-
数学小帮手本软件对一元,二元数学函数的分析提供帮助.可以对整个函数图形进行细致入微的观察，进行任意的缩小，放大...
数学小帮手本软件对一元,二元数学函数的分析提供帮助.可以对整个函数图形进行细致入微的观察，进行任意的缩小，放大-help the small mathematical software to a million dual function of mathematical analysis to help. Can graphics for the entire function of meticulous observation, arbitrary narrowing and enlarge
- 2022-05-20 10:32:05下载
- 积分：1
-
base64.js 保存图像
Base64是一种基于64个可打印字符来表示二进制数据的表示方法。由于2的6次方等于64，所以每6个比特为一个单元，对应某个可打印字符。三个字节有24个比特，对应于4个Base64单元，即3个字节需要用4个可打印字符来表示。它可用来作为电子邮件的传输编码。在Base64中的可打印字符包括字母A-Z、a-z、数字0-9 ，这样共有62个字符，此外两个可打印符号在不同的系统中而不同（本类库里面用的是`+`,`/`这两个字符）。一些如uuencode的其他编码方法，和之后binhex的版本使用不同的64字符集来代表6个二进制数字，但是它们不叫Base64。Base64常用于在通常处理文本数据的场合，表示、传输、存储一些二进制数据。包括MIME的email，email via MIME, 在XML中存储复杂数据.[摘自：维基百科]Base64其实是一种简单的置换加密方式，但是BASE64的用处往往并不是为了防止信息泄露，而且为了方便传输，进过BASE64编码后的信息会比原始信息长，大概是4/3倍。昨天本人写一个基于javascript实现的一个Base4编码和解码的一个类库，下载地址是：http://code.google.com/p/lazycode/downloads/detail?name=Base64.js&can=2&q=#makechanges。 国内git库： 请点击左侧文件开始预览 ！预览只提供20%的代码片段，完整代码需下载后查看 加载中 侵权举报
- 2022-03-23 17:05:53下载
- 积分：1
-
最小二乘法拟合曲线，在TC2.0中编译通过
最小二乘法拟合曲线，在TC2.0中编译通过-least squares fitting, in which compile WITH TC 2.0
- 2022-03-25 08:02:18下载
- 积分：1
-
贪吃蛇matlab程序
用matlab描写贪吃蛇的程序，简单易学，可以在此基础上，丰富贪吃蛇的长度，在转弯处还可以做文章
- 2022-01-23 10:31:35下载
- 积分：1
-
一元五次方程的求解
资源描述五次方程的数值求解！fortran程序已验证通过，使用时需建立一个方程的系数文本。运行程序时读取方程的系数。
- 2022-05-16 09:25:10下载
- 积分：1
-
delphi编写的房贷计算器，支持等额本金和等额本息
应用背景delphi编写的房贷计算器，支持等额本金和等额本息,对每月还款金额和总还款金额以及还款利息总额一目了然。可以很好的练习Delphi编码，可以很快熟悉Delphi语言及编码环境。关键技术Delphi7,根据贷款还款计算算法以及贷款总额，贷款年数，贷款利率计算得出还款每月还款金额和总还款金额以及还款利息总额，应用listview组件显示计算结果。
- 2022-02-10 10:15:10下载
- 积分：1
-
参数均衡在 TMS320C6000 DSP
本应用报告详细介绍了TMS320C6000DSP平台上的多波段参数均衡器的实现。整个应用程序是用标准C;它达到的性能优良的电平，并允许用户通过在主机上的图形界面，以控制均衡器。此报告的目的是演示如何TI DSP产品和工具可以在专业音频应用中使用，并提出了这样的系统的解决方案。第一部分是专门为滤波器组的设计，其相关方程，编码，优化和基准;第二部分展示了如何TI工具可以利用此模块中的一个现实的专业音频环境的整合，本节介绍设置演示所需的步骤。甲TMS320C6711 DSK是必需的，并且任选的TLV320AIC23子板（24比特/96kHz的编解码器）。提供指导运行在硬件设置演示。
- 2022-12-31 09:50:03下载
- 积分：1
-
雅可比迭代等一些程序
雅可比迭代等一些程序-Jacobi iterative procedures such as
- 2022-03-04 01:26:36下载
- 积分：1
-
C++ ItemCF
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
- 2022-03-26 08:57:57下载
- 积分：1
-
基于opcv的实例程序，提供源码，欢迎下载
基于opcv的实例程序，提供源码，欢迎下载-Based on opcv instance procedures to provide source code
- 2022-02-22 06:18:21下载
- 积分：1
