import numpy as npimport pandas as pdimport lightgbm as lgbfrom sklearn.model_selection import KFoldfrom hyperopt import hp, fmin, tpefrom numpy.random import RandomStatefrom sklearn.metrics import me

DQN强化学习实践import torchimport torch.nn as nnimport torch.nn.functional as Fimport numpy as npimport gym# 定义超参数BATCH_SIZE = 32LR = 0.01EPSILON = 0.9# 最优选择动作百分比GAMMA = 0.9# 奖励递减参数TARGET_REPLACE_ITER = 100

DQN强化学习实践import torchimport torch.nn as nnimport torch.nn.functional as Fimport numpy as npimport gym# 定义超参数BATCH_SIZE = 32LR = 0.01EPSILON = 0.9# 最优选择动作百分比GAMMA = 0.9# 奖励递减参数TARGET_REPLACE_ITER = 100

AutoEncoder（自编码/非监督学习）数字分类import torchimport torch.nn as nnimport torch.utils.data as Dataimport torchvisionimport matplotlib.pyplot as pltimport numpy as npfrom mpl_toolkits.mplot3d import Axes3Dfrom

基于LSTM与Shakespeare数据集的字符预测任务

1. 基于邻接矩阵存储的有向图，求出度为零的顶点个数【问题描述】基于邻接矩阵存储的有向图，设计算法求出度为零的顶点个数。【输入形式】第一行输入图的顶点个数verNum和边的个数edgeNum，用于构造图。第二行顶点信息；接下来edgeNum行，每行描述一条边的信息，即起点、终点，以及边上的整型权值。【输出形式】出度为零的顶点个数。【样例输入】6 9A B C D E FA B 34A C 46A

CNN卷积神经网络——手写数字识别import torchimport torch.nn as nnfrom torch.autograd import Variableimport torch.utils.data as Dataimport torchvisionimport matplotlib.pyplot as plttorch.manual_seed(1)# Hyper paramet

人工智能关系机器学习：一种实现人工智能的方法机器学习(Machine Learning, ML)是一门多领域交叉学科，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。机器学习是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域，它主要使用归纳、综合而不是演绎。机器学习最基本的做法，是使用算法来解析数据、从中学习，然后对真实世界中的事件做出决策和预测。与传统的为

机器学习公平性主要研究如何通过解决或缓解“不公平”来增加模型的公平性，以及如何确保模型的输出结果能够让不同的群体、个人都有平等的机会获得利益。然而，受文化和环境的影响，人们对公平性的理解存在一定的主观性。到目前为止，公平性尚未有统一的定义及度量指标。

人工智能关系机器学习：一种实现人工智能的方法机器学习(Machine Learning, ML)是一门多领域交叉学科，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。机器学习是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域，它主要使用归纳、综合而不是演绎。机器学习最基本的做法，是使用算法来解析数据、从中学习，然后对真实世界中的事件做出决策和预测。与传统的为