信息检索与数据挖掘
|
|
|
- 牛 洪
- 5 years ago
- Views:
Transcription
1 信息检索与数据挖掘 2015/5/15 1 信息检索与数据挖掘 第 11 章文本聚类 5 月 18 日周一第 12 章 Web 搜索 5 月 22 日周五图像分类的算法思想 第 13 章多媒体信息检索 & 第 14 章其他应用简介 5 月 25 日周一总复习 5 月 28 日周四晚答疑 不讲课 6 月 1 日周一考试
2 信息检索与数据挖掘 2015/5/ 月 18 日周一第 12 章 Web 搜索 5 月 22 日周五图像分类的算法思想 第 13 章多媒体信息检索 & 第 14 章其他应用简介 5 月 25 日周一总复习 5 月 28 日周四晚答疑 不讲课 6 月 1 日周一考试 答疑 考试
3 信息检索与数据挖掘 2015/5/15 Sec 回顾 :Linear Support Vector Machine (SVM) Hyperplane w T x + b = 0 w T x b + b = -1 ρ w T x a + b = 1 Extra scale constraint: min i=1,,n w T x i + b = 1 This implies: w T (x a x b ) = 2 ρ = x a x b 2 = 2/ w 2 分类器的几何间隔 : 中间空白带的最大宽度, 该空白带可以用于将两类支持向量分开 3 w T x + b = 0
4 信息检索与数据挖掘 2015/5/15 4 回顾 :SVM 线性 SVM Find w and b such that Φ(w) =½ w T w is minimized and for all {(x i,y i )} y i (w T x i + b) 1 SVM 用于非线性问题 Soft Margin Non-linear SVMs 通过拉格朗日对偶问题求解 Find w and b such that Φ(w) =½ w T w + CΣξ i 原优化问题进行松弛 is minimized and for all {(x i,y i )} y i (w T x i + b) 1- ξ i and ξ i 0 for all i 核技巧使高维特征空间中内积计算简单化 K ( x, z) (1 x z) d K( x, z) e 2 ( x z)/(2 )
5 信息检索与数据挖掘 2015/5/15 5 回顾 : 人工神经网络 神经元 输入 输出 激励函数 神经网络 训练 : 获取各层的权重参数 W (l) 和偏置 b (l) 误差反向传播算法 backpropagation algorithm
6 信息检索与数据挖掘 2015/5/15 6 回顾 : 机器学习技术的两次浪潮 deep learning 采用了神经网络相似的分层结构, 系统由包括输入层 隐层 ( 多层 ) 输出层组成的多层网络 传统神经网络中, 采用的是 back propagation 的方式进行, 然而对于一个 deep network(7 层以上 ), 残差传播到最前面的层已经变得太小, 出现所谓的 gradient diffusion( 梯度扩散 ) 问题的出现,BP 不再合适需要新的训练方法 人的视觉系统的信息处理是分级的 从低级的边缘特征, 到形状或者目标的部分等, 再到更高层, 整个目标 目标的行为等 1990 第一次浪潮浅层学习 2010 第二次浪潮深度学习 Source 深度学习和多媒体搜索, 余凯, 百度技术副总监, CCF
7 信息检索与数据挖掘 2015/5/15 7 回顾 : 深度学习 浅层学习是机器学习的第一次浪潮 Back Propagation 算法 深度学习是机器学习的第二次浪潮 强调了模型结构的深度 突出了特征学习的重要性 常见的深度学习模型 / 算法 受限波尔兹曼机 (Restricted Boltzmann Machine, RBN) 深度置信网络 (Deep Belief Networks, DBN) 卷积神经网络 (Convolutional Neural Network) 堆栈式自动编码器 (Stacked Auto-encoders)
8 信息检索与数据挖掘 2015/5/15 8 回顾 : Convolutional Neural Networks (CNN) Convolution Layers 卷积层 Sub-sampling Layers 子采样层 Local Receptive Rields 局部感受野 Shared Weights 权值共享
9 Gradient Based Learning Applied to Document Recognition, Yann LeCun 等, 1998 信息检索与数据挖掘 2015/5/15 9 Convolutional Neural Networks (CNN) LeNet-5 文字识别系统的卷积神经网络 C1 层是一个卷积层, 由 6 个特征图 Feature Map 构成 ( 每个特征图对应一种卷积核 ) 特征图中每个神经元与输入中 5*5 的邻域相连 S2 层是一个下采样层, 有 6 个 14*14 的特征图 特征图中的每个单元与 C1 中的 2*2 邻域相连接 C3 层也是一个卷积层, 它同样通过 5x5 的卷积核去卷积层 S2, 然后得到的特征 map 就只有 10x10 个神经元, 但是它有 16 种不同的卷积核, 所以就存在 16 个特征 map 了 S4 层是一个下采样层, 由 16 个 5*5 大小的特征图构成 每个单元与 C3 中 2*2 邻域相连接 C5 层是一个卷积层, 有 120 个特征图 F6 层计算输入向量和权重向量之间的点积, 再加上一个偏置 输出层由欧式径向基函数 (Euclidean Radial Basis Function) 单元组成, 每个单元代表一个类别 ( 如果要识别 0-9 数字的话, 需要 10 个节点 )
10 信息检索与数据挖掘 2015/5/15 10 课程内容 第 1 章绪论 第 2 章布尔检索及倒排索引 第 3 章词项词典和倒排记录表 第 4 章索引构建和索引压缩 第 5 章向量模型及检索系统 第 6 章检索的评价 第 7 章相关反馈和查询扩展 第 8 章概率模型 第 9 章基于语言建模的检索模型 第 10 章文本分类 第 11 章文本聚类 第 12 章 Web 搜索 第 13 章多媒体信息检索 第 14 章其他应用简介
11 信息检索与数据挖掘 2015/5/15 11 本讲内容 : 文本聚类 聚类概述 什么是聚类? 在 IR 中如何用聚类? 聚类的几个术语 K- 均值聚类算法 K- 均值聚类中的基本准则 K- 均值算法中簇的个数 聚类评价 purity NMI(Normalized Mutual Information,) RI(Rand Index) F measure) 基于模型的聚类 层次聚类简介 层次聚类的簇相似度计算 四种 HAC 算法 : 单连接 全连接 组平均 质心法
12 信息检索与数据挖掘 2015/5/15 12 聚类 (Clustering) 的定义 ( 文档 ) 聚类是将一系列文档按照相似性聚团成子集或者簇 (cluster) 的过程 簇内文档之间应该彼此相似 簇间文档之间相似度不大 聚类是一种最常见的无监督学习 (unsupervised learning) 方法 无监督意味着没有已标注好的数据集
13 信息检索与数据挖掘 2015/5/15 13 一个具有清晰簇结构的数据集 聚类算法的一个关键输入是距离计算方法 图中, 计算距离时采用的是二维平面上的距离计算方法 基于这种距离计算方法在图中得出了三个不同的簇 在文档聚类当中, 距离计算方法往往采用欧氏距离 不同的距离计算方法会导致不同的聚类效果 因此, 距离的计算方法是影响聚类结果的一个重要因素
14 信息检索与数据挖掘 2015/5/15 14 分类 vs. 聚类 分类 : 有监督的学习 聚类 : 无监督的学习 分类 : 类别事先人工定义好, 并且是学习算法的输入的一部分 聚类 : 簇在没有人工输入的情况下从数据中推理而得 但是, 很多因素会影响聚类的输出结果 : 簇的个数 相似度计算方法 文档的表示方式, 等等 乍看起来, 聚类和分类的区别并不大, 两种任务都会将文档分到不同的组中 然而, 这两个问题之间存在着本质的差异 分类是监督学习的一种形式, 其目标是对人类赋予数据的类别差异进行学习或复制 而在以聚类为重要代表的无监督学习当中, 并没有这样的人来对类别的差异进行引导
15 信息检索与数据挖掘 2015/5/15 15 聚类假设 聚类假设 : 在考虑文档和信息需求之间的相关性时, 同一簇中的文档表现互相类似 聚类在 IR 中的所有应用都直接或间接基于上述聚类假设 Van Rijsbergen 的原始定义 : closely associated documents tend to be relevant to the same requests ( 彼此密切关联的文档和同一信息需求相关 ) 聚类假设所表达的是, 如果簇中某篇文档和查询需求相关, 那么同一簇中的其他文档也和查询需求相关 这是因为聚类算法将那些共有很多词项的文档聚在一起 聚类假设实质上就是第 14 章的邻近假设 两种情况下, 我们都认为内容相似的文档在相关性上的表现也相似
16 信息检索与数据挖掘 2015/5/15 16 C. J. van Rijsbergen C. J. "Keith" van Rijsbergen (Cornelis Joost van Rijsbergen) (born 1943) is a professor of computer science and the leader of the Glasgow Information Retrieval Group based at the University of Glasgow. He is one of the founders of modern Information Retrieval and the author of the seminal monograph Information Retrieval and of the textbook The Geometry of Information Retrieval. In 2003 he was inducted as a Fellow of the Association for Computing Machinery. In 2004 he was awarded the Tony Kent Strix award. In 2006, he was awarded the Gerard Salton Award for Quantum haystacks.
17 信息检索与数据挖掘 2015/5/15 17 聚类在 IR 中的应用 应 用 聚类对象优点 搜索结果聚类 分散 集中 界面 文档集聚类 基于语言建模的 IR 文档集 搜索结果文档集和文档子集文档集文档集 提供面向用户的更有效的展示提供了另一种用户界面, 即不需要人工输入关键词的搜索界面提供了一种面向探索式浏览的有效的信息展示方法提高了正确率和 / 或召回率 基于聚类的检索文档集加快了搜索的速度
18 信息检索与数据挖掘 2015/5/15 18 Yahoo! 目录式检索的效果 (30) agriculture biology physics CS space dairy crops botany cell forestry agronomy evolution magnetism relativity AI HCI courses craft missions Hierarchy isn t clustering but is the kind of output you want from clustering
19 信息检索与数据挖掘 2015/5/15 19 百度搜索 jagular 返回的结果 汽车类
20 信息检索与数据挖掘 2015/5/15 20 谷歌搜索 jagular 返回的结果
21 信息检索与数据挖掘 2015/5/15 21 搜索结果的聚类 : 更好地浏览 返回结果中前面的文档并没有覆盖 jaguar 作为动物的那个词义 但是用户很容易通过在 Clustered Results 面板中点击 Cat 簇得到该类结果
22 信息检索与数据挖掘 2015/5/15 22 如果对结果有分类. 朱自清 荷塘月色
23 信息检索与数据挖掘 2015/5/15 23 分散 - 集中 (Scatter-Gather) 一个 New York Times 的新闻报道集聚类 ( 分散 ) 成 8 个簇 ( 顶行 ) 用户手工将其中三个簇 集中 成一个小的文档集 International Stories, 然后再次进行分散操作 重复上述过程直至找到包含相关文档的簇 ( 比如 Trinidad) 为止
24 信息检索与数据挖掘 2015/5/15 24 全局浏览的例子 : 京东
25 信息检索与数据挖掘 2015/5/15 25 全局浏览的例子 : Google News
26 信息检索与数据挖掘 2015/5/15 26 文档聚类用于提高召回率 可以实现将文档集中的文档进行聚类 当文档 d 和查询匹配时, 也返回包含 d 的簇所包含的其它文档 我们希望通过上述做法, 在输入查询 car 时, 也能够返回包含 automobile 的文档 由于聚类算法会把包含 car 的文档和包含 automobile 的文档聚在一起 两种文档都包含诸如 parts dealer mercedes 和 road trip 之类的词语
27 信息检索与数据挖掘 2015/5/15 Sec 聚类要解决的基本问题 Representation for clustering Document representation Vector space? Normalization? Centroids aren t length normalized Need a notion of similarity/distance How many clusters? Fixed a priori? Completely data driven? Avoid trivial clusters - too large or small If a cluster's too large, then for navigation purposes you've wasted an extra user click without whittling down the set of documents much.
28 信息检索与数据挖掘 2015/5/15 28 聚类的形式化描述 硬扁平聚类的目标可以定义如下 : 给定 (i) 一系列文档 D = {d 1,, d N }, (ii) 期望的簇数目 K, (iii) 用于评估聚类质量的目标函数 (objective function), 计算一个分配映射 γ : D {1,, K}, 该分配下的目标函数值极小化或者极大化 大部分情况下, 我们要求 γ 是一个满射, 也就是说,K 个簇中的每一个都不为空 目标函数通常基于文档的相似度或者距离来定义 下面我们将看到,K- 均值算法的目标是最小化文档和其所在簇的质心的平均距离
29 信息检索与数据挖掘 2015/5/15 29 扁平聚类 vs. 层次聚类 扁平算法 通过一开始将全部或部分文档随机划分为不同的组 通过迭代方式不断修正 代表算法 :K- 均值聚类算法 层次算法 构建具有层次结构的簇 自底向上 (Bottom-up) 的算法称为凝聚式 (agglomerative) 算法 自顶向下 (Top-down) 的算法称为分裂式 (divisive) 算法
30 信息检索与数据挖掘 2015/5/15 30 硬聚类 vs. 软聚类 硬聚类 (Hard clustering): 每篇文档仅仅属于一个簇 很普遍并且相对容易实现 软聚类 (Soft clustering): 一篇文档可以属于多个簇 对于诸如浏览目录之类的应用来说很有意义 比如, 将胶底运动鞋 (sneakers) 放到两个簇中 : 体育服装 (sports apparel) 鞋类 (shoes) 只有通过软聚类才能做到这一点
31 信息检索与数据挖掘 2015/5/15 31 扁平算法 扁平算法将 N 篇文档划分成 K 个簇 给定一个文档集合及聚类结果簇的个数 K 寻找一个划分将这个文档集合分成 K 个簇, 该结果满足某个最优划分准则 全局优化 : 穷举所有的划分结果, 从中选择最优的那个划分结果 无法处理 高效的启发式方法 : K- 均值聚类算法
32 信息检索与数据挖掘 2015/5/15 32 小结 : 聚类 ( 文档 ) 聚类是将一系列文档按照相似性聚团成子集或者簇 (cluster) 的过程 是一种最常见的无监督学习 (unsupervised learning) 方法 聚类假设 : 在考虑文档和信息需求之间的相关性时, 同一簇中的文档表现互相类似 聚类要解决的基本问题 Representation for clustering How many clusters? 扁平聚类 vs. 层次聚类 硬聚类 vs. 软聚类
33 信息检索与数据挖掘 2015/5/15 33 本讲内容 : 文本聚类 聚类概述 什么是聚类? 在 IR 中如何用聚类? 聚类的几个术语 K- 均值聚类算法 K- 均值聚类中的基本准则 K- 均值算法中簇的个数 聚类评价 purity NMI(Normalized Mutual Information,) RI(Rand Index) F measure) 基于模型的聚类 层次聚类简介 层次聚类的簇相似度计算 四种 HAC 算法 : 单连接 全连接 组平均 质心法
34 信息检索与数据挖掘 2015/5/15 34 K- 均值聚类算法思想 K- 均值聚类算法中的每个簇都定义为其质心向量 划分准则 : 使得所有文档到其所在簇的质心向量的平方和最小 质心向量的定义 : 其中 ω 代表一个簇 通过下列两步来实现目标优化 : 重分配 (reassignment): 将每篇文档分配给离它最近的簇 重计算 (recomputation): 重新计算每个簇的质心向量 或许是最著名的聚类算法 算法十分简单, 但是在很多情况下效果不错 是文档聚类的默认或基准算法
35 信息检索与数据挖掘 2015/5/15 35 K- 均值聚类中的文档表示 向量空间模型 同基于向量空间的分类一样, 这里我们也采用欧氏距离的方法来计算向量之间的相关性 欧氏距离与余弦相似度差不多等价 ( 如果两个向量都基于长度归一化, 那么欧氏距离和余弦相似度是等价的 ) 然而, 质心向量通常都没有基于长度进行归一化
36 信息检索与数据挖掘 2015/5/15 36 K- 均值聚类中的目标函数 一个衡量质心对簇中文档的代表程度的指标是 RSS (Residual Sum of Squares, 残差平方和 ), 即所有向量到其质心距离的平方和 : RSS 是 K- 均值算法的目标函数, 我们的目的就是要是让这个函数取最小值 由于 N 是固定 的, 最小化 RSS 也就等价于最小化平方距离, 而平方距离度量的正是质心对文档的代表能力
37 信息检索与数据挖掘 2015/5/15 37 K- 均值聚类算法
38 信息检索与数据挖掘 2015/5/15 38 K- 均值算法的 stopping criterion K- 均值算法中可以采用如下终止条件 当迭代一个固定次数 I 后停止 该条件能够限制聚类算法的运行时间, 但是有些情况下, 由于迭代次数不足, 聚类结果的质量并不高 当文档到簇的分配结果 ( 即划分函数 γ) 不再改变后停止 除了某些情况下会使算法陷入局部最优外, 该停止条件通常会产生较好的聚类结果, 但是运行时间不宜太久 当质心向量 μ k 不再改变后停止 这等价于函数 γ 不再改变
39 信息检索与数据挖掘 2015/5/15 39 拟聚类文档随机选择两个种子 (K=2) 分配 ( 第 1 次 ) 分配结果重新计算质心向量再重新分配 ( 第 2 次 ) 分配结果重新计算质心向量再重新分配 ( 第 3 次 )
40 信息检索与数据挖掘 2015/5/15 40 分配结果重新计算质心向量再重新分配 ( 第 4 次 ) 分配结果重新计算质心向量再重新分配 ( 第 5 次 ) 分配结果重新计算质心向量再重新分配 ( 第 6 次 )
41 信息检索与数据挖掘 2015/5/15 41 质心向量和分配结果最终收敛 分配结果重新计算质心向量再重新分配 ( 第 7 次 ) 分配结果 重新计算质心向量 质心向量和分配结果 最终收敛
42 信息检索与数据挖掘 2015/5/15 42 K- 均值聚类算法一定会收敛 : 证明 RSS = 所有簇上的文档向量到 ( 最近的 ) 质心向量的距离平方和的总和 每次重新分配之后 RSS 会下降 这是因为每个向量都被移到离它最近的质心向量所代表的簇中 每次重新计算之后 RSS 也会下降 参见 p250 公式 可能的聚类结果是有穷的 因此 : 一定会收敛到一个固定点 但是不知道达到收敛所需要的时间!
43 信息检索与数据挖掘 2015/5/15 43 K- 均值聚类算法的最优性 K- 均值聚类算法的最优性 收敛并不意味着会达到全局最优的聚类结果! 这是 K- 均值聚类算法的最大缺点之一 如果种子选的不好, 最终的聚类结果可能会非常糟糕 K=2 情况下的最优聚类结果是什么? 对于任意的种子 d i d j, 我们是否都会收敛于该聚类结果? 对于种子 d2 和 d5,k- 均值算法最后收敛为 {{d1, d2, d3}, {d4, d5, d6}} 对种子 d2 和 d3, 收敛结果为 {{d1, d2,d4, d5}, {d3, d6}}, 这是 K=2 时的全局最优值
44 信息检索与数据挖掘 2015/5/15 44 K- 均值聚类算法的性能 K- 均值聚类算法的时间复杂度 计算两个向量的距离的时间复杂度为 O(M) 重分配过程 : O(KNM) ( 需要计算 KN 个文档 - 质心的距离 ) 重计算过程 : O(NM) ( 在计算质心向量时, 需要累加簇内的文档向量 ) 假定迭代次数的上界是 I 整体复杂度 : O(IKNM) 线性 对于某个固定的迭代次数 I,K- 均值算法的时间复杂度与迭代次数 簇的数目 向量的数目及向量的维数之间都是线性关系
45 信息检索与数据挖掘 2015/5/15 45 K- 均值算法中簇的个数 对于大多数扁平聚类算法来说, 簇的个数 K 往往是算法的输入参数 一个很自然的想法显然是选择使目标函数最优的 K 值, 也就是使 RSS 极小化的 K 值 将所有可能输出 K 个聚类结果的 RSS 中的最小值记为 RSS min (K), 则 RSS min (K) 会随着 K 的增大而单调递减, 当 K=N 时, RSS min (K) 会取最小值 0, 其中 N 是所有文档的数目 拐点的结果具有一定的代表性 K- 均值算法中, 估计出的 RSSmin 是簇数目的函数 该聚类中, 总共对 1203 篇 Reuters- RCV1 的文档进行了聚类 RSSmin 曲线分别在簇数目为 4 和 9 的两个拐点处变平坦 聚类中的文档从 China Germany Russia 及 Sports 等 4 个类中选取, 因此,K=4 的聚类结果接近 Reuters-RCV1 中的分类
46 信息检索与数据挖掘 2015/5/15 46 第二种确定簇数目的准则是对每个新簇给予一定的惩罚 基本思路 : 从 1 个簇开始 (K = 1) 不断增加簇 (= 不断增大 K) 对每个新的簇增加一个惩罚项 在惩罚项和 RSS 之间折中, 选择满足最佳折中条件的 K 目标函数 给定聚类结果, 定义文档的代价为其到质心向量的 ( 平方 ) 距离 ( 失真率 ) 定义全部失真率 RSS(K) 为所有文档代价的和 然后 : 对每个簇一个惩罚项 λ 于是, 对于具有 K 个簇的聚类结果, 总的聚类惩罚项为 Kλ 定义聚类结果的所有开销为失真率和总聚类惩罚项的和 : RSS(K) + Kλ 选择使得 (RSS(K) + Kλ) 最小的 K 值 当然, 还要考虑较好的 λ 值...
47 信息检索与数据挖掘 2015/5/15 47 小结 : K- 均值算法 K- 均值聚类中的文档表示 : 向量空间模型 准则 :RSS = 所有簇上的文档向量到 ( 最近的 ) 质心向量的距离平方和的总和最小 收敛 但并不意味着会达到全局最优的聚类结果 ( 受种子影响 ) K- 均值聚类算法的时间复杂度 :O(IKNM) 线性 K- 均值算法中簇的个数 : RSSmin(K) 会随着 K 的增大而单调递减, 但拐点的结果具有一定的代表性 从 1 个簇开始 (K = 1) 不断增加簇 (= 不断增大 K) 对每个新的簇增加一个惩罚项
48 信息检索与数据挖掘 2015/5/15 48 本讲内容 : 文本聚类 聚类概述 什么是聚类? 在 IR 中如何用聚类? 聚类的几个术语 K- 均值聚类算法 K- 均值聚类中的基本准则 K- 均值算法中簇的个数 聚类评价 purity NMI(Normalized Mutual Information,) RI(Rand Index) F measure) 基于模型的聚类 层次聚类简介 层次聚类的簇相似度计算 四种 HAC 算法 : 单连接 全连接 组平均 质心法
49 信息检索与数据挖掘 2015/5/15 49 怎样判断聚类结果的好坏? 内部准则 (Internal criteria) 将簇内高相似度 ( 簇内文档相似 ) 及簇间低相似度 ( 不同簇之间的文档不相似 ) 的目标进行形式化后得到的一个函数 一个内部准则的例子 : K- 均值算法的 RSS 值 但内部准则往往不能评价聚类在应用中的实际效用 替代方法 : 外部准则 (External criteria) 按照用户定义的分类结果来评价, 即对一个分好类的数据集进行聚类, 将聚类结果和事先的类别情况进行比照, 得到最后的评价结果 四种衡量聚类质量的外部准则 : 纯度 (purity) NMI( Normalized Mutual Information, 归一化互信息 ) RI( Rand Index, 兰德指数 ) F 值 (F measure)
50 信息检索与数据挖掘 2015/5/15 50 外部准则 1: 纯度 纯度 Ω= {ω 1, ω 2,..., ω K } 是簇的集合 C = {c 1, c 2,..., c J } 是类别的集合 对每个簇 ω k : 找到一个类别 c j, 该类别包含 ω k 中的元素最多, 为 n kj 个, 也就是说 ω k 的元素最多分布在 c j 中 将所有 n kj 求和, 然后除以所有的文档数目 计算示例 max j ω 1 c j = 5 (class x, cluster 1); max j ω 2 c j (class o, cluster 2); max j ω 3 c j = 3 (class, cluster 3) 纯度为 (1/17) ( ) 0.71
51 信息检索与数据挖掘 2015/5/15 51 外部准则 2: 归一化互信息 其中,P(ω k ) P(c j ) 及 P(ω k c j ) 分别是一篇文档属于 ω k c j 及 ω k c j 的概率
52 信息检索与数据挖掘 2015/5/15 52 外部准则 3: 兰德指数 以将聚类看成是一系列的决策过程, 即对文档集上所有 N(N 1)/2 个文档对进行决策 当且仅当两篇文档相似时, 我们将它们归入同一簇中 TP(True-positive, 真阳性 ) 决策将两篇相似文档归入一个簇, 而 TN(True-negative, 真阴性 ) 决策将两篇不相似的文档归入不同的簇 在此过程中会犯两类错误 : FP 决策会将两篇不相似的文档归入同一簇, 而 FN 决策将两篇相似的文档归入不同簇 RI 计算的是正确决策的比率, 它实际上就是在 8.3 节中提到的精确率 (accuracy):
53 信息检索与数据挖掘 2015/5/15 53 外部准则 4:F 值 可以使用 8.3 节讨论的 F 值来度量聚类结果, 并通过设置 β > 1 以加大对 FN 的惩罚, 此时实际上也相当于赋予召回率更大的权重
54 信息检索与数据挖掘 2015/5/15 54 小结 : 聚类算法的评价 内部准则 : 簇内高相似度及簇间低相似度的函数表达 外部准则 : 将聚类结果和事先的类别情况进行比照, 得到最后的评价结果 所有指标都从 0 ( 非常差的聚类结果 ) 到 1 ( 完美聚类 )
55 信息检索与数据挖掘 2015/5/15 55
56 信息检索与数据挖掘 2015/5/15 56 本讲内容 : 文本聚类 聚类概述 什么是聚类? 在 IR 中如何用聚类? 聚类的几个术语 K- 均值聚类算法 K- 均值聚类中的基本准则 K- 均值算法中簇的个数 聚类评价 purity NMI(Normalized Mutual Information,) RI(Rand Index) F measure) 基于模型的聚类 层次聚类简介 层次聚类的簇相似度计算 四种 HAC 算法 : 单连接 全连接 组平均 质心法
57 信息检索与数据挖掘 2015/5/15 57 从向量空间 基于模型 聚类要解决的基本问题 Representation for clustering Document representation Need a notion of similarity/distance How many clusters? K- 均值聚类 文档表示为向量 几何距离 基于模型的聚类 文档由模型生成
58 信息检索与数据挖掘 2015/5/15 58 回顾 : 语言模型 怎样由文档生成语言模型? 一元语言模型 (unigram language model): P uni (t 1 t 2 t 3 t 4 ) = P(t 1 )P(t 2 )P(t 3 )P(t 4 ) 第 9 章基于语言建模的检索模型 问题 : 已知样本 D, 求其模型 M D 的参数 P(w M D ) M D 的参数求解 (,,..., ) D 1 2 L ( P( w M ), P( w M ),..., P( w M )) 1 D 2 D L D * D arg max PD ( ) D D
59 信息检索与数据挖掘 2015/5/15 59 回顾 :LM 中相关性的表示 文档和查询表示决定了相关性的表示 表示为词项的集合 相关度为布尔运算结果 表示为向量 相关度为向量的余弦相似度 表示为随机变量 相关度为随机变量 ( 二值或非二值 ) 灵活多样的概率表示 第 9 章基于语言建模的检索模型 O(R Q=q,D=d) 相关的概率 :P(R=1 Q=q,D=d) P(D=d R=1,Q=q) 查询生成的概率 :P(Q=q D=d) P(Q=q M=M d ) 文档生成的概率 :P(D=d Q=q) P(D=d M=M q )
60 信息检索与数据挖掘 2015/5/15 60 回顾 :NB 分类器 LM NB 分类器 NB 的 c map MLE 估计
61 信息检索与数据挖掘 2015/5/15 61 基于模型的聚类 K 个类别对应 Θ = {Θ1,, ΘK}, 而 ΘK 对应一个类别的一组参数 其中,L(D Θ) 是度量聚类结果质量好坏的目标函数 给定具有同样簇数目的两个聚类结果, 选择具有更大 L(D Θ) 值的结果 在文本分类中, 选择某篇具体文档的生成似然最大的那个类 在这里, 选择生成给定文档集的似然最大的聚类方法 Θ
62 信息检索与数据挖掘 2015/5/15 62 模型示例 :GMM, Gaussian mixture models 基于模型的聚类 (Model-based clustering) 方法假定数据产生自某个模型并试图从数据中恢复出该模型, 这个恢复出的模型即定义了簇及文档到簇的归属
63 信息检索与数据挖掘 2015/5/15 63 多元贝努利混合分布 EM 是一个最大化 L(D Θ) 的迭代算法, 可应用于不同类型的概率建模中 这里使用的概率分布模型是多元贝努利混合分布 其中,Θ = {Θ1,, ΘK},Θk = (αk, q1k,, qmk),qmk = P(Um=1 ωk) 是模型的参数 P(Um=1 ωk) 是簇 k 中的文档包含词项 tm 的概率 αk 是簇 ωk 的先验概率, 即在对 d 没有任何先验知识的情况下 d 属于 ωk 的概率 于是, 混合模型如下 : 该模型中, 生成一篇文档的过程如下 : 首先以概率 αk 选择一个簇 ωk, 然后按照参数 qmk 生成文档的词项
64 信息检索与数据挖掘 2015/5/15 64 Expectation Maximization (EM) 算法用 EM 算法迭代求解模型参数 EM 在步骤上和 K- 均值算法类似, 它在 E 步 (Expectation Step, 期望 ) 和从步 (Maximization Step, 最大化 ) 这两步之间交替迭代, 计算的参数是 αk 和 qmk 在 M 步中, 可以按照如下方式对参数 qmk 和 αk 进行计算 其中, 如果 tm dn, 那么 I(tm dn) = 1, 否则为 0 rnk 表示 dn 到簇 k 的软分配概率
65 信息检索与数据挖掘 2015/5/15 65 小结 : 基于模型的聚类 NB 分类器 基于模型的聚类 Expectation Maximization (EM) 算法迭代求解模型参数
66 信息检索与数据挖掘 2015/5/15 66 本讲内容 : 文本聚类 聚类概述 什么是聚类? 在 IR 中如何用聚类? 聚类的几个术语 K- 均值聚类算法 K- 均值聚类中的基本准则 K- 均值算法中簇的个数 聚类评价 purity NMI(Normalized Mutual Information,) RI(Rand Index) F measure) 基于模型的聚类 层次聚类简介 层次聚类的簇相似度计算 四种 HAC 算法 : 单连接 全连接 组平均 质心法
67 信息检索与数据挖掘 2015/5/15 67 层次聚类 扁平聚类 优点 : 概念简单 速度快 当效率因素非常重要时, 我们选择扁平聚类算法 而当扁平算法的问题 ( 如结构信息不足 簇数目需要预先定义 聚类结果非确定性 ) 需要加以考虑时, 我们则采用层次算法 缺点 : 算法返回的是一个无结构的扁平簇集合, 它们需要预先定义簇的数目, 并且聚类结果具有不确定性 层次聚类 (hierarchical clustering) 输出一个具有层次结构的簇集合, 因此能够比扁平聚类输出的无结构簇集合提供更丰富的信息 层次聚类不需要事先指定簇的数目, 并且大部分用于 IR 中的层次聚类算法都是确定性算法 当然, 层次聚类在获得这些好处的同时, 其代价是效率降低 最普遍的层次聚类算法的时间复杂度至少是文档数目的平方级, 而 K- 均值算法的时间复杂度是线性的
68 信息检索与数据挖掘 2015/5/15 68 层次聚类的目标 层次聚类的目标是生成类似于前面提到的 Reuters 目录的一个层次结构 这个层次结构是自动创建的, 可以通过自顶向下 ( 分裂式 divisive) 或自底向上 ( 凝聚 agglomerate) 的方法实现 自底向上的算法一开始将每篇文档都看成是一个簇, 然后不断地对簇进行两两合并, 直到所有文档都聚成一类为止 而自顶向下的方法则首先将所有文档看成一个簇, 然后不断利用某种方法对簇进行分裂直到每篇文档都成为一个簇为止
69 信息检索与数据挖掘 2015/5/15 69 层次凝聚式聚类 (HAC) 在 IR 领域,HAC 方法的使用比自顶向下方法更普遍 最著名的自底向上的方法是层次凝聚式聚类 (hierarchical agglomerative clustering,hac) 一开始每篇文档作为一个独立的簇 然后, 将其中最相似的两个簇进行合并 重复上一步直至仅剩一个簇 整个合并的历史构成一个二叉树 一个标准的描述层次聚类合并历史的方法是采用树状图 (dendrogram)
70 信息检索与数据挖掘 2015/5/15 70 最后一次合并 第一次合并 合并的历史可以从底往上生成 水平线上给出的是每次合并的相似度 我们可以在特定点截断 ( 比如 0.1 或 0.4) 来获得一个扁平的聚类结果 相似度 : 此前相似度都定义在文档之间, 现在我们假设相似度定义在两个簇之间
71 信息检索与数据挖掘 2015/5/15 73 关键问题 : 如何定义簇相似度 单连接 (Single-link): 最大相似度 计算任意两篇文档之间的相似度, 取其中的最大值 全连接 (Complete-link): 最小相似度 计算任意两篇文档之间的相似度, 取其中的最小值 质心法 : 平均的类间相似度 所有的簇间文档对之间相似度的平均值 ( 不包括同一个簇内的文档之间的相似度 ) 这等价于两个簇质心之间的相似度 组平均 (Group-average): 平均的类内和类间相似度 所有的簇间文档对之间相似度的平均值 ( 包括同一个簇内的文档之间的相似度 )
72 信息检索与数据挖掘 2015/5/15 74 四种簇相似度示例 1 单连接 : 最大相似度 全连接 : 最小相似度 质心 : 平均类间相似度 组平均 : 所有相似度平均
73 信息检索与数据挖掘 2015/5/15 75 四种簇相似度示例 2 单连接 : 最大相似度 全连接 : 最小相似度 质心 : 平均类间相似度 组平均 : 所有相似度平均
74 信息检索与数据挖掘 2015/5/15 76 单连接 / 全连接算法 在单连接聚类 (single-link clustering 或 single-linkage clustering) 中, 两个簇之间的相似度定义为两个最相似的成员之间的相似度 这种单连接的合并准则是局部的, 即它仅仅关注两个簇互相邻近的区域, 而不考虑簇中更远的区域和簇的总体结构 在全连接聚类 (complete-link clustering 或 completelinkage clustering) 中, 两个簇之间的相似度定义为两个最不相似的成员之间的相似度, 这也相当于选择两个簇进行聚类, 使得合并结果具有最短直径 全连接聚类准则是非局部的, 聚类结果中的整体结构信息会影响合并的结果 这种聚类实际上相当于优先考虑具有较短直径的紧凑簇, 而不是具有长直径的松散簇, 当然这种做法可能会对离群点较为敏感, 比如某个远离中心的文档会显著增加候选簇的直径从而完全改变最后的聚类结果
75 信息检索与数据挖掘 2015/5/15 77 单连接算法产生的树状图 局部结构 注意 : 很多很小的簇 (1 或 2 个成员 ) 加入到一个大的主簇上面去 不存在 2 个簇或者 3 个簇的非常均衡的结果
76 信息检索与数据挖掘 2015/5/15 78 全连接算法产生的树状图 整体结构 比单连接算法产生的树状图均衡得多 我们可以生成一个 2 个簇的结果, 每个簇大小基本相当
77 信息检索与数据挖掘 2015/5/15 79 采用单连接和全连接方法进行聚类示例 左图 : 在单连接聚类中, 上面两个簇的相似度为 d2 和 d3 的相似度 ( 用实线表示 ), 左边两个簇的相似度为 d2 和 d6 的相似度 ( 用虚线表示 ), 前者显然大于后者 ; 右图 : 在全连接聚类中, 上面两个簇的相似度为 d1 和 d4 的相似度 ( 用虚线表示 ), 左边两个簇的相似度为 d1 和 d6 的相似度 ( 用实线表示 ), 前者显然小于后者
78 信息检索与数据挖掘 2015/5/15 80 单连接和全连接聚类方法的缺点 单连接和全连接聚类方法将簇质量的计算过程简化成两个文档的单一相似度计算, 其中在单连接方法中计算的是两篇最相似的文档之间的相似度, 而在全连接方法中计算的是两篇最不相似的文档之间的相似度 仅仅根据两篇文档来计算显然不能完全反映出簇中的文档分布情况, 因此, 这两种聚类方法产生的结果簇往往不是非常理想
79 信息检索与数据挖掘 2015/5/15 81 单连接和全连接聚类方法缺点示例 单连接方法的链化 (Chaining) 现象 单连接聚类算法往往产生长的 凌乱的簇结构 对大部分应用来说, 这些簇结构并不是所期望的 全连接法 : 对离群点非常敏感 全连接聚类将 d2 和它的正确邻居分开 ---- 这显然不是我们所需要的 出现上述结果的最主要原因是存在离群点 d1 这也表明单个离群点的存在会对全连接聚类的结果起负面影响 单连接聚类能够较好地处理这种情况
80 信息检索与数据挖掘 2015/5/15 82 组平均凝聚式算法 (GAAC) GAAC(Group-average Agglomerative Clustering, 组平均凝式聚类 ) 通过计算所有文档之间的相似度来对簇的质量进行计算, 因此可以避免在单连接和全连接准则中只计算一对文档相似度的缺陷 GAAC 也被称为组平均聚类 ( group-average clustering) 或平均连接聚类 (average-link clustering) GAAC 可以计算所有文档之间相似度的平均值 SIM-GA, 其中也包括来自同一簇的文档 当然, 这种自相似度在这里并没有使用 计算公式如下 : 其中, d 是文档 d 的长度归一化向量, 是内积运算符, N i 和 N j 分别是 ω i 和 ω j 中的文档数目
81 信息检索与数据挖掘 2015/5/15 83 质心法 HAC 簇相似度为所有簇间文档对之间相似度的平均值 一个原始的粗糙实现方法效率不高 (O(N 2 )), 但是上述定义相当于计算两个簇质心之间的相似度 : 这也是质心 HAC 名称的由来 注意 : 这里是内积计算, 而非余弦相似度
82 信息检索与数据挖掘 2015/5/15 84 采用质心法进行聚类 质心聚类中的三次迭代过程 每次迭代合并质心距离最近的两个簇 前两次迭代中, 由于 <d5,d6> 和 <d1,d2> 具有最高的质心相似度, 所以迭代后形成质心为 μ1 的簇 {d5,d6} 及质心为 μ2 的簇 {d1,d2} 在第三次迭代中, 最高的质心相似度在 μ1 和 d4 之间, 因此产生以 μ3 为质心的簇 {d4,d5,d6}
83 信息检索与数据挖掘 2015/5/15 85 相似度颠倒现象 与其他三种 HAC 算法相比, 质心聚类方法不是单调的, 可能会发生相似度的颠倒现象 也就是说聚类过程中相似度值有可能会下降 在相似度颠倒过程中, 合并过程中相似度会增加, 导致 颠倒 的树状图 图中, 第一次合并 (d 1 d 2 ) 的相似度是 -4.0, 第二次合并的相似度 ((d 1 d 2 ) d 3 ) 3.5.
84 信息检索与数据挖掘 2015/5/15 86 到底使用哪一个 HAC 聚类算法? 由于存在相似度颠倒, 不使用质心法 由于 GAAC 不会受限于链化, 并且对离群点不敏感, 所以大部分情况下,GAAC 都是最佳选择 然而,GAAC 只能基于向量表示来计算 对于其他文档表示方法 ( 或者如果仅仅提供了文档对之间的相似度 ) 时, 使用全连接方法 有些应用中适合用单链算法 ( 比如,Web 搜索中的重复性检测, 判断一组文档重复并不受那些离它们较远的文档所影响 )
85 信息检索与数据挖掘 2015/5/15 87 四种 HAC 算法的比较 方法 结合相似度 时间复杂度 是否最 优? 单连接 全连接 组平均 质心法 簇间文档的最大相似度 簇间文档的最小相似度 所有文档相似度的平均值 所有簇间相似度的平均值 备注 Ɵ(N 2 ) yes 链化效应 Ɵ(N 2 log N) no 对离群点敏 感 Ɵ(N 2 log N) no 大部分应用 中的最佳选 择 Ɵ(N 2 log N) no 相似度颠倒
86 信息检索与数据挖掘 2015/5/15 88 谢谢大家!
K-means
zwp@ustc.edu.cn Office: 1006 Phone: 63600565 http://staff.ustc.edu.cn/~zwp/ http://fisher.stat.ustc.edu.cn 1.1....................... 1 1.2............... 6 1.3.................... 11 1.3.1...............
信息检索与数据挖掘
第 10 章文本分类 part1: 文本分类及朴素贝叶斯方法 part2: 基于向量空间的文本分类 part3: 支持向量机及机器学习方法 回顾 : 基于向量空间模型的文本分类的思路 向量空间模型 词项 - 文档矩阵 : 二值 计数 权重矩阵 ( tf-idf 值 ) 相关性 = 向量距离 : 欧氏距离 夹角 余弦相似度 利用向量空间模型进行文本分类的思路主要基于邻近假设 (contiguity hypothesis):
COCO18-DensePose-BUPT-PRIV
* Beijing University of Posts and Telecommunications (BUPT) COCO 2018 DensePose Test AP AP50 AP75 APm APl BUPT-PRIV (Ours) 64 92 75 57 67 PlumSix 58 89 66 50 61 ML_Lab 57 89 64 51 59 Sound of silent 57
Natural Neural Networks
深度学习讨论班 黄雷 2016-11-29 内容大纲 1. 深度学习介绍 神经网络的历史 深度学习的应用 2. 多层感知机 (multi-layer perceptron machine) 前向神经网络 (feedforward neural network) 3. 卷积神经网络 (Convolution neural networks) 4. 递归神经网络 (Recursive neural networks)
报 告 1: 郑 斌 教 授, 美 国 俄 克 拉 荷 马 大 学 医 学 图 像 特 征 分 析 与 癌 症 风 险 评 估 方 法 摘 要 : 准 确 的 评 估 癌 症 近 期 发 病 风 险 和 预 后 或 者 治 疗 效 果 是 发 展 和 建 立 精 准 医 学 的 一 个 重 要 前
东 北 大 学 中 荷 生 物 医 学 与 信 息 工 程 学 院 2016 年 度 生 物 医 学 与 信 息 工 程 论 坛 会 议 时 间 2016 年 6 月 8 日, 星 期 三,9:30 至 16:00 会 议 地 址 会 议 网 址 主 办 单 位 东 北 大 学 浑 南 校 区 沈 阳 市 浑 南 区 创 新 路 195 号 生 命 科 学 大 楼 B 座 619 报 告 厅 http://www.bmie.neu.edu.cn
國立中山大學學位論文典藏.PDF
Air Visibility Forecasting via Artificial Neural Networks and Feature Selection Techniques 2003 7 Air Visibility Forecasting via Artificial Neural Networks and Feature Selection Techniques Sequential Floating
第四章 １０２ 图 ４唱１６ 基于图像渲染的理论基础 三张拍摄图像以及它们投影到球面上生成的球面图像 拼图的圆心是相同的 而拼图是由球面图像上的弧线图像组成的 因此我 们称之为同心球拼图 如图 ４唱１８ 所示 这些拼图中半径最大的是圆 Ｃｋ 最小的是圆 Ｃ０ 设圆 Ｃｋ 的半径为 ｒ 虚拟相机水平视域为 θ 有 ｒ Ｒ ｓｉｎ θ ２ ４畅１１ 由此可见 构造同心球拼图的过程实际上就是对投影图像中的弧线图像
Fig1 Theforceappliedtothetrainwhenrunning :w = w j +w q (3) :w = w = w 0 +w j (4) w i 121 基本阻力 w r = 600 R ( N/kN) (8) :R : [2] w s [3] w s =0
![Fig1 Theforceappliedtothetrainwhenrunning :w = w j +w q (3) :w = w = w 0 +w j (4) w i 121 基本阻力 w r = 600 R ( N/kN) (8) :R : [2] w s [3] w s =0](/thumbs/88/114838964.jpg "Fig1 Theforceappliedtothetrainwhenrunning :w = w j +w q (3) :w = w = w 0 +w j (4) w i 121 基本阻力 w r = 600 R ( N/kN) (8) :R : [2] w s [3] w s =0")
31 4 2012 8 JournalofLanzhouJiaotongUniversity Vol31No4 Aug2012 :1001-4373(2012)04-0097-07 * 张友兵 张 波 ( 100073) : 分析了列车运行过程中的受力情况 给出了制动过程中减速度的计算方法 并采用正向 反向两种迭代方式计算列车制动曲线 两种方式计算出的制动曲线一致 证明了计算制动曲线的方法是正确的
现代天文学7.ppt
1983 1983 1 H 1 He 4 C 12 O 16 1 2 6 8 X A Z 2 19 α β γ F ( g) = Gmm' / d 2 F ( e) = qq' / d 2 F( e) / F( g) = 2.3 10 39 1919 α, 1930 α Be 3 4 6 6 4 4.0291 4.0015 0.0276 E=mc 2 4.12 10
Microsoft PowerPoint - 概率统计Ch02.ppt [Compatibility Mode]
![Microsoft PowerPoint - 概率统计Ch02.ppt [Compatibility Mode]](/thumbs/104/161694025.jpg "Microsoft PowerPoint - 概率统计Ch02.ppt [Compatibility Mode]")
66 随机变量的函数.5 随机变量的函数的分布 设 是一随机变量, 是 的函数, g(, 则 也是一个随机变量. 本节的任务 : 当 取值 x 时, 取值 y g 67 ( 一 离散型随机变量的函数 设 是离散型随机变量, 其分布律为 或 P { x } p (,, x x, P p p, x p 已知随机变量 的分布, 并且已知 g 要求随机变量 的分布. (, 是 的函数 : g(, 则 也是离散型随机变
Ζ # % & ( ) % + & ) / 0 0 1 0 2 3 ( ( # 4 & 5 & 4 2 2 ( 1 ) ). / 6 # ( 2 78 9 % + : ; ( ; < = % > ) / 4 % 1 & % 1 ) 8 (? Α >? Β? Χ Β Δ Ε ;> Φ Β >? = Β Χ? Α Γ Η 0 Γ > 0 0 Γ 0 Β Β Χ 5 Ι ϑ 0 Γ 1 ) & Ε 0 Α
<4D6963726F736F667420576F7264202D20A8CFA952A6A12DAED1ADB1B8EAAEC62E646F63>
102 學年度花蓮縣吉安鄉宜昌國民小學本土教育使命式 成果報告 專題研究主題 吉安三寶之芋見新幸福 隊名 宜昌好鼻師 使命行動家 指導教師 王室媛老師 林軒如老師 蘇倖儀老師 壹 主 要 目 標 一 研 究 動 機 : 宜 昌 國 小 位 於 花 蓮 縣 吉 安 鄉, 離 花 蓮 市 很 近, 卻 是 個 農 業 鄉 鎮, 整 個 吉 安 鄉 的 範 圍 相 當 廣, 一 開 始 大 家 在 思 考
19 0 1 2 3 4 5 6 7 28 29 0 1 2 3 4
19 0 1 2 3 4 5 6 7 28 29 0 1 2 3 4 5 6 7 38 ( ) VS 3 100 ( ) MM MM ! 1 2003 VS . MM MM MM MM MM MM MM CS MM CS MM MM ! ? % Y O [ ] Y O [ ] [ ] [ ] MM MM
08-01.indd
1 02 04 08 14 20 27 31 35 40 43 51 57 60 07 26 30 39 50 56 65 65 67 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 ω ρ ε 23 λ ω < 1 ω < 1 ω > 0 24 25 26 27 28 29 30 31 ρ 1 ρ σ b a x x i +3 x i
! # % & ( & # ) +& & # ). / 0 ) + 1 0 2 & 4 56 7 8 5 0 9 7 # & : 6/ # ; 4 6 # # ; < 8 / # 7 & & = # < > 6 +? # Α # + + Β # Χ Χ Χ > Δ / < Ε + & 6 ; > > 6 & > < > # < & 6 & + : & = & < > 6+?. = & & ) & >&
泰迪杯全国数据挖掘挑战赛 OCR (CNN) OCR() CNN % 92.1% 15% 90%. Viterbi. OCR..,,,,,
泰迪杯全国数据挖掘挑战赛 www.tipdm.org 第四届 泰迪杯 全国数据挖掘挑战赛 优 秀 作 品 作品名称 : 基于深度学习和语言模型的印刷文字 OCR 系统 荣获奖项 : 特等并获企业冠名奖 作品单位 : 华南师范大学 作品成员 : 苏剑林曾玉婷 泰迪杯全国数据挖掘挑战赛 www.tipdm.org OCR 2016 5 15 (CNN) OCR(). +.... CNN 140 99.7%
上海市本科教学质量年度报告
上 海 市 本 科 教 学 质 量 年 度 报 告 数 据 内 涵 说 明 V2.0 版 上 海 市 教 委 高 教 处 上 海 喆 思 (2015.07.02) 目 录 一 基 本 统 计 挃 标 说 明... 4 二 挃 标 解 释... 4 1. 全 日 制 在 校 本 科 生 数 及 占 在 校 生 总 数 的 比 例 ( 学 年 )... 4 2. 当 年 本 科 招 生 与 业 总 数
标题
第 19 卷 摇 第 4 期 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 模 式 识 别 与 人 工 智 能 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 Vol. 19 摇 No. 4 摇 006 年 8 月 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 PR & AI 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 Aug 摇 摇
エスポラージュ株式会社 住所 : 東京都江東区大島 東急ドエルアルス大島 HP: ******************* * 关于 Java 测试试题 ******
******************* * 关于 Java 测试试题 ******************* 問 1 运行下面的程序, 选出一个正确的运行结果 public class Sample { public static void main(string[] args) { int[] test = { 1, 2, 3, 4, 5 ; for(int i = 1 ; i System.out.print(test[i]);
Lecture5-Classification.pptx
内容回顾 试解释基于用户反馈的查询扩展 试解释自动查询扩展的工作原理 试计算 acb 和 abd 的编辑距离 (Edit distance) 1 信息检索原理 课程 第五讲文本分类与聚类技术 授课人 : 孙海龙 2016.10.21 1 提纲 文本分类概述 无监督的机器学习算法 有监督的机器学习算法 3 概述 物以类聚 : 对于大量的文档, 如何能够按照某个主题进行搜索 按照共同的主题对文档进行分组
高等数学A
高等数学 A March 3, 2019 () 高等数学 A March 3, 2019 1 / 55 目录 1 函数 三要素 图像 2 导数 导数的定义 基本导数表 求导公式 Taylor 展开 3 积分 Newton-Leibniz 公式 () 高等数学 A March 3, 2019 2 / 55 函数 y = f(x) 函数三要素 1 定义域 2 值域 3 对应关系 () 高等数学 A March
! Ν! Ν Ν & ] # Α. 7 Α ) Σ ),, Σ 87 ) Ψ ) +Ε 1)Ε Τ 7 4, <) < Ε : ), > 8 7
![! Ν! Ν Ν & ] # Α. 7 Α ) Σ ),, Σ 87 ) Ψ ) +Ε 1)Ε Τ 7 4, <) < Ε : ), > 8 7](/thumbs/48/24501715.jpg "! Ν! Ν Ν & ] # Α. 7 Α ) Σ ),, Σ 87 ) Ψ ) +Ε 1)Ε Τ 7 4, <) < Ε : ), > 8 7")
!! # & ( ) +,. )/ 0 1, 2 ) 3, 4 5. 6 7 87 + 5 1!! # : ;< = > < < ;?? Α Β Χ Β ;< Α? 6 Δ : Ε6 Χ < Χ Α < Α Α Χ? Φ > Α ;Γ ;Η Α ;?? Φ Ι 6 Ε Β ΕΒ Γ Γ > < ϑ ( = : ;Α < : Χ Κ Χ Γ? Ε Ι Χ Α Ε? Α Χ Α ; Γ ;
UDC The Design and Implementation of a Specialized Search Engine Based on Robot Technology 厦门大学博硕士论文摘要库
10384 200128011 UDC The Design and Implementation of a Specialized Search Engine Based on Robot Technology 2004 5 2004 2004 2004 5 World Wide Web Robot Web / (Focused Crawling) Web Meta data Web Web I
SVM OA 1 SVM MLP Tab 1 1 Drug feature data quantization table
38 2 2010 4 Journal of Fuzhou University Natural Science Vol 38 No 2 Apr 2010 1000-2243 2010 02-0213 - 06 MLP SVM 1 1 2 1 350108 2 350108 MIP SVM OA MLP - SVM TP391 72 A Research of dialectical classification
07-3.indd
1 2 3 4 5 6 7 08 11 19 26 31 35 38 47 52 59 64 67 73 10 18 29 76 77 78 79 81 84 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48
Ρ Τ Π Υ 8 ). /0+ 1, 234) ς Ω! Ω! # Ω Ξ %& Π 8 Δ, + 8 ),. Ψ4) (. / 0+ 1, > + 1, / : ( 2 : / < Α : / %& %& Ζ Θ Π Π 4 Π Τ > [ [ Ζ ] ] %& Τ Τ Ζ Ζ Π
![Ρ Τ Π Υ 8 ). /0+ 1, 234) ς Ω! Ω! # Ω Ξ %& Π 8 Δ, + 8 ),. Ψ4) (. / 0+ 1, > + 1, / : ( 2 : / < Α : / %& %& Ζ Θ Π Π 4 Π Τ > [ [ Ζ ] ] %& Τ Τ Ζ Ζ Π](/thumbs/52/29426146.jpg "Ρ Τ Π Υ 8 ). /0+ 1, 234) ς Ω! Ω! # Ω Ξ %& Π 8 Δ, + 8 ),. Ψ4) (. / 0+ 1, > + 1, / : ( 2 : / < Α : / %& %& Ζ Θ Π Π 4 Π Τ > [ [ Ζ ] ] %& Τ Τ Ζ Ζ Π")
! # % & ( ) + (,. /0 +1, 234) % 5 / 0 6/ 7 7 & % 8 9 : / ; 34 : + 3. & < / = : / 0 5 /: = + % >+ ( 4 : 0, 7 : 0,? & % 5. / 0:? : / : 43 : 2 : Α : / 6 3 : ; Β?? : Α 0+ 1,4. Α? + & % ; 4 ( :. Α 6 4 : & %
北京中创幻想科技有限公司
教育部 -IBM 产学合作专业综合改革项目精品课程 数据挖掘原理及实践 主讲教师 : 吴云峰, 吴梅红, 刘恺之助教 : 罗鑫厦门大学信息科学与技术学院 Email: cloudswu@gmail.com http://mirel.xmu.edu.cn/course/dm 第 9 章聚类分析 1 聚类分析的基本概念 2 划分方法 3 层次方法 4 基于密度的方法 5 基于网格的方法 6 聚类评估方法
&! +! # ## % & #( ) % % % () ) ( %
&! +! # ## % & #( ) % % % () ) ( % &! +! # ## % & #( ) % % % () ) ( % ,. /, / 0 0 1,! # % & ( ) + /, 2 3 4 5 6 7 8 6 6 9 : / ;. ; % % % % %. ) >? > /,,
(08) (08)
100 3 7 () 1000503791 100 100 3 8 (08) 7792045 (08) 7781824 Http://www.mhsh.ptc.edu.tw ... 1... 2...... 5... 5... 6... 7... 7... 8... 12... 13... 13... 14... 16... 18... 24... 28... 35... 35... 36... 37...
EM算法及其应用
EM 算法原理及其应用 罗维 大纲 基础知识 EM 算法应用举例 EM 算法及其证明 EM 算法的变种 2 EM 算法的名字由来 E 步 M 步 Expectation 期望 Maximization 最大化 EM(Expectation Maximization, 期望最大化 ) 算法 3 笼统的 EM 算法描述 Loop { E 步 : 求期望 (expectation) } M 步 : 求极大
信息检索与数据挖掘
信息检索与数据挖掘 2018/4/2 1 信息检索与数据挖掘 第 8 章概率模型 信息检索与数据挖掘 2018/4/2 2 http://www.ibm.com/developerworks/cn/bigdata/ebook/ 书上第 10 章 XML 检索 [ 自学 ] 上世纪 90 年代末, 使用不同的数据管理系统来存储和搜索他们的关键数据 2001 年进入了 XML 时代 分析企业中的非结构化和半结构化数据的时代诞生
信息检索与数据挖掘
1 信息检索与数据挖掘 习题讨论 2 第 2 章布尔检索和倒排索引 习题 1-5: 将倒排记录表合并算法推广到任意布尔查询表达式, 考虑其时间复杂度? 对下面的查询 (Brutus OR Caesar) AND NOT (Antony OR Cleopatra), 我们能保证在线性时间内完成合并吗? 线性是针对什么来说的? 能否对此加以改进? 知识点 : 倒排记录表的合并算法及其复杂度 3 第 2
數據分析 Big Data Analytics) ( 資科系 / 融系學碩班 ) 上課 綱 2019 年秋季班 上課期間 :2019/09/ /01/09 學資 科學系 jong at g.nccu.edu.tw 2019 年 數據分析 (Big Data Analytics
數據分析 Big Data Analytics) ( 資科系 / 融系學碩班 ) 上課 綱 2019 年秋季班 上課期間 :2019/09/12-2020/01/09 學資 科學系 jong at g.nccu.edu.tw 2019 年 09 12 數據分析 (Big Data Analytics) 課 系 4 課 系 課 : 資 科學 數據分析 數據分析 融科 數據分析 課 學 上 課 數據分析
穨怎樣用電腦打出一分物理試題.PDF
1 Microsoft Word 1. 2. 3. 88 g = 9.8 / 2 ( ) 1 5 4 20 4 1 ( ) 2 1. ( ) A B C D E (A) A (B) B (C) C (D) D (E) E 2. W N F N N F W (A) W (D) F N N F W (B) F W (E) N W (C) F 3. (1) ( ) (A) (B) (C) (D) (E)
!! )!!! +,./ 0 1 +, 2 3 4, # 8,2 6, 2 6,,2 6, 2 6 3,2 6 5, 2 6 3, 2 6 9!, , 2 6 9, 2 3 9, 2 6 9,
! # !! )!!! +,./ 0 1 +, 2 3 4, 23 3 5 67 # 8,2 6, 2 6,,2 6, 2 6 3,2 6 5, 2 6 3, 2 6 9!, 2 6 65, 2 6 9, 2 3 9, 2 6 9, 2 6 3 5 , 2 6 2, 2 6, 2 6 2, 2 6!!!, 2, 4 # : :, 2 6.! # ; /< = > /?, 2 3! 9 ! #!,!!#.,
投影片 1
Coherence ( ) Temporal Coherence Michelson Interferometer Spatial Coherence Young s Interference Spatiotemporal Coherence 參 料 [1] Eugene Hecht, Optics, Addison Wesley Co., New York 2001 [2] W. Lauterborn,
<4D6963726F736F667420576F7264202D20C9CFBAA3BFC6BCBCB4F3D1A7D0C5CFA2D1A7D4BA32303136C4EAC7EFBCBEC8EBD1A7B2A9CABFD7CAB8F1BFBCCAD4CAB5CAA9CFB8D4F22D30343036C8B7B6A8B8E5>
上 海 科 技 大 学 信 息 科 学 与 技 术 学 院 年 度 博 士 资 格 考 试 实 施 细 则 一 总 则 本 细 则 由 上 海 科 技 大 学 信 息 科 学 与 技 术 学 院 ( 以 下 简 称 信 息 学 院 ) 教 学 指 导 委 员 会 讨 论 制 定, 适 用 于 信 息 学 院 2014 级 硕 士 研 究 生 的 年 度 博 士 资 格 考 试 信 息 学 院 2014
Vol. 15 No. 1 JOURNAL OF HARBIN UNIVERSITY OF SCIENCE AND TECHNOLOGY Feb O21 A
5 200 2 Vol 5 No JOURNAL OF HARBIN UNIVERSITY OF SCIENCE AND TECHNOLOGY Feb 200 2 2 50080 2 30024 O2 A 007-2683 200 0-0087- 05 A Goodness-of-fit Test Based on Empirical Likelihood and Application ZHOU
Vol. 36 ( 2016 ) No. 6 J. of Math. (PRC) HS, (, ) :. HS,. HS. : ; HS ; ; Nesterov MR(2010) : 90C05; 65K05 : O221.1 : A : (2016)
Vol. 36 ( 6 ) No. 6 J. of Math. (PRC) HS, (, 454) :. HS,. HS. : ; HS ; ; Nesterov MR() : 9C5; 65K5 : O. : A : 55-7797(6)6-9-8 ū R n, A R m n (m n), b R m, b = Aū. ū,,., ( ), l ū min u s.t. Au = b, (.)
4= 8 4 < 4 ϑ = 4 ϑ ; 4 4= = 8 : 4 < : 4 < Κ : 4 ϑ ; : = 4 4 : ;
! #! % & ( ) +!, + +!. / 0 /, 2 ) 3 4 5 6 7 8 8 8 9 : 9 ;< 9 = = = 4 ) > (/?08 4 ; ; 8 Β Χ 2 ΔΔ2 4 4 8 4 8 4 8 Ε Φ Α, 3Γ Η Ι 4 ϑ 8 4 ϑ 8 4 8 4 < 8 4 5 8 4 4
从零构建支持向量机(SVM)
(SVM) zhangh04@gail.co (SVM),,,,,,,,,,,,,,,,,,,,.,, {(x, y ), (x, y ),..., (x, y )}, x i R d, y {, }, h: R {, }, h(x i ) = y i, y i = ; h(x i ) = () y i =. i. y i h(x i ) =. (), x i, h(x i ) := sign(w
., /,, 0!, + & )!. + + (, &, & 1 & ) ) 2 2 ) 1! 2 2
! # &!! ) ( +, ., /,, 0!, + & )!. + + (, &, & 1 & ) ) 2 2 ) 1! 2 2 ! 2 2 & & 1 3! 3, 4 45!, 2! # 1 # ( &, 2 &, # 7 + 4 3 ) 8. 9 9 : ; 4 ), 1!! 4 4 &1 &,, 2! & 1 2 1! 1! 1 & 2, & 2 & < )4 )! /! 4 4 &! &,
-2 4 - cr 5 - 15 3 5 ph 6.5-8.5 () 450 mg/l 0.3 mg/l 0.1 mg/l 1.0 mg/l 1.0 mg/l () 0.002 mg/l 0.3 mg/l 250 mg/l 250 mg/l 1000 mg/l 1.0 mg/l 0.05 mg/l 0.05 mg/l 0.01 mg/l 0.001 mg/l 0.01 mg/l () 0.05 mg/l
おおさか経済の動き pwd
http://www.pref.osaka.jp/aid/sangyou/index.html 100 90 80 70 1 2 3 4 5 6 7 8 9 101112 1 2 3 4 5 6 7 8 9 101112 1 2 3 4 5 6 7 8 9 101112 H22 H23 H24-5 -10-15 5 0 10 1 2 3 4 5 6 7 8 9 101112 1 2 3 4 5 6
θ 1 = φ n -n 2 2 n AR n φ i = 0 1 = a t - θ θ m a t-m 3 3 m MA m 1. 2 ρ k = R k /R 0 5 Akaike ρ k 1 AIC = n ln δ 2
35 2 2012 2 GEOMATICS & SPATIAL INFORMATION TECHNOLOGY Vol. 35 No. 2 Feb. 2012 1 2 3 4 1. 450008 2. 450005 3. 450008 4. 572000 20 J 101 20 ARMA TU196 B 1672-5867 2012 02-0213 - 04 Application of Time Series
/ Ν #, Ο / ( = Π 2Θ Ε2 Ρ Σ Π 2 Θ Ε Θ Ρ Π 2Θ ϑ2 Ρ Π 2 Θ ϑ2 Ρ Π 23 8 Ρ Π 2 Θϑ 2 Ρ Σ Σ Μ Π 2 Θ 3 Θ Ρ Κ2 Σ Π 2 Θ 3 Θ Ρ Κ Η Σ Π 2 ϑ Η 2 Ρ Π Ρ Π 2 ϑ Θ Κ Ρ Π
! # #! % & ( ) % # # +, % #. % ( # / ) % 0 1 + ) % 2 3 3 3 4 5 6 # 7 % 0 8 + % 8 + 9 ) 9 # % : ; + % 5! + )+)#. + + < ) ( # )# < # # % 0 < % + % + < + ) = ( 0 ) # + + # % )#!# +), (? ( # +) # + ( +. #!,
, ( 6 7 8! 9! (, 4 : : ; 0.<. = (>!? Α% ), Β 0< Χ 0< Χ 2 Δ Ε Φ( 7 Γ Β Δ Η7 (7 Ι + ) ϑ!, 4 0 / / 2 / / < 5 02
! # % & ( ) +, ) %,! # % & ( ( ) +,. / / 01 23 01 4, 0/ / 5 0 , ( 6 7 8! 9! (, 4 : : ; 0.!? Α% ), Β 0< Χ 0< Χ 2 Δ Ε Φ( 7 Γ Β Δ 5 3 3 5 3 1 Η7 (7 Ι + ) ϑ!, 4 0 / / 2 / 3 0 0 / < 5 02 Ν!.! %) / 0
Π Ρ! #! % & #! (! )! + %!!. / 0% # 0 2 3 3 4 7 8 9 Δ5?? 5 9? Κ :5 5 7 < 7 Δ 7 9 :5? / + 0 5 6 6 7 : ; 7 < = >? : Α8 5 > :9 Β 5 Χ : = 8 + ΑΔ? 9 Β Ε 9 = 9? : ; : Α 5 9 7 3 5 > 5 Δ > Β Χ < :? 3 9? 5 Χ 9 Β
8 9 8 Δ 9 = 1 Η Ι4 ϑ< Κ Λ 3ϑ 3 >1Ε Μ Ε 8 > = 8 9 =
!! % & ( & ),,., / 0 1. 0 0 3 4 0 5 3 6!! 7 8 9 8!! : ; < = > :? Α 4 8 9 < Β Β : Δ Ε Δ Α = 819 = Γ 8 9 8 Δ 9 = 1 Η Ι4 ϑ< Κ Λ 3ϑ 3 >1Ε 8 9 0 Μ Ε 8 > 9 8 9 = 8 9 = 819 8 9 =
! /. /. /> /. / Ε Χ /. 2 5 /. /. / /. 5 / Φ0 5 7 Γ Η Ε 9 5 /
! # %& ( %) & +, + % ) # % % ). / 0 /. /10 2 /3. /!. 4 5 /6. /. 7!8! 9 / 5 : 6 8 : 7 ; < 5 7 9 1. 5 /3 5 7 9 7! 4 5 5 /! 7 = /6 5 / 0 5 /. 7 : 6 8 : 9 5 / >? 0 /.? 0 /1> 30 /!0 7 3 Α 9 / 5 7 9 /. 7 Β Χ9
The Development of Color Constancy and Calibration System
The Development of Color Constancy and Calibration System The Development of Color Constancy and Calibration System LabVIEW CCD BMP ii Abstract The modern technologies develop more and more faster, and
) Μ <Κ 1 > < # % & ( ) % > Χ < > Δ Χ < > < > / 7 ϑ Ν < Δ 7 ϑ Ν > < 8 ) %2 ): > < Ο Ε 4 Π : 2 Θ >? / Γ Ι) = =? Γ Α Ι Ρ ;2 < 7 Σ6 )> Ι= Η < Λ 2 % & 1 &
! # % & ( ) % + ),. / & 0 1 + 2. 3 ) +.! 4 5 2 2 & 5 0 67 1) 8 9 6.! :. ;. + 9 < = = = = / >? Α ) /= Β Χ Β Δ Ε Β Ε / Χ ΦΓ Χ Η Ι = = = / = = = Β < ( # % & ( ) % + ),. > (? Φ?? Γ? ) Μ
信息检索与数据挖掘
期中考试 :4 月 20 日 ( 周五 ), 闭卷考试范围 : 上次课 (SVD LSI) 之前的内容 第 10 章文本分类 part1: 文本分类及朴素贝叶斯方法 part2: 基于向量空间的文本分类 part3: 支持向量机及机器学习方法 回顾 : 什么是文本分类 Taxonomies and Classification 文本分类中, 给定文档 d X 和一个固定的类别集合 C= {c 1,
Β 8 Α ) ; %! #?! > 8 8 Χ Δ Ε ΦΦ Ε Γ Δ Ε Η Η Ι Ε ϑ 8 9 :! 9 9 & ϑ Κ & ϑ Λ &! &!! 4!! Μ Α!! ϑ Β & Ν Λ Κ Λ Ο Λ 8! % & Π Θ Φ & Ρ Θ & Θ & Σ ΠΕ # & Θ Θ Σ Ε
! #!! % & ( ) +,. /. 0,(,, 2 4! 6! #!!! 8! &! % # & # &! 9 8 9 # : : : : :!! 9 8 9 # #! %! ; &! % + & + & < = 8 > 9 #!!? Α!#!9 Α 8 8!!! 8!%! 8! 8 Β 8 Α ) ; %! #?! > 8 8 Χ Δ Ε ΦΦ Ε Γ Δ Ε Η Η Ι Ε ϑ 8 9 :!
热设计网
例 例 Agenda Popular Simulation software in PC industry * CFD software -- Flotherm * Advantage of Flotherm Flotherm apply to Cooler design * How to build up the model * Optimal parameter in cooler design
WVT new
Operating and Installation Instructions 5120 004601 (PD 84 09 25) Please read this specification carefully before you use the product. Any failure and losses caused by ignoring the above mentioned items
【附件：社群─申請表】（社群層級） 【四-四-五-1】
附 件 : 社 群 申 請 表 ( 社 群 層 級 ) 四 - 四 - 五 -1 高 雄 市 辦 理 十 二 年 國 民 基 本 教 育 精 進 國 中 小 教 學 品 質 計 畫 湖 內 區 明 宗 國 小 辦 理 103 年 度 教 師 專 業 學 習 社 群 ---- 環 境 教 育 議 題 社 群 名 稱 環 境 教 育 議 題 -- 風 華 再 現 的 二 仁 溪 召 集 人 或 聯 絡
第一章 绪论
1-1 1-1 1-5 0.05 1-6 1 60mm 1.5W/(m K) 5-5 m C 1-7 1cm, 0 m 1.04W/(m K) C C 50 50 4.09 10 kj/kg C 1-9 =69 C f =0 w C =14mm d 80mm 8.5W 1-11 10mm 0 C 85 C ( ) 175 W m K 1mm 1-14 T0 0K T = w 50K ε = 0. 7
# # # #!! % &! # % 6 & () ) &+ & ( & +, () + 0. / & / &1 / &1, & ( ( & +. 4 / &1 5,
# # # #!! % &! # % 6 & () ) &+ & ( & +, () + 0. / & / &1 / &1, & ( 0 2 3 ( & +. 4 / &1 5, !! & 6 7! 6! &1 + 51, (,1 ( 5& (5( (5 & &1 8. +5 &1 +,,( ! (! 6 9/: ;/:! % 7 3 &1 + ( & &, ( && ( )
Microsoft Word - 专论综述1.doc
1 基 于 协 同 过 滤 的 高 考 志 愿 推 荐 系 统 徐 兰 静, 李 珊, 严 钊 ( 南 京 航 空 航 天 大 学 经 济 与 管 理 学 院, 南 京 211100) 摘 要 : 近 年 来 信 息 过 载 问 题 的 出 现 使 得 个 性 化 推 荐 技 术 应 运 而 生, 其 中 协 同 过 滤 推 荐 技 术 通 过 在 用 户 和 信 息 之 间 建 立 联 系, 被
新婚夫妇必读（九）.doc
...1...3...4...5...9...9...10...12...14 3...19...20...22...27...28...30...31...35...37 I 13...39...44...48...49...50...51...54...55...58...60...62...63...66...67...68...70...71 TOP10...73...77...79...80
> # ) Β Χ Χ 7 Δ Ε Φ Γ 5 Η Γ + Ι + ϑ Κ 7 # + 7 Φ 0 Ε Φ # Ε + Φ, Κ + ( Λ # Γ Κ Γ # Κ Μ 0 Ν Ο Κ Ι Π, Ι Π Θ Κ Ι Π ; 4 # Ι Π Η Κ Ι Π. Ο Κ Ι ;. Ο Κ Ι Π 2 Η
1 )/ 2 & +! # % & ( ) +, + # # %. /& 0 4 # 5 6 7 8 9 6 : : : ; ; < = > < # ) Β Χ Χ 7 Δ Ε Φ Γ 5 Η Γ + Ι + ϑ Κ 7 # + 7 Φ 0 Ε Φ # Ε + Φ, Κ + ( Λ # Γ Κ Γ #
器之 间 向一致时为正 相反时则为负 ③大量电荷的定向移动形成电 流 单个电荷的定向移动同样形成电流 ３ 电势与电势差 １ 陈述概念 电场中某点处 电荷的电势能 Ｅ ｐ 与电荷量 ｑ Ｅｐ 的比值叫做该点处的电势 表达式为 Ｖ 电场中两点之间的 ｑ 电势之差叫做电势差 表达式为 ＵＡＢ Ｖ Ａ ＶＢ ２ 理解概念 电势差是电场中任意两点之间的电势之差 与参考点的选择无关 电势是反映电场能的性质的物理量
8 9 < ; ; = < ; : < ;! 8 9 % ; ϑ 8 9 <; < 8 9 <! 89! Ε Χ ϑ! ϑ! ϑ < ϑ 8 9 : ϑ ϑ 89 9 ϑ ϑ! ϑ! < ϑ < = 8 9 Χ ϑ!! <! 8 9 ΧΧ ϑ! < < < < = 8 9 <! = 8 9 <! <
! # % ( ) ( +, +. ( / 0 1) ( 2 1 1 + ( 3 4 5 6 7! 89 : ; 8 < ; ; = 9 ; ; 8 < = 9! ; >? 8 = 9 < : ; 8 < ; ; = 9 8 9 = : : ; = 8 9 = < 8 < 9 Α 8 9 =; %Β Β ; ; Χ ; < ; = :; Δ Ε Γ Δ Γ Ι 8 9 < ; ; = < ; :
C++ 程序设计 告别 OJ1 - 参考答案 MASTER 2019 年 5 月 3 日 1
C++ 程序设计 告别 OJ1 - 参考答案 MASTER 2019 年 月 3 日 1 1 INPUTOUTPUT 1 InputOutput 题目描述 用 cin 输入你的姓名 ( 没有空格 ) 和年龄 ( 整数 ), 并用 cout 输出 输入输出符合以下范例 输入 master 999 输出 I am master, 999 years old. 注意 "," 后面有一个空格,"." 结束,
Overview of MathWorks
MATLAB 机器学习和深度学习技术 卓金武 MathWorks 中国 steven.zhuo@mathworks.cn 2015 The MathWorks, Inc. 1 内容提要 机器学习 何为机器学习 机器学习的常见问题 MATLAB 机器学习技术 Example 1: 设备测试式维护的实现 Example 2: 量化投资 深度学习 深度学习 Vs. 机器学习 深度学习的技术实现 Example
目 录 一 本 科 教 育 基 本 情 况... 1 ( 一 ) 人 才 培 养 目 标... 1 ( 二 ) 专 业 设 置 情 况... 1 ( 三 ) 在 校 生 及 招 生 情 况... 2 二 师 资 队 伍 情 况... 3 ( 一 ) 教 职 工 数 量... 3 ( 二 ) 专 任
杭 州 师 范 大 学 本 科 教 学 质 量 报 告 (2014 年 度 ) 二 零 一 五 年 十 二 月 目 录 一 本 科 教 育 基 本 情 况... 1 ( 一 ) 人 才 培 养 目 标... 1 ( 二 ) 专 业 设 置 情 况... 1 ( 三 ) 在 校 生 及 招 生 情 况... 2 二 师 资 队 伍 情 况... 3 ( 一 ) 教 职 工 数 量... 3 ( 二 )
F4
DOI:10.3969/j.issn.1009-6868.2016.01.002 网 络 出 版 地 址 :http://www.cnki.net/kcms/detail/34.1228.tn.20151117.1506.006.html Challenges and Countermeasures of Network Space Security 周 延 森 /ZHOU Yansen 周 琳 娜
. /!Ι Γ 3 ϑκ, / Ι Ι Ι Λ, Λ +Ι Λ +Ι
! # % & ( ) +,& ( + &. / 0 + 1 0 + 1,0 + 2 3., 0 4 2 /.,+ 5 6 / 78. 9: ; < = : > ; 9? : > Α
Microsoft Word - A201210-60_1349949005.doc
5 10 15 20 25 一 种 针 对 在 线 旅 游 线 路 网 页 判 别 算 法 的 研 究 与 实 现 徐 显 炼, 郭 燕 慧 ( 北 京 邮 电 大 学 信 息 安 全 中 心, 北 京 100876) 摘 要 : 随 着 近 年 来 在 线 旅 游 业 的 快 速 发 展, 在 线 旅 游 搜 索 引 擎 己 经 成 为 当 前 搜 索 引 擎 发 展 的 一 个 热 门 方 向
2 2 Λ ϑ Δ Χ Δ Ι> 5 Λ Λ Χ Δ 5 Β. Δ Ι > Ε!!Χ ϑ : Χ Ε ϑ! ϑ Β Β Β ϑ Χ Β! Β Χ 5 ϑ Λ ϑ % < Μ / 4 Ν < 7 :. /. Ο 9 4 < / = Π 7 4 Η 7 4 =
! # % # & ( ) % # ( +, & % # ) % # (. / ). 1 2 3 4! 5 6 4. 7 8 9 4 : 2 ; 4 < = = 2 >9 3? & 5 5 Α Α 1 Β ΧΔ Ε Α Φ 7 Γ 9Η 8 Δ Ι > Δ / ϑ Κ Α Χ Ε ϑ Λ ϑ 2 2 Λ ϑ Δ Χ Δ Ι> 5 Λ Λ Χ Δ 5 Β. Δ Ι > Ε!!Χ ϑ : Χ Ε ϑ!
女性健美保健（中）.doc
...1...4... 11...12...13...15 3...16...19 6...22 10...25...29...32 31...33...40...45...48...50...55 10...58 I ...61...63...64...67...69...72...76 30...77...81...86 D...92...94 4...95... 102 10... 104 PP
招商证券基金宝集合资产管理计划
2005 2005 05 25 2005 12 31 1 29 2005 2005 4 4 [2005]38 2006 2 28 2005 2005 5 25 2005 12 31 2 29 2005 4 5 7 9 10 10 24 27 28 28 3 29 2005 2005 5 25 1,358,234,544.22 1,769,758,099.90 1991 7 A 38-45 A 38-45
untitled
Web of Knowledge web of science 2009-11-24 xwyu@lib.sjtu.edu.cn Web of Knowledge Web of Science 2 Web of Knowledge 3 Web of Knowledge 4 5 6 9 10 WOK JCR JCR - (Journal Citation Reports??? 11 WOK JCR
[9] R Ã : (1) x 0 R A(x 0 ) = 1; (2) α [0 1] Ã α = {x A(x) α} = [A α A α ]. A(x) Ã. R R. Ã 1 m x m α x m α > 0; α A(x) = 1 x m m x m +
![[9] R Ã : (1) x 0 R A(x 0 ) = 1; (2) α [0 1] Ã α = {x A(x) α} = [A α A α ]. A(x) Ã. R R. Ã 1 m x m α x m α > 0; α A(x) = 1 x m m x m +](/thumbs/91/107439066.jpg "[9] R Ã : (1) x 0 R A(x 0 ) = 1; (2) α [0 1] Ã α = {x A(x) α} = [A α A α ]. A(x) Ã. R R. Ã 1 m x m α x m α > 0; α A(x) = 1 x m m x m +")
2012 12 Chinese Journal of Applied Probability and Statistics Vol.28 No.6 Dec. 2012 ( 224002) Euclidean Lebesgue... :. : O212.2 O159. 1.. Zadeh [1 2]. Tanaa (1982) ; Diamond (1988) (FLS) FLS LS ; Savic
9!!!! #!! : ;!! <! #! # & # (! )! & ( # # #+
! #! &!! # () +( +, + ) + (. ) / 0 1 2 1 3 4 1 2 3 4 1 51 0 6. 6 (78 1 & 9!!!! #!! : ;!! ? &! : < < &? < Α!!&! : Χ / #! : Β??. Δ?. ; ;
untitled
Ω min VaRβ ( x) x X T T T rx = E( x y) = x u = rp, x I = 1 R i R i f Ri Rf i R c Rc Rf Rp Rf ρpc...(4) c p c Rc ρcp ( Rp Rf) + Rf...(5) p Rc R f c Rp p ρcp R f R c p p ρ cp r A = rd D ra r rd r > > A A
G(z 0 + "z) = G(z 0 ) + "z dg(z) dz z! # d" λ "G = G(z 0 ) + #cos dg(z) ( & dz ) * nv #., - d+ - - r 2 sin cosds e / r # ddr 4.r 2 #cos! "G = G(z 0 )
2005.7.21 KEK G(z 0 + "z) = G(z 0 ) + "z dg(z) dz z! # d" λ "G = G(z 0 ) + #cos dg(z) ( & dz ) * nv #., - d+ - - r 2 sin cosds e / r # ddr 4.r 2 #cos! "G = G(z 0 ) + #cos dg(z) ( & dz ) * nv 2+ + ds -
!! # % & ( )!!! # + %!!! &!!, # ( + #. ) % )/ # & /.
! # !! # % & ( )!!! # + %!!! &!!, # ( + #. ) % )/ # & /. #! % & & ( ) # (!! /! / + ) & %,/ #! )!! / & # 0 %#,,. /! &! /!! ) 0+(,, # & % ) 1 # & /. / & %! # # #! & & # # #. ).! & #. #,!! 2 34 56 7 86 9
202,., IEC1123 (1991), GB8051 (2002) [4, 5],., IEC1123,, : 1) IEC1123 N t ( ). P 0 = 0.9995, P 1 = 0.9993, (α, β) = (0.05, 0.05), N t = 72574 [4]. [6
![202,., IEC1123 (1991), GB8051 (2002) [4, 5],., IEC1123,, : 1) IEC1123 N t ( ). P 0 = 0.9995, P 1 = 0.9993, (α, β) = (0.05, 0.05), N t = 72574 [4]. [6](/thumbs/41/22593815.jpg "202,., IEC1123 (1991), GB8051 (2002) [4, 5],., IEC1123,, : 1) IEC1123 N t ( ). P 0 = 0.9995, P 1 = 0.9993, (α, β) = (0.05, 0.05), N t = 72574 [4]. [6")
2013 4 Chinese Journal of Applied Probability and Statistics Vol.29 No.2 Apr. 2013 (,, 550004) IEC1123,,,., IEC1123 (SMT),,,. :,,, IEC1123,. : O212.3. 1. P.,,,, [1 5]. P, : H 0 : P = P 0 vs H 1 : P = P
填 写 要 求 一 以 word 文 档 格 式 如 实 填 写 各 项 二 表 格 文 本 中 外 文 名 词 第 一 次 出 现 时, 要 写 清 全 称 和 缩 写, 再 次 出 现 时 可 以 使 用 缩 写 三 涉 密 内 容 不 填 写, 有 可 能 涉 密 和 不 宜 大 范 围 公
2013 年 度 上 海 高 校 市 级 精 品 课 程 申 报 表 ( 本 科 ) 学 校 名 称 东 华 大 学 课 程 名 称 计 算 机 系 统 与 网 络 技 术 课 程 类 型 理 论 课 ( 不 含 实 践 ) 理 论 课 ( 含 实 践 ) 实 验 ( 践 ) 课 所 属 一 级 学 科 名 称 所 属 二 级 学 科 名 称 课 程 负 责 人 申 报 日 期 工 科 计 算 机
2013 年 大 陸 書 市 觀 察 2013 年, 新 笑 傲 江 湖 也 引 起 熱 烈 討 論, 首 播 當 晚 已 居 黃 金 檔 電 視 劇 收 視 冠 軍, 進 而 帶 動 了 該 作 品 的 圖 書 銷 量, 之 後 隋 唐 英 雄 傳 精 忠 嶽 飛 等 也 紛 紛 改 編 成 電
2013 年 大 陸 書 市 觀 察 閩 南 師 範 大 學 教 師 萬 麗 慧 2014 年 1 月 9 日 北 京 圖 書 訂 貨 會 上, 北 京 開 卷 公 司 發 佈 了 2013 年 中 國 圖 書 零 售 市 場 報 告 報 告 顯 示,2013 年 中 國 圖 書 零 售 市 場 同 比 增 長 -1.39%, 這 是 繼 2012 年 後 再 次 出 現 的 負 增 長, 且 負
2015 届 毕 业 生 就 业 质 量 年 度 报 告 阳 江 职 业 技 术 学 院 招 生 就 业 处 2015 年 12 月 I 目 录 学 院 概 况... 1 报 告 说 明... 2 第 一 部 分 : 毕 业 生 就 业 基 本 情 况... 3 一 毕 业 生 的 规 模 和 结 构... 3 ( 一 ) 毕 业 生 规 模... 3 ( 二 ) 毕 业 生 省 内 生 源 市
(baking powder) 1 ( ) ( ) 1 10g g (two level design, D-optimal) 32 1/2 fraction Two Level Fractional Factorial Design D-Optimal D
( ) 4 1 1 1 145 1 110 1 (baking powder) 1 ( ) ( ) 1 10g 1 1 2.5g 1 1 1 1 60 10 (two level design, D-optimal) 32 1/2 fraction Two Level Fractional Factorial Design D-Optimal Design 1. 60 120 2. 3. 40 10
= Υ Ξ & 9 = ) %. Ο) Δ Υ Ψ &Ο. 05 3; Ι Ι + 4) &Υ ϑ% Ο ) Χ Υ &! 7) &Ξ) Ζ) 9 [ )!! Τ 9 = Δ Υ Δ Υ Ψ (
! # %! & (!! ) +, %. ( +/ 0 1 2 3. 4 5 6 78 9 9 +, : % % : < = % ;. % > &? 9! ) Α Β% Χ %/ 3. Δ 8 ( %.. + 2 ( Φ, % Γ Η. 6 Γ Φ, Ι Χ % / Γ 3 ϑκ 2 5 6 Χ8 9 9 Λ % 2 Χ & % ;. % 9 9 Μ3 Ν 1 Μ 3 Φ Λ 3 Φ ) Χ. 0
Microsoft Word - 00-巻頭言.doc
DR DR DR (6-1) DR GPSGlobal Positioning System CANCar Area Network (6-2) DR (6-3) DR - 89 - 6-1-1 GPSGlobal Positioning System 1024 768[pixel] 30[fps] GPS PC Bluetooth SSDSolid State Drive RAID 1[TB] Baumer
54 48 6-7 word2vec 8-10 GloVe 11 Word2vec X king - X man X queen - X woman Recurrent Neural Network X shirt - X clothing X chair - X furniture 2 n-gra
Journal of South China Normal University Natural Science Edition 2016 48 3 53-58 doi 106054 /jjscnun201605006 1 2* 2 3 2 1 510631 2 3 510225 Glove TP3911 A 1000-5463 2016 03-0053-06 Research on Academic
PowerPoint 演示文稿
Fregata: 轻量级大规模机器学习算法库 Chief Data Scientist, TalkingData 大纲 大规模机器学习的挑战 Fregata 的优点 GSA 算法介绍 GSA 算法在 Spark 上的并行化与 MLLib 的对比如何使用 Fregata Fregata 的发展目标 大规模机器学习两个挑战 计算瓶颈 调参困难 经典算法的计算瓶颈 计算复杂度随数据规模超线性增长 Cheng
! # % & # % & ( ) % % %# # %+ %% % & + %, ( % % &, & #!.,/, % &, ) ) ( % %/ ) %# / + & + (! ) &, & % & ( ) % % (% 2 & % ( & 3 % /, 4 ) %+ %( %!
! # # % & ( ) ! # % & # % & ( ) % % %# # %+ %% % & + %, ( % % &, & #!.,/, % &, ) ) ( % %/ ) 0 + 1 %# / + & + (! ) &, & % & ( ) % % (% 2 & % ( & 3 % /, 4 ) %+ %( %! # ( & & 5)6 %+ % ( % %/ ) ( % & + %/
软件测试（TA07）第一学期考试
一 判 断 题 ( 每 题 1 分, 正 确 的, 错 误 的,20 道 ) 1. 软 件 测 试 按 照 测 试 过 程 分 类 为 黑 盒 白 盒 测 试 ( ) 2. 在 设 计 测 试 用 例 时, 应 包 括 合 理 的 输 入 条 件 和 不 合 理 的 输 入 条 件 ( ) 3. 集 成 测 试 计 划 在 需 求 分 析 阶 段 末 提 交 ( ) 4. 单 元 测 试 属 于 动
! " # " " $ % " " # # " $ " # " #! " $ "!" # "# # #! &$! ( % "!!! )$ % " (!!!! *$ ( % " (!!!! +$ % " #! $!, $ $ $ $ $ $ $, $ $ "--. %/ % $ %% " $ "--/
"##$ "% "##& " "##( )$ "##%! ) "##$ * "##( "##$ "##(!!!!!!!!! ! " # " " $ % " " # # " $ " # " #! " $ "!" # "# # #! &$! ( % "!!! )$ % " (!!!! *$ ( % " (!!!! +$ % " #! $!, $ $ $ $ $ $ $, $ $ "--. %/ % $
未命名-1
1 2 3 4 5 6 7 8 9 10 11 12 ss a c y e vg 13 14 15 16 17 18 19 H 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 发现生命的螺旋 克里克在提出 中心法则 时曾指出 遗传信息是沿 Ｄ Ｎ Ａ - Ｒ Ｎ Ａ - 蛋白质的方向流动的 遗传信息不可能从 Ｒ Ｎ Ａ 回到 Ｄ Ｎ
幻灯片 1
第一类换元法 ( 凑微分法 ) 学习指导 复习 : 凑微分 部分常用的凑微分 : () n d d( (4) d d( ); (5) d d(ln ); n n (6) e d d( e ); () d d( b); ); () d d( ); (7) sin d d (cos ) 常见凑微分公式 ); ( ) ( ) ( b d b f d b f ); ( ) ( ) ( n n n n d f
WFC40810
9000086873 (PD 85 05 10) Operating and Installation Instructions Please read this specification carefully before you use the product. Any failure and losses caused by ignoring the above mentioned items
春 雷 新 雨 看 潮 生 2015 年 计 算 机 系 大 众 创 业 万 众 创 新 校 友 论 坛 创 业 新 锐 奖 颁 奖 孙 茂 松 为 罗 建 北 老 师 颁 发 创 业 伯 乐 奖 杨 士 强 为 本 科 生 超 新 星 工 作 室 颁 发 未 来 创 新 之 星 奖 杨 士 强 为
清 华 大 学 计 算 机 科 学 与 技 术 系 Department of Computer Science and Technology,Tsinghua University 系 友 通 讯 ALUMNI EXPRESS 系 讯 简 报 春 雷 新 雨 看 潮 生 2015 年 计 算 机 系 大 众 创 业 万 众 创 新 校 友 论 坛 举 行 我 系 为 80 岁 老 教 师 举 行
Microsoft PowerPoint - Aqua-Sim.pptx
Peng Xie, Zhong Zhou, Zheng Peng, Hai Yan, Tiansi Hu, Jun-Hong Cui, Zhijie Shi, Yunsi Fei, Shengli Zhou Underwater Sensor Network Lab 1 Outline Motivations System Overview Aqua-Sim Components Experimental
张成思 本文运用向量系统下的协整分析方法 针对 年不同生产和消 费阶段的上中下游价格的动态传导特征以及货币因素对不同价格的驱动机制进行分析 研究结果表明 我国上中下游价格存在长期均衡关系 并且上中游价格对下游价格具有显 著动态传递效应 而下游价格对中游价格以及中游价格对上游价格分别存在反向传导的 倒逼机制 另外 货币因素对上游价格的动态驱动效果最为显著 但并没有直接作用于下 游价格 因此 虽然货币政策的现时变化可能在一段时间内不会直接反映在下游居民消费价格的变化上
SHIMPO_表1-表4
For servo motor ABLEREDUCER SSeries Coaxial shaft series Features S series Standard backlash is 3 arc-min, ideal for precision control. High rigidity & high torque were achived by uncaged needle roller
OOP with Java 通知 Project 4: 4 月 18 日晚 9 点 关于抄袭 没有分数
OOP with Java Yuanbin Wu cs@ecnu OOP with Java 通知 Project 4: 4 月 18 日晚 9 点 关于抄袭 没有分数 复习 类的复用 组合 (composition): has-a 关系 class MyType { public int i; public double d; public char c; public void set(double