ارائه ها

به دلیل نامعلومی تصمیم گرفتم ارائه هام رو آپلود کنم.

دریافت
عنوان: fault tolerant clustering

دریافت
عنوان: P3C clustering algorithm
توضیحات: projected + subspace

دریافت
عنوان: online unit clustering
توضیحات: randomized clustering

Sequential Monte Carlo Methods

می خواستم یه چیزی پیدا کنم که بشه از روی ترافیک یک نود توی شبکه پیداش کرد. بعد اینو پیدا کردم. (فکر نکنم اونی باشه که می خواستم ولی جالب به نظر می رسه، باشه برای بعدا که بخونمش).

http://ieeexplore.ieee.org/xpl/login.jsp?tp=&arnumber=4557738&url=http%3A%2F%2Fieeexplore.ieee.org%2Fxpls%2Fabs_all.jsp%3Farnumber%3D4557738

http://en.wikipedia.org/wiki/Particle_filter

http://www.stats.ox.ac.uk/~doucet/samsi_course.html

توی زمین اگه گم بشیم بخوایم همین کارو بکنیم (جای یه چیزی رو پیدا کنیم)

http://fa.wikipedia.org/wiki/%D9%86%D8%A7%D9%88%D8%A8%D8%B1%DB%8C_%D9%87%D8%B0%D9%84%D9%88%D9%84%D9%88%DB%8C

http://www.qrg.northwestern.edu/projects/vss/docs/navigation/1-what-is-triangulation.html

این مال wireless sensor network مربوط به همین سواله:

http://cs.illinois.edu/class/fa05/cs598tar/papers/IEEESigProcMag05-Patwari-Localization.pdf

توضیح خوب

این خوب توضیح داده. قسمت آخرش مال تصادفیه. دوگان هم داره که تو هندسه خوندیم. عنوانش هم بهینه سازی ترکیبیاتیه. حالا دیگه خودتون می دونید!

http://sina.sharif.edu/~inoi/books/LP.pdf

خوب نبود پشیمون شدم.

ای سی ام (icpc)

ناامید بودن خیلی بده. :)

این آموزش ای سی ام یه دانشگاه که برای کسانی که می خوان تازه شروع کنن خوبه. به پای مال felix halim نمی رسه.

http://www.ic.kmitl.ac.th/moodle/course/view.php?id=30

انقدر که دیگه اینها رو نوشتن به درد نمی خوره آدم بنویسدشون دیگه. مساله ها هم دیگه این مدلی نیستن!

این راهنماهای کدفورسز و تاپ کدر هم به درد نمی خوره خیلی بد گفتن. به نظرم بهترش اینه که سوالهای جهانی رو آدم مباحثش رو بگه.

قشنگ یادمه بار اولی که می خواستم سوال dp حل کنم که توش باید جواب backtrack زیر مساله ها رو نگه می داشتی. الآن به نظرم ایده ی یکی از مقاله های دیروز این بود..

ajeev Motwani's Recent Teaching Activity

http://theory.stanford.edu/~rajeev/courses.html

درخت های نزدیک ترین همسایه

http://www.cs.columbia.edu/CAVE/projects/nnsearch/images/nn.png

شبکه های جهان کوچک؟ small world networks

خب اینها یه شبکه هایی مثل شبکه های اجتماعی (ارتباط انسانها با هم) اند که با وجود اینکه حتی تصادفی هم نیست تعداد گام هایی که برای رسیدن از یه جا (نفر) به یه جای دیگه هست کمه. اگه تصادفی بود و 6 گام می رفتیم و هر آدمی 10 نفر دیگه رو می شناخت، یه میلیون نفر آدم می شناختیم. یعنی خودش خود به خود خوشه بندی شده است. (خوشه بندی = یه سری چیز رو توی یه سری مجموعه بذاریم بدون اینکه از قبل بدونیم چی اند).

برای یه شبکه ی تصادفی، بزرگترین زیر مجموعه ی همبندش به درجه ی راسها بستگی داره. خلاصه خیلی باید درجه ی هر راس خیلی زیاد باشه تا بشه گفت همه اش همبنده. بعد اینکه فقط همبند بودن نیست، اینکه توی چند قدم می رسه هم هست. (طول مسیر) ضریب خوشه بندی (فکر کنم اینکه چند تا از همسایه هاش به هم وصلند) و قطر خوشه (فاصله ی دور ترین نقاط خوشه) هم هست.

توی شبکه های منظم درجه ی راسها کمه ولی تعداد یالهایی که برای همبندی لازمه زیاده و قطر هم زیاده، توی شبکه های تصادفی اینها کمتره، ولی مشکلی که داره اینه که دیگه خوشه بندی شده نیست. (منظم مثل grid یا چهارخونه و تصادفی هم که با یه احتمالی هر کسی به هر کسی دیگه وصل میشه).

روشهایی که برای ساختن یه شبکه ی جهان کوچک (طبیعی) دادن:

یک گراف منظم رو تصادفی لینک هاش رو عوض کنیم...Watts and Strogatz   FreeNet 

ادامه دارد!

شباهت

برای تعریف شباهت یا همون یک منهای فاصله (در اکثر موارد) یه سری معیار هست که توشون یه سری خصوصیت ها باید باشه تا بشه با الگوریتم های مختلف ازشون استفاده کرد.

خصوصیت هایی که باید داشته باشند:

• تقارن: فاصله ی x تا y با فاصله ی y تا x برابر باشه. مثالی از یه فاصله ی نامتقارن n امین نزدیک ترین نقطه به یه نقطه ی دیگه است.
• نامساوی مثلث: (همون قضیه حمار!) یعنی مجموع فاصله x تا y و y تا z از فاصله ی x تا z بیشتر باشه. (این در واقع اصلی ترین شرطه)
• فاصله ی هر نقطه تا خودش صفر باشه.

خب معیارهایی که هست هم بعضی هاشو میگم:

• فاصله های خیلی متداول:
• فاصله ی اقلیدسی (فاصله ی مستقیم دو تا نقطه)
• فاصله ی منهتن (که روی صفحه ی چهارخونه تعداد یالهاییه که با هم فاصله دارن = جمع اختلاف xها و yهای دو نقطه)
• نُرم ها (مینکفسکی):
• برای بینهایتش میشه ماکسیمم قدر مطلق اختلاف مولفه ها (xها با هم، yها با هم، ...)
• نرم 1 = قدر مطلق = مجموع قدر مطلق اختلاف مولفه ها
• نرم های دیگه! (p-norm) = مجموع اختلاف مولفه ها رو به توان p برسونیم ریشه p-ام بگیریم.
• فاصله های گسسته
• فاصله ی n-امین نقطه یا رنک (چندمین دورترین نقطه از این نقطه است) = روی فاصله های دیگه می تونه تعریف بشه
• فاصله ی جاکارد: شباهتش رو تعریف می کنم چون آسون تره (فاصله میشه یک منهای شباهت): تعداد اعضای اشتراک به تعداد اعضای اجتماع. شکل برداری اش رو هم میگن تانیموتو.
• فاصله های جالب
• یه فاصله ی دیگه که توی الگوریتم خوشه بندی doubling ازش استفاده میشه و اسمش رو درست نمی دونم: تعداد نقطه هایی که توی دایره به شعاع r هستند به تعداد نقطه هایی که توی شعاع 2r از یه نقطه هستند.
• یه فاصله که یکی از روی این فاصله قبلیه تعریف کرده و توش یه احتمال هم توی صورت ضرب کرده.
• simrank: یه فاصله ی برداری بر مبنای random walk

این داستان ادامه دارد!