精华内容
下载资源
问答
  • 在参考基于概率主题模型高分辨率遥感影像聚类分析基础上,通过半监督学习最典型生成模型方法引出了基于概率主题模型半监督分类(SS-LDA)算法。借鉴SS-LDA模型在文本识别应用流程,构建了基于SS-LDA算法...
  • 文章脉络:一、引言:介绍知识图谱,引出主题。 二、教育领域知识建模研究现状 :提出当前知识图谱在教育领域应用存在问题: 3个方面:(1)知识粒度方面(2)领域适应性方面(3)构建方法方面 三、教育...

    文章脉络:一、引言:介绍知识图谱,引出主题。

                      二、教育领域知识建模研究现状 :提出当前知识图谱在教育领域的应用存在的问题:

                                                            3个方面:(1)知识粒度方面(2)领域适应性方面(3)构建方法方面

                      三、教育知识图谱的概念模型构建 :

                                          (一)教育知识图谱的概念界定 ,也就是它是用来描述什么东西的。

                                                            3个视角:(1)知识组织视角(2)学习者认知视角 (3)知识服务视角

                                          (二)教育知识图谱的概念模型构建 

                                                  2个视角:(1) 模型结构视角—— 两种图示 (知识图示、认知图示)

                                                                  (2) 模型要素视角—— 四大基本要素 (知识节点、知识关 联、认知状态、学习路径)

                                                                                       

                                                                                            

     

                          四、教育知识图谱的构建方法 

                                                                                                   

                             五、实验设计与结果分析 

                                            (一)实验数据采集与预处理 

                                            (二)实验过程与结果 :

                                                                 1. 基于条件随机场模型的知识元抽取实验 

                                                                 2. 基于 Apriori 算法的前驱后继关系挖掘实验

                                                                 3. 基于隐马尔可夫模型的认知状态诊断验证实验 

                                                                 4. 学习路径生成机制验证实验 

                                六、结 语 

                                          总结本文主要讲了什么,提出不足之处:

                                                             (1)如何通过人机协同,将学科专家、教育技术 专家等人类智慧与智能处理技术相融合,构建更加适合个性化学习、 精准教学等教育情境的知识图谱,还有待进一步深入研究。 

                                                             (2)如何利用知识图谱对学习过程中的隐性知识进行表示和建模,将成为未来 教育知识图谱研究和发展的重点内容。

     

     

    本文总结来自《教育知识图谱的概念模型与构建方法研究》李 振, 周东岱 (东北师范大学 信息科学与技术学院, 吉林 长春 130117)

    展开全文
  • 广义估计方程(Generalized Estimating Equation,GEE)是统计历史上非常重要一个方法,是本篇文章讨论的主题。我们将从传统广义线性模型开始介绍,指出该方法不能解决问题,从而引出GEE。广义线性模型...

    广义估计方程(Generalized Estimating Equation,GEE)是统计历史上非常重要的一个方法,是本篇文章讨论的主题。我们将从传统的广义线性模型开始介绍,指出该方法不能解决的问题,从而引出GEE。

    广义线性模型(Generalized Linear Model,GLM):

    GLM方法关心的是:当响应变量不服从正态分布,也不连续,应该如何去挖掘隐藏在这样数据中的信息。Nelder & Wedderburn 指出,如果响应变量服从指数族分布时,我们可以通过GLM方法去研究响应变量的均值与自变量之间的协变(Association)。常见的指数分布族包括:正态(连续),0-1(离散),二项(离散),泊松(离散)分布。假设我们有独立响应变量

    与自变量矩阵
    ,且
    有如下关系:

    其中

    被称作均值函数。同时,我们假设

    为方差函数,而
    称作发散参数。需要特别指出的是,
    在上面提到的,当
    服从于指数族分布时,具有明确的表达式,不需要另行计算。例如,当
    服从Binary分布,即0-1分布时,

    又如,当

    服从于泊松分布时,

    在实践中,我们常采用Fisher-Scoring Algorithm去求解

    的值。设有

    Fisher-Scoring Algorithm 采用如下更新:

    其中步长

    。需要指出,大部分文献不选择步长,即令
    ,此时Fisher-Scoring Algorithm完全等价于迭代加权最小二乘(iterative weighted least squares)。我自己研究发现,进行步长选择,尤其是对步长进行随机选择, 如令
    ,会提升算法稳定性。这样的做法不限于求解GLM,对一般问题同样适用。另一个点是,发散参数
    在实际估计
    的过程中是不需要预先给定或估计的。这跟指数族分布的似然函数的性质有关。但本篇文章不从似然函数的角度去解释GLM,而是从得分函数的角度去解释,这对初学者理解GLM,尤其是理解如何对GLM进行编程运算,有很大帮助。

    广义估计方程:

    GLM方法需要假设响应变量之间是相互独立的,同时需要服从于指数分布族。然而,在医学、生物、经济、地理等领域,我们搜集到的数据不是一条横截面(cross-sectional)数据,每个个体仅有一次测量。相反在这些领域,每个个体常常是重复测量(repeated measurement)的,或是存在聚类(cluster)关系。例如,在医学领域,病人的体温、心跳、血压等医学指标会每X小时进行一次测量。当该病人出院后,其重复测量的医学指标事实上就是一条时间序列,而多个(独立)病人的医学指标序列便形成了重复测量数据,也常被称作纵向数据(longitudinal data)与面板数据(panel data)。需要指出的是,纵向数据容许非平衡测量(unbalance),而面板数据通常都指平衡测量(balance)。非平衡的含义是:可以容许病人的测量间隔不同,而测量总次数也不同。平衡的含义是:测量总次数相同,测量间隔可以看做是相同的。

    针对纵向数据,Liang & Zeger 于1986年在Biometrika上发表了非常重要的一篇文章,提出了解决纵向数据参数回归问题的GEE方法。我们假设有

    个独立响应变量
    ,其中
    是由
    次重复测量的序列。又设有自变量
    ,满足矩条件

    .

    如果我们忽略序列

    内部的相关性,我们可以通过求解估计方程

    .

    获得参数

    的相合估计。由于忽略了
    内部的相关性,该估计虽然相合,但常常没有效率(efficiency)。一个直接的后果是,对回归系数做假设检验时,有可能致本应该显著的回归系数变得不显著,得到错误的统计推断。因此,Liang & Zeger 建议对如下求解估计方程

    ,

    其中

    均为向量,而
    是序列
    的协方差矩阵。然而在实际求解中,缺乏估计
    的有效手段。针对此问题,Liang & Zeger 建议用如“三明治”

    去近似该协方差阵,而夹心矩阵

    便是著名的工作结构矩阵(working structure matrix),被称作GEE方法的精髓。
    的常见取法有compound symmetric(CS)结构

    或是AR(1)

    或是ARMA(1,1)

    其中

    是个体
    次测量之间的间隔。无论何种取法,当给定适当的结构参数后
    正定,从而使近似协方差矩阵
    正定。于是,我们可以同样采用Fisher-Scoring Algorithm 去求解
    的估计:

    而获得的

    有极限分布

    其中

    .

    在得到数据后,我们可以用

    去代替

    ,因而获得回归系数的渐进方差矩阵

    Nelder J A, Wedderburn R W M. Generalized linear models[J]. Journal of the Royal Statistical Society: Series A (General), 1972, 135(3): 370-384.

    Liang K Y, Zeger S L. Longitudinal data analysis using generalized linear models[J]. Biometrika, 1986, 73(1): 13-22.

    展开全文
  • 最近看了下接口,发现经常用Comparator接口还有equals方法,但印象中,没有要对equals方法做过实现,搜索引擎中,也没有找到合理解释,所以引出了这篇文章   Comparator接口结构如下:  

    本来写的东西是关于Java8特性所引发的疑问,结果保存后丢了。。。丢了。。而且还有些问题本人没有搞清楚,为避免误人误己,直接切入主题


    直入正题,捞干货


    最近看了下接口,发现经常用的Comparator接口还有equals方法,但印象中,没有要对equals方法做过实现,搜索引擎中,也没有找到合理的解释,所以引出了这篇文章

     

    Comparator接口结构如下:

     

    其中包含两个抽象类,分别是为compare, equals

     

    类实现此接口时,需要实现的接口只有compare方法

     

    个人理解原因为Java中类都继承于Object类,而Object类默认实现了equals方法,所以类实现了Comparator类,不需要必须去实现equals方法

     

    如果有任何问题,欢迎指正,共同进步,谢谢


    展开全文
  • 张老师以有趣“爱家一号”机器人引出主题,首先介绍了人工智能基本概念,让我对人工智能有了更确切认识。张老师介绍,人工智能是一门研究、开发用于模拟、延伸和扩展人智能理论、方法、技术及应用系统...

    “人工智能与机器人”主题讲座观后感

    2020全国青少年高校科学营复旦分营

    天津市南开中学 丁兰若

    3ea43b7225e937fb50355b8e67905cef.png

    8月18日上午,我观看了复旦大学计算机学院张文强老师以“人工智能与机器人”为主题的讲座。张老师以有趣的“爱家一号”机器人引出主题,首先介绍了人工智能的基本概念,让我对人工智能有了更确切的认识。张老师介绍,人工智能是一门研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的技术学科,试图了解智能的实质,生产类似于人甚至是超越人的智能的系统。其领域十分广泛,涉及计算机、信息论、生物学、语言学等多门学科,其研究内容更是包括了计算机视觉、自然语言处理、知识表示、自动推理等多个方面。

    f8f3e3da5ca4aca5c93c7c7b83d91ccf.png

    人工智能也是一门发展极为迅速的学科,自从上世纪50年代被提出后,人工智能经历了半个多世纪的发展。近几年人工智能发展迅速,已不再是一个遥远的概念,相关成果已经开始改善人们的生活。张老师随后为我们介绍了人工智能的发展历史,可以分为四个阶段。首先是人工智能的诞生,人工智能之父阿兰·图灵题为“智能机器”的报告被诸多学者视为人工智能研究的开端,随后在1956年的达特茅斯会议正式提出“人工智能”这一概念,人工智能研究领域从此正式诞生。人工智能的发展在诞生后经历了三次发展热潮,从1955年西蒙和纽厄尔开发的“逻辑理论家程序”,到数年前AlphaGo成为第一个击败人类职业围棋选手、战胜围棋世界冠军的人工智能机器人,人们在人工智能领域的研究在不断发展与深入。

    张老师重点解释了AlphaGo的主要工作原理——深度学习。首先,AlphaGo使用人工神经网络对复杂局面进行评估,并制定走棋策略。其次,AlphaGo会进行自我对弈,以此得到大量棋谱用于分析和训练,从而提高自身水平。此外,它也会学习人类棋谱,并在对弈中思考未来的多步走法。升级版AlphaGo Zero则在此基础上攻克了国际象棋和日本将棋,相较于AlphaGo,它投入更多资源用于自我对弈,从而使得到的数据量倍增,同时完全放弃人类棋谱,突破了人类思维的限制。

    9fc7152626a8f49c228bf094f1fd0a58.png

    人工智能也与城市生活有着密不可分的联系。人工智能在交通方面的应用有智能导航、智能调度、自动驾驶,在医疗方面则有智能导诊、健康管理,在金融方面有智能客服、智能风控等,甚至还在物流、教育等诸多方面起到了极为重要的作用。张老师分别列举了这些方面的几个典型应用,令我印象最深刻的是刷脸支付,目前这项技术已经在我的校园里应用,取得了较为良好的效果。

    通过观看5G智能教育进入校园的视频,我感受到了人工智能极大的实用性,其在校园中的应用,确实为学生的学习生活带来了极大便利。张教授又以“爱家一号”为例,用四个生活中常见的场景让我更深入了解到了人工智能在日常起到的重要作用。“爱家一号”实现了通讯技术与人工智能的完美结合,创造了工厂、社区、家庭服务的新方式。

    8d864a363babd3ac622f3eba6d806f2f.png

    随后张教授介绍了研发的过程。创意的诞生源自于严谨的调研,用户分析定位也是研发环节中十分重要的一环,张老师团队最终归纳出一个结论——偏年轻化的人群将是主要的购买者。经过市场调查与设计风格定位,张老师团队始终坚持以智能化、人性化、科技感为设计大方向,在研发的过程中制作了大量方案草图,同时结合了情感设计,进行感性工学研究,融入了微笑元素,还综合考量了运动学和动力学领域的各种因素。这足见科研工作需要极大的耐心与精益求精的精神,这正是值得我辈青少年学习之处。

    79f4f5cd422233d92921c4849b88c333.png

    人工智能是把“双刃剑”。其一,目前以深度神经网络为代表的人工智能技术存在“黑盒”,人们并不清楚人工智能软件的具体预测行为。在某些情况下,其可靠性会受到影响。其二,目前人工智能技术的相关法律还未完善,由人工智能技术带来的案件(如自动驾驶车辆撞伤行人)不能得到很好的解决。其三,人工智能技术的应用,会取代一些原本由人类工作的岗位,可能会造成一部分人失去原本的工作。最后,人工智能技术如果被不法分子利用,如伪造文件、视频等进行诈骗,会对社会造成问题。故而在人工智能领域,我们应该使其发挥正面效应,使其造福于人类。

    张老师在最后讲解的“交叉学科易出创新”对我产生了较大启发,人文学科与理工学科的碰撞往往产生思想的火花。随后的讲解也引发了我的进一步思考,人工智能的“本体”和“大脑”都很重要,即硬件基础不可忽视,侧重点可以根据实际情况有所不同。通过本次课程的学习,我对人工智能的发展有了更深入了解,也产生了深入研究的兴趣。

    编辑 | 汪子希

    校对 | 新媒体中心
    审核 | 蓝庆旦

    382b4a7930888ee5ffd1485b32790d54.png
    展开全文
  • 结构化思维方法

    2009-04-12 22:46:32
    首先是一个“找针”故事引出今天培训的主题,假设在教室里掉了一根针在地上,要如何把它找出来?答案当然很多种,再买一根、用磁铁、扫把、让大家帮忙一起找(这是我第一想法)等等,老师给出了一种做法,据说是...
  • IE中事件监听比较容易用到,但是由它所引出的一个关于this问题,不得不着重去思考和记录一下。 一、浏览器中不同事件监听/绑定(个人感觉用监听比较通俗易懂): //IE element.attachEvent("event",...
  • 这就引出了这篇博客的主题,如何测试sql语句的效率 下面介绍几种sql语句测试效率的方法,大多数是从网上查找的,然后再一一测试了一下在写sql语句的时候发现,对于想要的结果通常有好多中实现方法。当面对这些实现...
  • 论文写作-引言书写

    2020-12-30 17:39:20
    引言书写: 引言称为序言,是论文开端。需要介绍以下部分: 介绍研究目的,研究范围在哪里?... 引言与结论混淆,互不照应:引言是引出本文的主题给读者以引导,二结论是整篇文章最后总结,.
  • 为了引出本文的主题,先看看这个问题,最快水平垂直居中一个元素的方法是什么?水平垂直居中也算是 CSS 领域最为常见的一个问题了,不同场景下的方法也各不相同,各有优劣。嗯,下面这种应该算是最便捷的了:上面的 ...
  • 为了引出本文的主题,先看看这个问题,最快水平垂直居中一个元素的方法是什么?水平垂直居中也算是 CSS 领域最为常见的一个问题了,不同场景下的方法也各不相同,各有优劣。嗯,下面这种应该算是最便捷的了:上面的 ...
  • 为了引出本文的主题,先看看这个问题,最快水平垂直居中一个元素的方法是什么?水平垂直居中也算是 CSS 领域最为常见的一个问题了,不同场景下的方法也各不相同,各有优劣。嗯,下面这种应该算是最便捷的了:上面的 ...
  • 为了引出本文的主题,先看看这个问题,最快水平垂直居中一个元素的方法是什么?水平垂直居中也算是 CSS 领域最为常见的一个问题了,不同场景下的方法也各不相同,各有优劣。嗯,下面这种应该算是最便捷的了: class=...
  • 三项研究和五项不限成员名额访谈问题引出了参与者对其生活经历描述。 结果:使用解释现象学方法和Donabedian概念模型来分析数据,访谈逐字记录出现了三类:家庭经历和照顾SCD孩子; 家庭优势(过程); ...
  • 上篇文章介绍了怎么对socket接收到信息进行分包处理,把流水形数据分成一块一块儿,但是我们总不能在就只在一个接收函数里面写一个系统逻辑吧,那画面太美我不敢想象,由此就引出了今天主题框架路由。...
  • 为了引出本文的主题,先看看这个问题,最快水平垂直居中一个元素的方法是什么? 水平垂直居中也算是 CSS 领域最为常见的一个问题了,不同场景下的方法也各不相同,各有优劣。嗯,下面这种应该算是最便捷的了: &...
  • 【如何画实体层类图】

    千次阅读 热门讨论 2016-07-24 20:53:18
    一、前言 类图,在设计阶段是一个重要一个图,类图有方法和属性...所以这引出了今天的主题:实体层类图画法: 1.前提: 无论画哪种图,我们首先要做工作是把EA语言改成你要编程语言,如:我用是C#开发
  • 快速幂算法

    2019-03-17 23:33:35
    求幂的方法,想到的第一个就是把一个数连乘n遍。复杂度O(n)。 很显然,在一些卡数据的题目中,加一个O(n)的算法容易TLE,于是就引出了今天的主题:快速幂。 快速幂的原理很简单,就是把aba ^bab的b转化成二进制,...
  • 《你的灯亮着吗》这本书是美国著名思想家唐纳德·高斯和维拉尔德·温伯格所著的一本关于定义问题、分析...引出作者对于问题解决领域的重要观点,本书所提到的解决问题的方法是新颖的,然而仅凭读一本书就能够学会...
  • $.each() $().each区别

    2019-10-01 20:56:57
    今天看api中css(),最后有个方法我觉得很不错,就是可以逐渐修改元素大小,今天的主题就由此引出的,那先看一下这个应用。 1 $("div").click(function() { 2 $(this).css({ 3 width: function(index, ...
  • 《你的灯亮着吗》这本书是美国著名思想家唐纳德·高斯和维拉尔德·温伯格所著的一本关于定义问题、...引出作者对于问题解决领域的重要观点,本书所提到的解决问题的方法是新颖的,然而仅凭读一本书就能够学会如何解...
  • 一. lambda关键字引入: 我们先从普通函数定义说起: ...但是若一个函数功能使用次数并不多,采用专门命名得方法倒有点过于繁杂,由此,我们引出今天学习的主题:lambda关键字 python使用lam...
  • 这本书是美国著名思想家唐纳德·高斯和维拉尔德·温伯格所著的一本关于定义问题、分析问题...引出作者对于问题解决领域的重要观点,本书所提到的解决问题的方法是新颖的,然而仅凭读一本书就能够学会如何解决问题是...
  • 论文引言,摘要

    千次阅读 2006-08-16 17:48:00
    简短篇幅介绍论文写作背景和目的,缘起和提出研究要求现实情况,以及相关领域内前人所做工作和研究概况,说明本研究与前工作关系,目前研究热点、存在问题及作者工作意义,引出本文的主题给作者以...
  •  这本书分为6个主题,每个主题都有若干生动有趣而又有警戒意义的故事作为主线通过对实战中实际问题的解决,引出作者对于问题解决领域的重要观点,本书所提到的解决问题的方法是新颖的,然而仅凭读一本书就能够学会...

空空如也

空空如也

1 2 3
收藏数 59
精华内容 23
关键字:

引出主题的方法