37731Mạch truyền thông vô tuyến dài tần 2,4 GHz tương thích với môi trường Arduino
Giới thiệu về một mạch kết hợp giữa bo mạch Arduino và chíp truyền thông qua giao diện vô tuyến ở dải tần 2,4 GHz, cũng như cách thức phát triển, ứng dụng bo mạch này.
37732Mạch ứng dụng Op-Amp có kết quả tăng dần tăng từ 1 đến vô cùng
Bài báo này nghiên cứu dạng mạch điện tử ứng dụng của Op-Amp, trong đó, với 1 tầng (1 Op-Amp), sẽ cho ra kết quả là số tăng dần từ 1 đến vô cùng. Bảng 1 sẽ thống kê, trình bày ra quy luật để các mạch Op-Amp cho ra kết quả tăng dần. Trong bảng 2 trích dẫn ra kết quả cụ thể, chọn cho tương ứng với các năm 2020 tăng dần lên 2035. Phương pháp nghiên cứu chính là tính toán, thống kê với máy tính tay, phần mềm Excel, phần mềm vẽ mạch điện Proteus. Bài báo góp phần làm đa dạng thêm, tăng sự thú vị của các dạng mạch điện tử của Op-Amp.
37733Mạch xử lý tín hiệu Y sinh
Cuốn sách được biên soạn thành 8 chương, trong đó: Chương 1: Giới thiệu về nguồn gốc và các đặc trưng của tín hiệu y sinh; Chương 2: Trình bày về mạch khuếch đại thuật toán; Chương 3: Giới thiệu về mạch khuếch đại điện sinh học; Chương 4: Trình bày về mạch lọc tương tự; Chương 5: Trình bày về một số mạch ứng dụng trong y sinh; Chương 6: Giới thiệu về nhiễu trong mạch xử lý tín hiệu y sinh; Chương 7: Trình bày về mạch xử lý số tín hiệu y sinh; Chương 8: Giới thiệu về một số cấu kiện điện tử ứng dụng trong kỹ thuật xử lý tín hiệu y sinh hiện nay.
37734Machine learning
Contents: 1. Introduction; 2. Concept learning and the general-to-specific ordering; 3. Decision tree learning; 4. Artificial neural networks; 5. Evaluating hypotheses; 6. Bayesian learning; 7. Computational learning theory; 8. Instance-based learning; 9. Genetic algorithms; 10. Learning sets of rules; 11. Analytical learning; 12. Combining inductive and analytical learning; 13. Reinforcement learning.
37735Machine learning : a probabilistic perspective
Including contesnts: Probability; Generative models for discrete data; Gaussian models; Bayesian statistics; Frequentist statistics; Linear regression; Logistic regression; Generalized linear models and the exponential family; Directed graphical models (Bayes nets); Mixture models and the EM algorithm; Latent linear models; Sparse linear models; Kernels; Gaussian processes; Adaptive basis function models; Markov and hidden Markov models; State space models; Undirected graphical models (Markov random fields); Exact inference for graphical models; Variational inference; More variational inference.
37736Machine learning : hands-on for developers and technical professionals
Dig deep into the data with a hands-on guide to machine learning Machine Learning: Hands-On for Developers and Technical Professionals provides hands-on instruction and fully-coded working examples for the most common machine learning techniques used by developers and technical professionals.
37737Machine learning : the new AI
1. Why we are interested in machine learning; 2. Machine learning, statistics and data analytics; 3. Pattern recognition; 4. Neural networks and deep learning; 5. Learning clusters and recommendations; 6. Learning to take actions; 7. Where do we go from here?.
37738Machine learning in the aws cloud : add intelligence to applications with amazon sagemaker and amazon rekognition
Machine Learning in the AWS Cloud introduces readers to the machine learning (ML) capabilities of the Amazon Web Services ecosystem and provides practical examples to solve real-world regression and classification problems. While readers do not need prior ML experience, they are expected to have some knowledge of Python and a basic knowledge of Amazon Web Services.
37739Machine learning system design interview
Machine learning system design interviews are the most difficult to tackle of all technical interview questions. This book provides a reliable strategy and knowledge base for approaching a broad range of ML system design questions. It provides a step-by-step framework for tackling an ML system design question. It includes many real-world examples to illustrate the systematic approach, with detailed steps you can follow.
37740Machine learning with PySpark
This book starts with the fundamentals of Spark and its evolution and then covers the entire spectrum of traditional machine learning algorithms along with natural language processing and recommender systems using PySpark. Machine Learning with PySpark shows you how to build supervised machine learning models such as linear regression, logistic regression, decision trees, and random forest. You’ll also see unsupervised machine learning models such as K-means and hierarchical clustering.