qq_33893619的博客

详细说明吉布斯采样的原理 主要内容包括： 贝叶斯网络的推断中为什么引入吉布斯采样 什么是吉布斯采样（原理） 吉布斯采样大概是怎么工作的（算法过程） 吉布斯采样理论推导（包括说MCMC算法和马尔可夫链及其稳态分布）

大数据至少具备以下三个特性：数据量巨大（volume），处理速度要求快（velocity），数据类型复杂繁多（variety）针对上面的三个特性，现在对volume与velocity的研究较多，而对 Variety的研究相对较少。 在Variety的研究上主要是使用度量空间来表示，，其具备高度的普遍适用性，但是在度量空间中没有坐标信息，很多平时使用的数学工具无法使用，因此需要对其度量空间内的数据进行坐标化，这样，即可实现传统的数学计算，例如计算距离，计算垂直平分线等等。而数据的坐标化依赖于支撑点的选取。因此支撑点对于度量空间模型中的数据管理和数据分析至关重要。 现在支撑点的选取有三大类问题： 1.支撑点的目标函数2.度量空间需要的支撑点数量 3.实现支撑点选择的算法，考虑其性能与数目，（在合理的时间和空间达到最优的算法的重要性显而易见） 本论文主要针对以上三个支撑点选取的方向进行研究，并且在三大类问题提出新的思路： (1) 提出基于半径新的目标函数，用于度量空间索引时支撑点的选取 (2) 提出基于坐标矩阵的特征值确定支撑点数目的新方法，性能与以往相同，计算时间简单 (3) 提出抽样支撑点选择框架 其各自的重要性，当前研究情况，当前研究存在的问题，论文的方法和创新点，实验证实后 面会针对三者分别列出。因此需要对测试数据集进行说明

数据仓库信用卡消费记录 数据仓库的构建思路，包含数据源分析和多维模型设计，表格设计 案例分析。其数据仓库技术能帮助企业将原来实务处理的数据转变为决策支持的数据，增强企业的决策能力。同时，数据仓库技术的应用还加强了企业处理大量复杂数据的处理能力，为系统用户提供高质量的决策数据，还可从杂乱无章的海量数据中挖掘出潜在的有用知识，为企业生产经营计划的制定提供了新思路，既可以充分利用企业资源，节约运营成本，又可方便管理，增加盈利。

UCI数据库中的UNS(the knowledge level of user)数据集的数据挖掘作业 数据集 程序 报告一体俱全

计算机高级体系结构 基于多线程并行程序优化 编写C语言程序，实现矩阵相乘，使用多线程并行程序的设计方法

1.增进对cache工作原理以及计算机存储体系的理解 2.体验程序中访存模式变化是如何影响cahce效率进而影响程序性能的过程；

1. 学习可能使用到的SIMD Intrinsic函数； 2. 学习使用SIMD Intrinsic函数指令优化程序性能。 实验要求： 1. 学习基本SIMD　Intrinsic函数的使用，并利用这些函数实现矩阵乘法。 2. 计算前两步的加速比。 a) 为了更好的体现加速比，要求适当增加矩阵的规模；并评估矩阵大小对加速比的影响。 b) 寻找并确认统计程序运行时间的方法并说明其合理性；

DeepEar的演讲文档，讲技术实现和性能评估，用于学术分享和探究

STM32心跳采集程序加labview实时显示系统，采集心跳的用淘宝普通的心跳模块即可，通讯使用的是串口

数据挖掘概念与技术第三版(英文原版)加中文版（第三版）

判断闵可夫斯基距离在其参数p取什么值的时候满足度量空间特性，p取值整数范围，建议至少讨论特殊情况，说明理由，不需要严格证明

x## deepHAR Code repository for experiments on deep architectures for HAR in ubicomp. Using this code you will be able to replicate some of the experiments described in our IJCAI 2016 paper: ``` @article{hammerla2016deep, title={Deep, convolutional, and recurrent models for human activity recognition using wearables}, author={Hammerla, Nils Y and Halloran, Shane and Ploetz, Thomas}, journal={IJCAI 2016}, year={2016} } ``` ## Disclaimer This code is still incomplete. At the moment only the bi-directional RNN will work on the opportunity data-set. ## Installation ``` git clone https://github.com/torch/distro.git ~/torch --recursive cd ~/torch; bash install-deps; ./install.sh # after installation, we need some additional packages #HDF5 luarock sudo apt-get install libhdf5-serial-dev hdf5-tools git clone https://github.com/deepmind/torch-hdf5 cd torch-hdf5 luarocks make hdf5-0-0.rockspec LIBHDF5_LIBDIR="/usr/lib/x86_64-linux-gnu/" # json luarocks install json # RNN support luarocks install torch luarocks install nn luarocks install dpnn luarocks install torchx luarocks install rnn # we use python3 pip3 install h5py pip3 install simplejson pip3 install numpy ``` ## Usage First download and extract the Opportunity dataset. Then use the provided python script in the `data` directory to prepare the training/validation/test sets. ``` cd data python3 data_reader.py opportunity /path/to/OpportunityUCIDataset ``` This will generate two hdf5-files that are read by the lua scripts, `opportunity.h5` and `opportunity.h5.classes.json`. To train the bi-directional RNN that we have found to work best on this set run the following commands: ``` cd models/RNN th main_brnn.lua -data ../../data/opportunity.h5 -cpu \ -layerSize 179 -maxInNorm 2.283772707 \ -learningRate 0.02516758 -sequenceLength 81 \ -carryOverProb 0.915735543 -numLayers 1 \ -logdir EXP_brnn ``` This will train a model only using your CPUs, which will take a while (make sure you have some form of BLAS library installed). On my laptop this will take approx. 5 min per epoch, and it will likely not converge before epoch 60. If your environment is set up for gpu-based computation, try using `-gpu 1` instead of the `-cpu` flag for a significant speedup. ## Other models The python-based `data_reader.py` is new and substitutes for the original but unmaintainable Matlab-scripts used previously. So far it only supports `opportunity` and sample-based evaluation, which will be addressed shortly.

移动终端操作系统架构概览