» » » к диплому (пример)

Презентация на тему к диплому (пример)


Здесь Вы можете скачать готовую презентацию на тему к диплому (пример). Предмет презентации: Обществознание. Красочные слайды и илюстрации помогут вам заинтересовать своих одноклассников или аудиторию. Для просмотра содержимого презентации воспользуйтесь плеером, или если вы хотите скачать презентацию - нажмите на соответствующий текст под плеером. Презентация содержит 11 слайдов.

Слайды презентации

Слайд 1
Презентация к дипломной работе Разработка многопрофильной системы информационного поиска
Слайд 2
Основные компании • Amazon • Google • Яндекс • Amazon • Twitter • Microsoft
Слайд 3
Характеристики сложноструктурированных данных 1. Внутренняя интерпретация. 2. Наличие внутренней структуры связей. 3. Шкалирование. 4. Погружение в пространство с семантической метрикой. 5. Наличие активности.
Слайд 4
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 для SEO ( поисковой оптимизации). • Лингвистический анализ литературных текстов. • Корректировка текстов и исправление опечаток.
Слайд 6
Алгоритм PageRank 1. Каждой странице присваиваем вес равной единице. 2. Подсчитываем количество исходящих связей для каждой страницы. 3. 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
Слайд 8
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.
Слайд 9
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 }
Слайд 10
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 , чем minPoints, 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; }
Слайд 11
Наивный байесовский классификатор • Место для блок-схемы.

Другие презентации по обществознанию



  • Яндекс.Метрика
  • Рейтинг@Mail.ru