机器学习：采用改进的粒子群算法训练CNNE模型

机器学习：一种能够适应概念漂移变化的数据流分类方法（佳木斯大学：富春岩、葛茂松）

机器学习：一种基于MAS的自适应图像分割方法（江苏大学：陈小波、程显毅）

【机器学习】模块化神经网络的Bayes子网集结新算法研究（王攀、李幼凤、冯珊）

《机器学习》课程配套教学电子教案（PPT课件讲稿）第1章 引言（讲者：陶晓鹏）

一、学科平台课程 1《高级语言程序设计》 2《电路原理》 3《电路原理实验》 4《复变函数 B》 5《模拟电子技术基础》 6《模拟电子技术基础实验》 7《数字电子技术基础》 8《数字电子技术基础实验》 二、专业课程 1《专业计算机基础上机实验》 2《信号与系统 A》 3《信号与系统实验》 4《微机原理与接口技术》 5《微机原理与接口技术实验》 6《数字信号处理》 7《数字信号处理实验》 8《通信原理》 9《通信原理实验》 10《EDA 技术及应用》 11《EDA 技术及应用设计》 12《电磁场与电磁波 B》 13《计算机仿真》 14《计算机仿真实验》 15《单片机原理与应用》 16《单片机原理与应用实验》 17《自动控制原理 C》 18《信息论与编码》 19《通信电子线路》 20《通信电子线路实验》 21《随机信号检测和处理》 22《电子线路计算机辅助设计》 23《电子系统设计》 24《DSP 原理及应用》 25《DSP 原理及应用实验》 26《数据通信与计算机网络》 三、个性化发展课程 1《数据库系统原理》 2《嵌入式系统设计》 3《嵌入式系统设计实验》 4《机器学习》 5《数字语音处理》 6《数字图像处理》 7《深度学习》 8《数据挖掘》 9《现代信号处理技术》 10《移动通信技术》 11《无线自组网》 12《传感器与信号检测》 四、实践环节 1《高级语言编程课程设计》 2《工程训练 C》 3《电子工艺实习》 4《电子技术课程设计》 5《EDA 技术课程设计》 6《单片机系统课程设计》 7《专业实习》 8《毕业设计》

《智慧农业专业导论》 《高等数学I》 《普通化学 I 》 《普通化学实验Ⅰ》 《高等数学Ⅱ》 《普通化学实验 I》 《有机化学 IV》 《大学物理 VI》 《仪器分析》 《植物学（含分类）》 《土壤肥料学》 《基础生物化学》 《植物生理学》 《遗传学》 《生物统计与试验设计》 《基础微生物学》 《数字图像处理》 《机器学习》 《农业生态学》 《植物生物技术导论》 《分子生物学导论》 《作物栽培学》 《作物育种学》 《数据库系统原理》 《农业信息技术》 《农业遥感学》 《现代农业机械》 《大数据处理与分析》 《传感器原理与应用》 《农业软件开发》 《植物保护通论》 《农业标准化》 《农业资源学》 《农业经济学》 《单片机原理及应用》 《安卓应用开发》 《人工智能与模式识别》 《神经网络与深度学习》 《智慧农场规划与设计》 《物联网工程》 《农业无人机遥感》 《农科英语阅读与写作》 《World Agriculture》 《作物田间表型获取与分析》实验 《毕业设计（论文）》 《创新基础》 《创新思维训练》 《科创指导和训练》 《创新精神与实践》 《创新创业领导力》

针对传统算法在抗光照变化影响、大位移光流和异质点滤除等方面的不足,从人类视觉认知机理出发,提出了一种基于机器学习和生物模型的运动自适应V1-MT (motion-adaptive V1-MT,MAV1MT)序列图像光流估计算法.首先,引入基于ROF模型的结构纹理分解(structure-texture decomposition,STD)技术,有效解决了光照和色彩变化的影响.其次,利用多V1细胞加权组合及非线性正则化模拟MT细胞模型,并结合岭回归训练学习得到运动自适应的权重,解决对目标的运动速度感知问题.最后,引入由粗到精的增强方法和图像金字塔局部运动估计采样,将V1-MT运动估计模型应用于实际大位移视频序列.理论分析和实验结果表明,新方法能更加拟合人眼视觉信息处理特性,对视频序列具有普适、有效、鲁棒的运动感知性能

推荐系统（Recommender System） 背景、示例与应用 推荐系统要素 常用推荐方法 基于协同过滤的推荐方法 基于内容的推荐方法 基于标签的推荐方法 基于网络的推荐方法 基于上下文的推荐方法 推荐方法测试

1 Introduction 2 Learning to Hash Isotropic Hashing Scalable Graph Hashing with Feature Transformation Supervised Hashing with Latent Factor Models Column Sampling based Discrete Supervised Hashing Deep Supervised Hashing with Pairwise Labels Supervised Multimodal Hashing with SCM Multiple-Bit Quantization 3 Distributed Learning Coupled Group Lasso for Web-Scale CTR Prediction Distributed Power-Law Graph Computing 4 Stochastic Learning Fast Asynchronous Parallel Stochastic Gradient Descent Distributed Stochastic ADMM for Matrix Factorization 5 Conclusion