透视 瞬移 人物上色 非常实用的一款工具

主要是关于数据结构预算法的书籍，使用c语言编写，我个人认为本书很适合初学者，对我而言收获实在是很大，我很喜欢这本书

这是二分法求根的源码-This is the dichotomy of the source Root

香港大学David W. Cheung编写了一个用于维护发现的关联规则的通用增量技术&fpp2，用于解决数据库更新挖掘关联规则的算法中。

％1998年全国大学生数学建模竞赛A题：收益与风险 模型求解- In 1998 the national university student mathematics modelling competed the A topic: The income and the risk model solve

PI值的计算算法，c++代码，值得好好学习-PI value of the algorithm, c code, it is worth to learn

i2c_slave_bfm.v ---- i2c model i2c_slave_bfm_readme --- 说明文档 该仿真模型可以进行时序参数是否满足要求的检查，可以保证开发者进行自动化的验证。可以高效的进行仿真。 时序参数可以根据不同的器件进行修改，简单易用。

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

采用背景差分法，用混合高斯背景建模，检测视频车辆，并显示视频的背景和前景。

二叉树遍历的方法-binary tree traversal methods

用KNN算法实现数据分类，算法简单易懂，适合初学者！简单来说，K-NN可以看成：有那么一堆你已经知道分类的数据，然后当一个新数据进入的时候，就开始跟训练数据里的每个点求距离，然后挑离这个训练数据最近的K个点看看这几个点属于什么类型，然后用少数服从多数的原则，给新数据归类。