youhuasuanfa

文件包括了高性能数值计算库PETSC说明文档以及源代码，尤其适合做大规模并行数值计算的朋友们使用。

输入一个最大数字，随机数抽奖-importation of a maximum number of random draw

人工智能作业，用博弈树完成的一字棋程序。-Artificial intelligence operations, with the completion of the word chess game-tree program.

应用背景CN24是一个完整的语义分割框架充分利用卷积网络。它支持多种平台（Linux，MAC OS X和Windows）和库（OpenCL，英特尔，AMD aCML……）同时提供免费的参考实现的依赖。软件开发的计算机视觉组和在耶那大学。关键技术完全卷积网络的语义分割框架设计的像素明智的标签和语义分割，（火车和测试你自己的网络！）适用于各种应用程序和，在与驱动辅助系统，场景理解，遥感，生物医学图像处理等多支持OpenCL  ；不仅适用于NVIDIA GPU高性能实现的，最小的依赖关系和其他库

人工智能是目前的热门学科，在电影“超能查派”中，人工智能的利用让我们眼睛大为一亮。  然而要怎么进行人工智能的基础学习呢？所以这里提供人工智能的两个核心块-启发式搜索&神经网络。当你搞明白程序的核心思想，你离下一步的成功已不再遥远。

本程序是根据分而治之的思想来解决比赛的时间表的问题-this program is based on divide and rule of the game thinking to solve the problem of the timetable

用vc++实现马尔科夫过程，并利用其原理实现简单的语音识别功能。感觉最重要的是要有一定的数学和编程功底，值得搞开发的人员使用。涉及的函数较多，需要耐心分析才能有一定的收获。

拉格朗日差值算法，内涵读取文件，插值，写入文件，读取文件为PARCHG,写入文件为INSERT_DATA-Lagrangian difference algorithm, meaning to read the file, interpolation, write files, read the file PARCHG, write documents INSERT_DATA

TF-IDF（term frequency–inverse document frequency）是一种用于资讯检索与资讯探勘的常用加权技术, TFIDF的主要思想是：如果某个词或短语在一篇文章中出现的频率TF高，并且在其他文章中很少出现，则认为此词或者短语具有很好的类别区分能力，适合用来分类。TFIDF实际上是：TF * IDF，TF词频(Term Frequency)，IDF反文档频率(Inverse Document Frequency)。TF表示词条在文档d中出现的频率。IDF的主要思想是：如果包含词条t的文档越少，也就是n越小，IDF越大，则说明词条t具有很好的类别区分能力。如果某一类文档C中包含词条t的文档数为m，而其它类包含t的文档总数为k，显然所有包含t的文档数n=m + k，当m大的时候，n也大，按照IDF公式得到的IDF的值会小，就说明该词条t类别区分能力不强。但是实际上，如果一个词条在一个类的文档中频繁出现，则说明该词条能够很好代表这个类的文本的特征，这样的词条应该给它们赋予较高的权重，并选来作为该类文本的特征词以区别与其它类文档。这就是IDF的不足之处。

二元搜索樹 goodgoodgoodgoodgoodgoodgoodgoodgoodgoodgoodgoodgoodgoodgoodgoodgoodgoodgoodgoodgoodgoodgoodgoodgoodgood 请点击左侧文件开始预览 ！预览只提供20%的代码片段，完整代码需下载后查看 加载中 侵权举报