逆波兰式源码

实用欧拉算法实现常微分方程的离散化！是非常经典的算法-practical Euler algorithm Ordinary Differential Equations discrete! It is very classic algorithm! !

矩阵 operation：given 选项输入矩阵上升到 5 由 5 维度中。1 添加，2） 减去，3） 转置，4） 相乘

说明: 1.本程序为复合形法 !* 2.程序功能是求解约束最优化问题-Note : 1. The procedures for the complex method!* 2. Programming is solving constrained optimization problem

资源描述根据货运量形成的原因，分析了货运量和相关影响因素之间的关系以及货运量预测的特点，在此基础上，建立货运量预测的广义回归神经网络(General Regression Neural Network,GRNN)模型，并以我国某年的货运量和相关经济指标的历史统计数据作为学习样本，通过拟合训练和外推预测分析，验证了GRNN用于货运量预测的有效性.

模糊逻辑的VB实现，简单，但是算法的生成很值得看看，在Diablo,halflife等都能见到它的身影，希望对此研究的有用-Fuzzylogic is programmed by VB,simple,but the algorithm of it is deserved to have a look,in Diablo, halflife you,etc. you could its use, so maybe it will what you want

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

  数据上保存图书的如下几各方面的信息 编号（应是图书的唯一标识符）、分类号、书名、作者、出版社（版次）、出版日期、单价、借阅者、借出日期、归还日期。 借阅者要有，证件编号、姓名、性别、类别（大学生、研究生、教师等）。 日期数据应包含，年、月、日。 界面上含有以下主要功能 主菜单：预览，添加，删除，排序，查找，修改，借书、还书、打印催还书通知，保存，退出等

长整数的四则运算-long integers four Operational

另一种离散傅立叶变换程序-a discrete Fourier transform procedures

哲学家就餐问题算法实现-Algorithm dining philosophers problem