我们使用运营商产品扩展（OPE）和Kubo-Martin-Schwinger（KMS）条件估算3d Ising CFT中的热单点函数。 从平面空间四点函数的数值引导程序中可以知道该理论的几个算子尺寸和OPE系数。 以这些数据为输入，我们使用热洛伦兹反演公式根据少量未知参数来计算前几个Regge轨迹的热单点系数。 通过将KMS条件强加于两点函数〈σσ〉和〈ϵϵ〉，我们近似确定未知参数。 结果，我们估计了最小维ℤ2-偶标量ϵ和应力能张量Tμν的单点函数。 我们在有限温度下的〈σσ〉结果与OPE会聚半径内百分之几的Monte-Carlo模拟结果吻合。

内容概要：本文介绍了面向移动图像去噪任务的大规模数据集（Mobile Image Denoising Dataset, MIDD）及其高效的基线模型 SplitterNet。MIDD 数据集由超过40万对不同光线条件下拍摄的手机动态/静态照片构成，涉及20种不同传感器，并补充了用于精确模型评估的新测试集DPerview。SplitterNet 模型采用创新架构，在保证高精度同时实现了移动端高效推理速度（处理800万像素图片小于一秒），并在多种性能指标上超越先前解决方案。实验证明，训练后的模型在不同摄像头上的泛化能力尤为突出。 适合人群：研究者和技术开发人员，特别是从事图像去噪和深度学习应用于移动平台的研究人员及从业者。 使用场景及目标：本项目主要针对提高智能手机拍照质量的应用场合，旨在为研究人员提供丰富且高质量的真实世界图像样本以及高效的去噪模型，以改善各种环境光线下手机相机捕获的照片品质。具体应用目标涵盖快速在线去噪、多曝光融合增强等多个方面，最终使用户体验得到质变性的提升。

多元回归数据集Advertising.csv"

Patch-based Near-Optimal Image Denoising http://users.soe.ucsc.edu/~priyam/PLOW/download.php

日月光华的课程中使用的数据集，实现逻辑回归的。

机器学习-Advertising.csv

含advertising.csv文件

AdiaQC 绝热量子计算求解器用于模拟各种问题（包括一些机器学习问题）。 这是用 Python 2.7.4 编写的，仅在 Linux 上进行了测试，但可能对您有用（如果确实如此，请告诉我）。 需要 SciPy（NumPy、PyLab）。 可能通过一些小调整与 Python3 一起使用（如果你做了它们，请分享）。 运行一个问题看起来像： python2 run.py -p [问题] 其中 [problem] 可以是包含在内的 hopfield.py（*.py 是多余的，无论如何都删除了扩展名，您可以在没有它的情况下指定）。 问题文件定义了一个名为“参数”的函数。 它接受命令行参数作为字典。 如果您需要为每个实例做一些特殊的事情，或者您想指定一种模拟类型，这对于具有大量实例的模拟非常有用。 cmd 参数是： --problem：指定问题文件路径相对于AdiaQC/problems

IsingFit 该网络估计程序eLasso基于Ising模型，将l1正则逻辑回归与基于扩展贝叶斯信息准则（EBIC）的模型选择相结合。 EBIC是一种适合的度量，用于识别变量之间的相关关系。 生成的网络由变量（作为节点）和相关关系（作为边）组成。 可以处理二进制数据。

该代码对应于2016年的《Nonlinear IHS: A Promising Method for Pan-Sharpening》一文，属于多光谱与全色图像融合代码，也属于IHS方法的一个变种。