roseTTA the pdf tutorials, Oh, that you are stuck atop a line than rosetta tutor...

111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111

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

C#编写的Guass消去法-C# prepared by the Gauss elimination method

构建三次贝塞尔曲线 C0，......，Cn-1 中 参数形式，Ci 由 (xi(t),yi(t)) = (a0(i) + a1 (i) * t + a2 (i) * t ^2 + a3 (i) * t ^3， b0(i) + b1 (i) * t + b2 (i) * t ^2 + b3(i)*t^3) 0 为 < = t < = 1 由左终结点 （x(i),y(i))， 离开了 guidepoint （x+(i),y+(i))、 右端点 （x(i+1),y(i+1)) 和 右 guidepoint （为每个 i x-(i+1),y-(i+1)) = 0，1，......，n-1 ； 输入的 n，（（x(i),y(i))，我 = 0，...，n)， ((x+(i),y+(i))，我 = 0，...，n-1)， ((x-(i),y-(i))，我 = 1，...，n)。 输出系数 （a0(i)、 a1(i)、 a2(i)、 a3(i)、 b0(i)、 b1(i)、 b2(i)、 b3(i)、 我 = 0，...，n-1)。

改进的背包问题：给定一个超递增序列和一个背包的容量，然后在超递增序列中选（只能选一次）或不选每一个数值，使得选中的数值的和正好等于背包的容量。 代码思路：从最大的元素开始遍历超递增序列中的每个元素，若背包还有大于或等于当前元素值的空间，则放入，然后继续判断下一个元素；若背包剩余空间小于当前元素值，则判断下一个元素

该算法是黄教授的首创，极限学习机在手写数字集数据库分类中正确率超过了99%，取得了巨大成功，该算法计算快，且效果好，该代码里面不仅有分类还有回归以及各种神经元函数的实现，操作简单。

数据流是用于许多不同的应用的一种重要模式：网络流量分析，传感器网络监控，运动对象的跟踪，金融数据分析。主要的挑战是：1）速度的挑战：数据正在进入该系统中的实时处理（例如，股票指数报价，传感器测量结果，网络流量）; 2）空间的挑战：数据通常是无界的某些职位上如何有效地存储和处理数据的另一个挑战。很多数据流应用的监控应用，其中的实时数据流进入系统体积庞大需要进行趋势分析和异常检测进行监控。关键的是要检测的模式和关系中可能存在的共同进化的数据流。流往往是内在相关性（例如，温度在同一栋大楼，在同一网络中主机的流量，在同一个市场，价格等），它可以减少几百个数字流逼到了一把隐变量的紧凑描述的主要趋势，并显着降低了进一步的数据处理的复杂性。

我们首先测试分布式能源-高效聚类 （DEEC）、 开发 DEEC （DDEEC）、 增强 DEEC （EDEEC） 和阈值 DEEC （TDEEC） 包含高水平团队异质性对低级别的非均质性的几种不同情况下。我们彻底遵守关于基于稳定期、 网络的生存时间和吞吐量性能。EDEEC 和 TDEEC 执行更好地在所有异构场景中包含变量异质性一生的时间，但是 TDEEC 是最好的所有网络的稳定期。然而，通过改变网络的非均质性参数高度影响 DEEC 和 DDEEC 的性能。

这里有人工智能的A*算法看能不能帮到你。。我是在里面得到了不少的经验的-here is the AI A* algorithm can do to help you. . I was there to be a lot of experience

针对人脸的肤色和唇色颜色，进行统计得出变换矩阵和阈值，再对图片进行fisher分类器分类，准确打印出每个像素分类情况，最终得到二值图，得到嘴唇区域