The lingo of learning courseware, very good thing to use.

包括主要矩阵运算，vc下编译实现-including major matrix computation, vc under Compiling

用c++实现的马踏棋源码-achieve with a horse riding game FOSS

可运行的AES源代码,其加密解密为128位-

曲线的高斯拟合,去除趋势性,对于一般非平稳序列的分析.-Gaussian curve fitting and removal of the trend, and for most non-stationary sequence analysis.

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

系统工程中的平滑预测法，根据一些数据预测为了某一个时期的数值-project of the Ievel, according to some data in order to forecast a period of numerical

用C语言实现了宿舍管理系统，包括用密码登录不同等级的界面（超级管理员、管理员、普通用户）；用链表、数据结构实现基本信息的输入；用文件实现录入数据的存储及读取；链表相关的增加、删除、查询、修改、排序等功能的实现。适合C语言的初学者。

ecg检测算法；实现了ecg滤波、QRS检测、rr间期、QS间期的检测以及功率谱图，局部放大、心率失常检测。ecg滤波包含了 高通滤波 低通滤波、功率谱图采用fft实现、心率失常检测提供了几个简单的检测。另外还有小波变换算法。里面有几个数据文件。含噪声的信号3个 基线漂移的3个。是非常不错的代码，大家可以下载看看

树结构的保存和读取-Tree preservation and read

矩阵求逆c语言算法！-matrix inversion algorithm c language!