hardpen2013的专栏

移动金融客户端应用软件安全管理规范.pdf；金融分布式账本技术安全规范.pdf；个人金融信息保护技术规范.pdf

几个典型的DL概念，算法介绍！

A*算法源代码

Raspberry Pi 计算机视觉编程

机器学习算法汇总大全。pdf很清楚，对于搞机器学习或数据挖掘的很有帮助。

《21个项目玩转深度学习》扫描完整版，共379页。通过21个实例讲述机器学习的原理机器应用。

Tensorflow常用函数

吴恩达新书-机器学习

Opencv编程案例详解

1. 引言2. 行情及其组织形式2.1 行情主题2.2 行情快照和增量行情3. 平台提供的服务4. 字段类型和报文4.1 字段类型4.2 报文4.2.1 报文结构4.2.2 报文与消息5. 行情查询服务5.1 MDQP报文头5.2 行情查询服务的功能5.2.1 心跳功能心跳消息(TypeI5.2.2 用户登录功能登录请求(TypeI登录应答(TypeI5.2.3 用户登出功能登出请求(TypeI登出应答(TypeI5.2.4 主题行情快照查快照查询请求(T快照查询应答(T5.2.5 增量行情查询功增量查询请求(T增量查询应答(T6. 增量行情服务6.1 MIRP报文头6.2 增量行情服务的功能6.2.1 心跳功能心跳消息(TypeI6.2.2 增量行情推送功增量行情消息(T7. 启动与恢复7.1 启动过程7.2 行情恢复7.2.1 快照恢复7.2.2 增量行情补足恢8. 结束语

sklearn0.19中文文档 PDF格式高清。 .1. 广义线性模型 1.1.1. 普通最小二乘法 1.1.1.1. 普通最小二乘法复杂度 1.1.2. 岭回归 1.1.2.1. 岭回归的复杂度 1.1.2.2. 设置正则化参数：广义交叉验证 1.1.3. Lasso 1.1.3.1. 设置正则化参数 1.1.3.1.1. 使用交叉验证 1.1.3.1.2. 基于信息标准的模型选择 1.1.3.1.3. 与 SVM 的正则化参数的比较 1.1.4. 多任务 Lasso 1.1.5. 弹性网络 1.1.6. 多任务弹性网络 1.1.7. 最小角回归 1.1.8. LARS Lasso 1.1.8.1. 数学表达式 1.1.9. 正交匹配追踪法（OMP） 1.1.10. 贝叶斯回归 1.1.10.1. 贝叶斯岭回归 1.1.10.2. 主动相关决策理论 - ARD 1.1.11. logistic 回归 1.1.12. 随机梯度下降, SGD 1.1.13. Perceptron（感知器） 1.1.14. Passive Aggressive Algorithms（被动攻击算法） 1.1.15. 稳健回归（Robustness regression）: 处理离群点 （outliers）和模型错误 1.1.15.1. 各种使用场景与相关概念 1.1.15.2. RANSAC： 随机抽样一致性算法（RANdom SAmple Consensus） 1.1.15.2.1. 算法细节 1.1.15.3. Theil-Sen 预估器: 广义中值估计 1.1.15.3.1. 算法理论细节 1.1.15.4. Huber 回归 1.1.15.5. 注意 1.1.16. 多项式回归：用基函数展开线性模型 1.2. 线性和二次判别分析 1.2.1. 使用线性判别分析来降维 1.2.2. LDA 和 QDA 分类器的数学公式 1.2.3. LDA 的降维数学公式 1.2.4. Shrinkage（收缩） 1.2.5. 预估算法 1.3. 内核岭回归 1.4. 支持向量机 1.4.1. 分类 1.4.1.1. 多元分类 1.4.1.2. 得分和概率 1.4.1.3. 非均衡问题 1.4.2. 回归 1.4.3. 密度估计, 异常（novelty）检测 1.4.4. 复杂度 1.4.5. 使用诀窍 1.4.6. 核函数 1.4.6.1. 自定义核 1.4.6.1.1. 使用 python 函数作为内核 1.4.6.1.2. 使用 Gram 矩阵 1.4.6.1.3. RBF 内核参数 1.4.7. 数学公式 1.4.7.1. SVC 1.4.7.2. NuSVC 1.4.7.3. SVR 1.4.8. 实现细节 1.5. 随机梯度下降 1.5.1. 分类 1.5.2. 回归 1.5.3. 稀疏数据的随机梯度下降 1.5.4. 复杂度 1.5.5. 实用小贴士 1.5.6. 数学描述 1.5.6.1. SGD 1.5.7. 实现细节 1.6. 最近邻 1.6.1. 无监督最近邻 1.6.1.1. 找到最近邻 1.6.1.2. KDTree 和 BallTree 类 1.6.2. 最近邻分类 1.6.3. 最近邻回归 1.6.4. 最近邻算法 1.6.4.1. 暴力计算 1.6.4.2. K-D 树 1.6.4.3. Ball 树 1.6.4.4. 最近邻算法的选择 1.6.4.5. leaf_size 的影响 1.6.5. 最近质心分类 1.6.5.1. 最近缩小质心 1.7. 高斯过程 1.7.1. 高斯过程回归（GPR） 1.7.2. GPR 示例 1.7.2.1. 具有噪声级的 GPR 估计 1.7.2.2. GPR 和内核岭回归(Kernel Ridge Regression)的比 较 1.7.2.3. Mauna Loa CO2 数据中的 GRR 1.7.3. 高斯过程分类（GPC） 1.7.4. GPC 示例 1.7.4.1. GPC 概率预测 1.7.4.2. GPC 在 XOR 数据集上的举例说明 1.7.4.3. iris 数据集上的高斯过程分类（GPC） 1.7.5. 高斯过程内核 1.7.5.1. 高斯过程内核 API 1.7.5.2. 基础内核 1.7.5.3. 内核操作 1.7.5.4. 径向基函数内核 1.7.5.5. Matérn 内核 1.7.5.6. 有理二次内核 1.7.5.7. 正弦平方内核 1.7.5.8. 点乘内核 1.7.5.9. 参考文献 1.7.6. 传统高斯过程 1.7.6.1. 回归实例介绍 1.7.6.2. 噪声数据拟合 1.7.6.3. 数学形式 1.7.6.3.1. 初始假设 1.7.6.3.2. 最佳线性无偏预测（BLUP） 1.7.6.3.3. 经验最佳线性无偏估计（EBLUP） 1.7.6.4. 关联模型 1.7.6.5. 回归模型 1.7.6.6. 实现细节 1.8. 交叉分解 1.9. 朴素贝叶斯 1.9.1. 高斯朴素贝叶斯 1.9.2. 多项分布朴素贝叶斯 1.9.3. 伯努利朴素贝叶斯 1.9.4. 堆外朴素贝叶斯模型拟合 1.10. 决策树 1.10.1. 分类 1.10.2. 回归 1.10.3. 多值输出问题 1.10.4. 复杂度分析 1.10.5. 实际使用技巧 1.10.6. 决策树算法: ID3, C4.5, C5.0 和 CART 1.10.7. 数学表达 1.10.7.1. 分类标准 1.10.7.2. 回归标准 1.11. 集成方法 1.11.1. Bagging meta-estimator（Bagging 元估计器） 1.11.2. 由随机树组成的森林 1.11.2.1. 随机森林 1.11.2.2. 极限随机树 1.11.2.3. 参数 1.11.2.4. 并行化 1.11.2.5. 特征重要性评估 1.11.2.6. 完全随机树嵌入 1.11.3. AdaBoost 1.11.3.1. 使用方法 1.11.4. Gradient Tree Boosting（梯度树提升） 1.11.4.1. 分类 1.11.4.2. 回归 1.11.4.3. 训练额外的弱学习器 1.11.4.4. 控制树的大小 1.11.4.5. Mathematical formulation（数学公式） 1.11.4.5.1. Loss Functions（损失函数） 1.11.4.6. Regularization（正则化） 1.11.4.6.1. 收缩率 (Shrinkage) 1.11.4.6.2. 子采样 (Subsampling) 1.11.4.7. Interpretation（解释性） 1.11.4.7.1. Feature importance（特征重要性） 1.11.4.7.2. Partial dependence（部分依赖） 1.11.5. Voting Classifier（投票分类器） 1.11.5.1. 多数类标签 (又称为 多数/硬投票) 1.11.5.1.1. 用法 1.11.5.2. 加权平均概率 （软投票） 1.11.5.3. 投票分类器（VotingClassifier）在网格搜索 （GridSearch）应用 1.11.5.3.1. 用法 1.12. 多类和多标签算法 1.12.1. 多标签分类格式 1.12.2. 1对其余 1.12.2.1. 多类学习 1.12.2.2. 多标签学习 1.12.3. 1对1 1.12.3.1. 多类别学习 1.12.4. 误差校正输出代码 1.12.4.1. 多类别学习 1.12.5. 多输出回归 1.12.6. 多输出分类 1.12.7. 链式分类器 1.13. 特征选择 1.13.1. 移除低方差特征 1.13.2. 单变量特征选择 1.13.3. 递归式特征消除 1.13.4. 使用 SelectFromModel 选取特征 1.13.4.1. 基于 L1 的特征选取 1.13.4.2. 基于 Tree（树）的特征选取 1.13.5. 特征选取作为 pipeline（管道）的一部分 1.14. 半监督学习 1.14.1. 标签传播 1.15. 等式回归 1.16. 概率校准 1.17. 神经网络模型（有监督） 1.17.1. 多层感知器 1.17.2. 分类 1.17.3. 回归 1.17.4. 正则化 1.17.5. 算法 1.17.6. 复杂性 1.17.7. 数学公式 1.17.8. 实用技巧 1.17.9. 使用 warm_start 的更多控制

本书是数据结构和算法领域的经典之作，十余年来，畅销不衰！全书共分为三部分：第一部分首先介绍了数据结构和算法的概念，以及使用它们的原因和意义，然后讲解了数据结构和算法中最常用的技术——指针和递归，最后还介绍了算法的分析方法，旨在为读者学习这本书打下坚实的基础；第二部分对链表、栈、队列、集合、哈希表、堆、图等常用数据结构进行了深入阐述；第三部分对排序、搜索数值计算、数据压缩、数据加密、图算法、几何算法等经典算法进行了精辟的分析和讲解。

VS2005 VS2008 VS2010, VC2012 VC2013 VC2015 VC2017 内存泄漏检测工具

keras中文手册，可供了解 keras的朋友下载学习。 keras中文手册，可供了解 keras的朋友下载学习。

该书是机器学习与深度机器学习方面的最新内容。 对于了解机器学习很有帮助，扫描内容比较清晰。

机器视觉基础知识

利用这个工具可以很方便在庞大的硬盘中找到你的某个文件。

这个程序是CTP发布的行情接收程序，我将它在VISUAL STUDIO2010下做了修正，是完全可以编译运行处结果的，期货市场想做程序化交易的人很多，苦于找不到门，看吧这个就是，奉献出来供大家分享。

人工智能发展报告（2024年）【中国信息通信研究院编写】，可供参考学习，禁止用于商业目的哦。

搬砖通达信函数公式编写方法02，仅可用于学习交流，不可用于商业目的。

搬砖通达信函数公式编写方法（适应于低级、中级、高级开发者），不可用于商业目的，只做交流学习。

如何学习大模型，这个是我见过最好的归纳。希望对初学者有帮助。

awesome-python 是 vinta 发起维护的 Python 资源列表，内容包括：Web 框架、网络爬虫、网络内容提取、模板引擎、数据库、数据可视化、图片处理、文本处理、自然语言处理、机器学习、日志、代码分析等。

这一段Python源代码，具有图形界面，可以根据用户的多次输入，合并生成一个JSON文件。利用tknter和json两个包，使用前需要安装这两个包：安装方法： pip install tkinter;pip install json

OpenCV 5（预览版）功能模块 一、主功能模块： （1）核心：核心功能 （2）imgproc：图像处理 （3）imgcodecs：图像文件读写 （4）videoio：视频输入/输出 （5）highgui：高级GUI （6）video：视频分析 （7）3d：三维图像处理 （8）stereo：双目立体匹配 （9）2d：二维特征结构 （10）calibrate：摄像机校准 （11）objdetect：目标跟踪 （12）dnn。深度神经网络模块 （13）falnn：多维空间聚类与搜索 （14）photo：计算成像 （15）stitching：图形拼接 （16）gpai：图形API接口 二、附加模块： （1）ML：机器学习 （2）alphamat：阿尔法抠图 （3）bgsegm：改进的背景前景分割方法 （4）bioinspired：基于生物学启发式视觉模型和衍生工具 （5）cannops：加速计算机视觉 （6）ccalib：3D重建的自定义校准 （7）cudaarithm：cuda矩阵运算 （9）cudabgsegm：cuda背景分割 （10）cudacodec：cuda视频编码/解码

本压缩包包含了（Cisco_Icons1.PPT，Cisco_Icons2.PPT）两个文件，其中收录了计算机工程师绘制 计算机网络与系统拓扑结构的常用图标，PPT上的每一个小图标直接复制黏贴即可使用。

本手册收录了Linux最常用的命令，可以解决实际工作中 95% 以上的问题， 包括：Linux操作系统安装、Linux文件系统、Linux命令操作、Linux权限管理、Linux 进程管理、Linux 其他常用命令、Linux 系统软件安装等。

实操大型语言模型

使用一台主机安装多台虚拟机（通过VMware），能上网的就是主机。如何让多台虚拟机都能上网并且互相之间（每台虚拟机之间，包括虚拟机与主机之间）互相联通？需要配置网络。这篇文章讲述了NAT配置方法。

网上有不少Oracl11安装指导说明文章，但是都不是很好用，作者亲自动手在指定环境下安装配置Oracle11gR2.成功后编制了这个手册。可供初学者参考。读者需要有一定的CentOS操作系统基础知识，至少需要指导LINUX用户和切换。

RedHat8.0单机部署Oracle21c 详细手册

利用git clone https://github.com/osrf/gazebo_models下载速度太慢 我就利用gitee下载，这个是rosnoetic 版本的最新 gazebo_models 下载后直接解压缩到 /usr/share/gazebo-11/models 下即可使用。

ROS入门的基本操作命令手册,详细介绍了ROS使用常用的命令及含义，是一份不可多得的文档资料，希望对需要学习ROS的人员有所帮助。

OpenCV 4.0版本已经发布，学习OpenCV-4.0按照本文内容学习就能掌握Opencv精髓。中文-PDF文档 有需要的可下载备查。

来自优快云-在水一方的博客（https://xiongyiming.blog.youkuaiyun.com/article/details/90167880） 为了方便大家阅读，我将文章以图片方式采集下来。包括了数字图像处理的常用算法。 很不错的学习资料。仅供交流学习，不得用于商业目的