卷积神经网络，手写识别训练

给定n 个物品, 物品i重为wi 并且价值为 vi ，背包所能承载的最大容量为 W. 0-1 背包问题即是选择含有着最大总价值的物品的子集且它的容量 ≤W ． 用动态规划实现-given n goods, items i weight of wi and value of vi, the backpack can carry a maximum capacity of W. 0-1 knapsack problem that is a choice with a maximum total value of the goods but a subset of the W capacity. Dynamic Programming

ASP(Active Server Pages)是Microsoft于1996年11月推出的Web应用程序开发技术。微软声称设计出了

这是一个程序，用分形方法构建一个简单的树（生长王涛） 运行该程序，并双击鼠标在客户端领域，那么 简单的树将被显示在屏幕上。一个有趣的事情是，如果你 再次双击，用不同的appreance一个新的树将建成。

第八届飞思卡尔智能车比赛 摄像头组的源程序， 使用的主控芯片是xs128的芯片。 使用的开发环境是飞思卡尔的cw。 在安徽赛区获得二等奖的程序。 希望对大家参加飞思卡尔比赛的可以有帮助。

[[ Complex Matrices : Language c]]

该程序是用来画微分系统时间序列图相图等相关的图形的,可以很好的对一个微分系统进行分析-The program is used to draw the time-differential phase diagram sequence diagram of the graphics, etc., can be a very good system for a differential analysis

资源描述该算法课通过解压运行QHULL-GO快捷方式，在命令行窗口输入相应的命令，即可计算convex hull, Delaunay triangulation, Voronoi diagram, halfspace intersection about a point, furthest-site Delaunay triangulation, and furthest-site Voronoi diagram。并且代码还可以求解2维、3维甚至更高维的数据计算。是一个开放的源码算法，凝聚了很多大牛的心血，希望对大家有所帮助。

AHP(层次分析法)的计算软件，可以进行一致性检验，虽然目前只能计算6阶以下的矩阵，但稍作修改即可扩充功能。-AHP (Analytic Hierarchy Process) calculation software can be tested for consistency, Although currently only six bands calculated the following matrix, but with some slight modifications can be expanded easily.

应用背景C学习、链表掌握与提高、汽车管理系统关键技术链表、汽车管理系统，基于C语言编程的汽车管理系统，分别包括，注册信息、车次的统计与修改、用户订票（退票、订票）。基于链表，简单直观，方便学习链表的同学对链表进行理解加深，简单明了。

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