X

Код презентации скопируйте его

Ширина px

Вы можете изменить размер презентации, указав свою ширину плеера!

к диплому (пример)

Скачать эту презентацию

Презентация на тему к диплому (пример)

Скачать эту презентацию
Cлайд 1
Презентация к дипломной работе Разработка многопрофильной системы информацион... Презентация к дипломной работе Разработка многопрофильной системы информационного поиска
Cлайд 2
Основные компании Amazon Google Яндекс Amazon Twitter Microsoft Основные компании Amazon Google Яндекс Amazon Twitter Microsoft
Cлайд 3
Характеристики сложноструктурированных данных Внутренняя интерпретация. Налич... Характеристики сложноструктурированных данных Внутренняя интерпретация. Наличие внутренней структуры связей. Шкалирование. Погружение в пространство с семантической метрикой. Наличие активности.
Cлайд 4
Используемые алгоритмы PageRank DBScan Rock Наивный байесовский классификатор... Используемые алгоритмы PageRank DBScan Rock Наивный байесовский классификатор Семантические сети
Cлайд 5
Области применения системы информационного поиска Поиск информации. Формирова... Области применения системы информационного поиска Поиск информации. Формирование рекомендаций. Установление авторства. Проверка на плагиат. Автоматическая генерация текстов для SEO (поисковой оптимизации). Лингвистический анализ литературных текстов. Корректировка текстов и исправление опечаток.
Cлайд 6
Алгоритм PageRank Алгоритм PageRank
Cлайд 7
Место для блок-схемы Место для блок-схемы
Cлайд 8
Алгоритм ROCK Procedurecluster (S, k) Begin 1. link := compute-links (S)//Выч... Алгоритм ROCK Procedurecluster (S, k) Begin 1. link := compute-links (S)//Вычисляем связи в множестве точек S 2. for each s from S do 3. q[s] := build-local-heap (link,S)//Из каждой точки множества S на основе связей формируем кластер 4. Q:=build-global-heap (S,q) //Содержит список всех кластеров множества S 5. whilesize (Q) >kdo {//Формируем кластеры, точки, которых имеют максимальное число связей до тех пор, пока не получим желаемое число кластеров 6. u := extract-max (Q) 7. v := max (q[u]) 8. delete (Q,v) 9. w:= merge (u,v) 10. for each x from (q[u] or q[v]) do { 11. link [x,w] := link [x,u] + link [x,v] 12. delete (q[x],u); delete (q[x],v) 13. insert (q[x],w,g(x,w)); insert (q[w],x,g(x,w)); 14. update (Q,x,q[x]) 15. } 16. insert (Q,w,q[w])//Добавляем кластер в список всех кластеров 17. deallocate (q[u]); deallocate (q[v]); 18. } end.
Cлайд 9
Алгоритм DBSCAN public List<Cluster> cluster() { int clusterId = getNex... Алгоритм DBSCAN public List<Cluster> cluster() { int clusterId = getNextClusterId(); for(DataPointp : points) { if(isUnclassified(p) ) {//Проверяем классифицировали ли мы данную точку. boolean isClusterCreated = createCluster(p, clusterId); //Создаемкластердлякаждойточки if( isClusterCreated ) { clusterId = getNextClusterId(); } } } List<Cluster> allClusters = new ArrayList<Cluster>(); for(Map.Entry<Integer, Set<DataPoint>> e : clusters.entrySet()) { String label = String.valueOf(e.getKey());//Создаем кластер и имя длянего Set<DataPoint> points = e.getValue(); if( points != null && !points.isEmpty() ) { Cluster cluster = new Cluster(label, e.getValue()); allClusters.add(cluster); } } returnallClusters;//Возвращаем список всех кластеров, которые были созданы }
Cлайд 10
Алгоритм DBSCAN private boolean createCluster(DataPoint p, Integer clusterId)... Алгоритм DBSCAN private boolean createCluster(DataPoint p, Integer clusterId){ Set<DataPoint> nPoints = findNeighbors(p, eps); if( nPoints.size() < minPoints ) { assignPointToCluster(p, CLUSTER_ID_NOISE);//Есликоличествоточекокружностименьше, чемminPoints, присваиваемточкезначение «Шум» isClusterCreated = false; } else { assignPointToCluster(nPoints, clusterId); //Иначедобавляемточкувкластер nPoints.remove(p);//Удаляем точку из рассмотрения while(nPoints.size() > 0 ) { //Просматриваем все точки, если нашли точку, которую уже рассматривали то ставим ей статус пограничной, добавляем в кластер и удаляем из рассмотрения DataPoint nPoint = nPoints.iterator().next(); Set<DataPoint> nnPoints = findNeighbors(nPoint, eps); if( nnPoints.size() >= minPoints ) { for(DataPoint nnPoint : nnPoints ) { if( isNoise(nnPoint) ) { assignPointToCluster(nnPoint, clusterId); //Добавляемточкуккластеру } else if( isUnclassified(nnPoint) ){ nPoints.add(nnPoint); assignPointToCluster(nnPoint, clusterId);} } } nPoints.remove(nPoint); //Удаляемточкуизрассмотрения } isClusterCreated = true; } return isClusterCreated; }
Cлайд 11
Наивный байесовский классификатор Место для блок-схемы. Наивный байесовский классификатор Место для блок-схемы.
Скачать эту презентацию
Наверх