Презентация на тему к диплому (пример)

Содержание

Слайд 2

Основные компании

Amazon
Google
Яндекс
Amazon
Twitter
Microsoft

Основные компании Amazon Google Яндекс Amazon Twitter Microsoft

Слайд 3

Характеристики сложноструктурированных данных

Внутренняя интерпретация.
Наличие внутренней структуры связей.
Шкалирование.
Погружение в пространство с семантической метрикой.
Наличие

Характеристики сложноструктурированных данных Внутренняя интерпретация. Наличие внутренней структуры связей. Шкалирование. Погружение в
активности.

Слайд 4

Используемые алгоритмы

PageRank
DBScan
Rock
Наивный байесовский классификатор
Семантические сети

Используемые алгоритмы PageRank DBScan Rock Наивный байесовский классификатор Семантические сети

Слайд 5

Области применения системы информационного поиска

Поиск информации.
Формирование рекомендаций.
Установление авторства.
Проверка на плагиат.
Автоматическая генерация текстов

Области применения системы информационного поиска Поиск информации. Формирование рекомендаций. Установление авторства. Проверка
для SEO (поисковой оптимизации).
Лингвистический анализ литературных текстов.
Корректировка текстов и исправление опечаток.

Слайд 6

Алгоритм PageRank

Каждой странице присваиваем вес равной единице.
Подсчитываем количество исходящих связей для каждой

Алгоритм PageRank Каждой странице присваиваем вес равной единице. Подсчитываем количество исходящих связей
страницы.
Вычисляем ранг каждой страницы с помощью формулы. Где A – страница, ранг которой необходимо найти, C(T1) – количество исходящих ссылок, d – коэффициент затухания.

Слайд 7

Место для блок-схемы

Место для блок-схемы

Слайд 8

Алгоритм ROCK

Procedurecluster (S, k)
Begin
1. link := compute-links (S)//Вычисляем связи в множестве точек

Алгоритм ROCK Procedurecluster (S, k) Begin 1. link := compute-links (S)//Вычисляем связи
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.

Слайд 9

Алгоритм DBSCAN

public List cluster() {
int clusterId = getNextClusterId();
for(DataPointp : points) {
if(isUnclassified(p) )

Алгоритм DBSCAN public List cluster() { int clusterId = getNextClusterId(); for(DataPointp :
{//Проверяем классифицировали ли мы данную точку.
boolean isClusterCreated = createCluster(p, clusterId); //Создаемкластердлякаждойточки
if( isClusterCreated ) {
clusterId = getNextClusterId();
}
}
}
List allClusters = new ArrayList();
for(Map.Entry> e : clusters.entrySet()) {
String label = String.valueOf(e.getKey());//Создаем кластер и имя длянего
Set 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
}

Слайд 10

Алгоритм DBSCAN

private boolean createCluster(DataPoint p, Integer clusterId){
Set nPoints = findNeighbors(p, eps);
if(

Алгоритм DBSCAN private boolean createCluster(DataPoint p, Integer clusterId){ Set nPoints = findNeighbors(p,
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 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;
}
Имя файла: Презентация-на-тему-к-диплому-(пример)-.pptx
Количество просмотров: 309
Количество скачиваний: 0