Q-learning

DB2 Q 复制指南

Q-Q图是一种用于检验变量数据分布与指定分布之间关系的曲线工具。通过观察图中数据点的分布形态，可以判断数据样本是否来自同一分布。在Matlab中，可以利用Q-Q图快速分析数据分布的符合程度。

利用Q-Q图，我们可以直观地评估数据分布与特定理论分布的匹配程度。通过绘制变量数据的分位数与理论分布分位数之间的关系曲线，若数据点近似落在一条直线上，则表明数据与理论分布吻合良好；反之，则提示数据可能来自不同的分布。

Oracle学习资料，我学Oracle的时候记下来的，只有一部分！呵呵！仅供参考，大家一起进步

黑色背景的 DB2 复制配置手册，讲得还挺细的。 的 Q 复制功能，主要配合 一起用，适合要搞异步数据复制的场景。文章从系统准备、软件安装一路讲到 MQ 通道设置和 Q 复制流程，属于一步步带你搭环境的那种。哦，对了，像 、 这些用户权限设置也有写清楚，适合直接对照着搞。要注意几个点：MQ 的路径一定要对，DB2 的 license 也别漏了，复制开不了可就白忙了。如果你最近刚好要部署 DB2 Q 复制，这篇手册还是挺值得参考的。

本压缩包中包括四本MATLAB学习书籍：1. Matlab_数学手册2. MATLAB R2016完全一本通3. MATLAB编程4. MATLAB基础及其应用教程

MySQL必知必会的资源，适合MySQL学习。

深度学习历史趋势 一、深度学习历史趋势 神经网络的众多名称和命运变迁： 早期发展：20世纪50年代末至60年代初，神经网络研究开始兴起，受到广泛关注。 第一次寒冬：1970年代，由于理论和技术上的限制，神经网络研究进入低谷期。 反向传播算法的引入：1980年代中期，反向传播算法的提出极大地推动了神经网络的研究和发展。 第二次寒冬：1990年代中期，尽管有了突破性的进展，但由于计算资源和数据量的限制，神经网络再次遭遇挫折。 深度学习的复兴：21世纪初至今，随着GPU技术的发展、大数据时代的到来以及算法的不断创新，深度学习迎来了爆发式的增长。 与日俱增的数据量： 互联

归纳学习假设机器学习的任务是在整个实例集合X上确定与目标概念c相同的假设。一般H表示所有可能假设。H中每个假设h表示X上定义的布尔函数。由于对c仅有的信息只是它在训练样例上的值，因此归纳学习最多只能保证输出的假设能与训练样例相拟合。若没有更多的信息，只能假定对于未见实例最好的假设就是训练数据最佳拟合的假设。定义归纳学习假设：任一假设如果在足够大的训练样例中很好地逼近目标函数，则它也能在未见实例中很好地逼近目标函数。（Function Approximation）。决策树基本概念从机器学习看分类及归纳推理等问题（4）第6章决策树

购买的书籍中使用的语句均是基于Scott表，而Oracle XE版本默认没有这个表。将该文件导入可以用于学习。