用于AD转换的 ，is very good for you

没有解压密码的AHP程序-not extract passwords AHP process

一个关于c语言常用数值算法的集合-on a numerical algorithm commonly used language collection

c++的数学物理方程数值算法源程序。这是"Numerical Methods for Physics"第二版的源程序。-c mathematical physics equations numerical algorithm source. This is the "Numerical Methods for Physics," the second version of the source.

UserCF和ItemCF是协同过滤中最为古老的两种算法，在top-N的推荐上被广泛应用。这两个算法之所以重要，是因为他们使用了两个不同的推荐系统基本假设。UserCF认为一个人会喜欢和他有相同爱好的人喜欢的东西，而ItemCF认为一个人会喜欢和他以前喜欢的东西相似的东西。这两个假设都有其合理性。根据我的测试，用UserCF和ItemCF做出的推荐列表中，只有50%是一样的，还有50%完全不同。但是这两个算法确有相似的精度。所以说，这两个算法是很互补的。我一直认为这两个算法是推荐系统的根本，因为无论我们是用矩阵，还是用概率模型，我们都非常的依赖于前面说的两种假设。如果用户的行为不符合那两种假设，推荐系统就没必要存在了。因此我一直希望能够找出这两种算法的本质区别。他们有相似的精度，但是coverage相差很大，ItemCF coverage很大而UserCF很小。我还测试了很多其他指标，不过要从这些表象的指标差异找出这两个算法的本质区别还是非常困难。不过上周我基本发现了这两个算法推荐机理的本质区别。我们做如下假设。每个用户兴趣爱好都是广泛的，他们可能喜欢好几个领域的东西。不过每个用户肯定也有一个主要的领域，对这个领域会比其他领域更加关心。给定一个用户，假设他喜欢3个领域A,B,C，同时A是他喜欢的主要领域。这个时候我们来看UserCF和ItemCF倾向于做出什么推荐。结果如下，如果用UserCF, 它会将A,B,C三个领域中比较热门的东西推荐给用户。而如果用ItemCF，它会基本上只推荐A领域的东西给用户。因为UserCF只推荐热门的，所以UserCF在推荐长尾上能力不足。而ItemCF只推荐A领域给用户，这样他有限的推荐列表中就可能包含了一定数量的不热门item，所以ItemCF推荐长尾的能力比较强。不过ItemCF的推荐对某一个用户而言，显然多样性不足。但是对整个系统而言，因为不同的用户的主要兴趣点不同，所以系统的coverage会很大。显然上面的两种推荐都有其合理性，但都不是最好的选择，因此他们的精度也会有损失。最好的选择是，如果我们给这个用户推荐30个item，我们既不是每个领域挑选10个最热门的给他，也不是推荐30个A领域的给他，而是比如推荐15个A领域的给他，剩下的15个从B,C中选择。认识到这一

一个程序，实现快速傅立叶变换，使用对话框编程。具体参数可以调节。-a procedure, fast Fourier transform, the use of dialog programming. Specific parameters can be adjusted.

卫星位置和速度的Lagrange插值算法分析，介绍卫星位置和速度的算法-Satellite position and velocity analysis of the Lagrange interpolation algorithm on satellite position and velocity of the algorithm

一个随机数发生器的代码，C＋＋实现-a random number generator code, C++

The Free Finite Element Package is a library which contains numerical methods required when working with finite elements. The goal of FFEP is to provide basic functions for approximating the solution of elliptic and parabolic PDEs in 2D.

96位大数运算实现-96 big number operation realizes

应用背景一类函数优化问题的粒子群优化算法。应用优化。也有窗口形式为基础的粒子群优化算法应用程序将使用后..关键技术一些常见的算法程序，包括基本的粒子群算法，线性变异粒子群算法、压缩因子粒子群算法、粒子群优化算法等，可以促进learningome PSO算法的程序，包括基本的粒子群算法，线性变异粒子群算法、压缩因子粒子群算法、粒子群优化算法等，可以促进学习