路实现 05. 尼柯尔斯图的绘制和分析 06. 时延·非最小相位·系统近似方法 07. PID 控制系统 08. 通过频率响应对PID控制系统进行改进 09. 连续系统的状态空间表示和分析 10. 连续系统状态空间的补偿器设计 11. 数字控制系统概述 12. 数字控制稳定性 13. 根轨迹图·采样周期的影响 14. 数字PID控制器和补偿器及其设计 15. 离散系统的状态空间的表示和补偿器设计 控制系统-知识点总结
14
Lecture 01 电磁场 Lecture 02 传输线模型 Lecture 03 天线的类型与参数 Lecture 04 偶极子天线 Lecture 05 成像理论 Lecture 06 天线阵列 Lecture 07 环形天线 Lecture 08 非频变天线 Lecture 09 微带天线 Lecture 10 电波传播的基本原理 Lecture 11 天波传播 Lecture 12 移动通信中的无线电传播 天线知识点总结 天线知识点总结-刘旭康版
15
0. 课程简介 01. 信号概述 02. 系统概述 03. 信号的傅里叶级数 04. 频谱·非周期信号的傅里叶变换 05. 时域分析方法（微分/差分方程·卷积） 06. 能量·周期信号的傅里叶变换·采样 07. 拉普拉斯变换 08. Z变换 09. 系统方程 10. 反馈系统 11. 滤波器设计 常考知识点总结 附录1：冲激函数的特性·常见信号的傅里叶/拉普拉斯/Z变换 附录2：冲激信号·卷积·傅里叶/拉普拉斯/Z变换的运算性质
1
中国近代史纲要-总结
4
Python学习路线 前端方向 后端方向 微信小程序开发入门
14
6
1. 课后练习-机器学习简介和Python的基本操作 2. 课后练习-数学方法 3. 课后练习-图像处理 4. 课后练习-MNIST 手写训练集 5. 课后练习-使用更多的分类器 6. 大作业-创建一个交通标志分类器
8
0. 课程简介 1. 机器学习简介和Python的基本操作 2. 数学方法 3. 图像处理 4. 分类器 5. 特征 6. 人脸识别与感知机 7. 总结