分层集群化启发式
我想探索在大型阵列中的数据项之间的关系。每个数据项重$ P $由多维向量psented。首先，我已经决定使用集群化。我感兴趣的是找到集群（组数据向量）之间的层次关系。我能计算出我的向量之间的距离。因此，在第一步中我发现的最小生成树的。从那以后，我需要组数据向量按照我的生成树链接。但在这一步，我感到不安 - 如何在不同的载体结合成分层聚类我使用的是启发式：？ 如果两个向量的联系，它们之间的距离非常小
..
AI人工智能
频繁项集和放大器;关联规则 - Apriori算法
我想了解的先验（篮）算法的基本原理进行数据挖掘，使用 它是最好的，我解释了并发症我遇到一个例子： 下面是事务性的数据集： T1：牛奶，鸡肉，啤酒 T2：鸡肉，奶酪 T3：奶酪，靴子 T4：奶酪，鸡肉，啤酒 T5：鸡，啤酒，服装，奶酪，牛奶 T6：服装，啤酒，牛奶 T7：啤酒，牛奶，衣服 在最小支持度的上面是0.5或50％。 考虑从上面，我的交易数量显然是7 ，意为一个项集是“频
..
字prediction算法
我敢肯定有这个帖子，但我无法找到一个问这个确切的问题。考虑以下几点： 我们有一个字字典可用 我们被送到的话很多段落，我希望能够以predict中给出此输入句子的一个单词。 假设我们有几个句子，如“你好，我的名字是汤姆”，“他的名字是杰里”，“他去那里没有水”。我们检查哈希表，如果存在的话。如果不是这样，我们给它分配一个唯一的ID，并把它放在哈希表所示。这种方式，而不是存储字的“链”作为一串串，
..
如何使用转表与MTD（F）
我正在写一个AI的纸牌游戏，我已经发现了一些测试后，使用MTD（f）关于我的α+β算法 - 一系列的零窗口搜索 - 比仅仅使用α-β通过快本身。 在MTD（F）算法描述以及这里的http://people.csail.mit.edu/plaat/mtdf.html 我的问题是，对每个传中MTD（F）搜索（每猜测），我不重用任何我已存储的，即使写了链路上表明，previous位置我（其实结算
..
傍：如何桨知道球会打？
执行吃豆子和蛇，我实现下一个非常非常经典的比赛结束后：傍 的实施是非常简单的，但我有一个小问题，剩下的。当桨（我不知道，如果它被称为桨）的一个由电脑控制的，我有麻烦，在正确的位置来定位它。 球具有的当前位置，速度（其现在是常数）和方向角。所以，我可以计算位置在那里将击中计算机控制桨的一侧。因此Icould定位桨就在那里。但是，无论在实际游戏中，有计算机的桨将错过皮球的概率。我怎样才能实现这个概
..
期望最大化算法的数字例子
谁能提供EM算法的一个简单的数字例子，因为我不知道给出的公式？一个非常简单的有4个或5个笛卡尔坐标会完全做到。 解决方案 你看这个： 我也写在（编辑）一个简单的例子R A年前，不幸的是我无法找到它。我会稍后再试找到它。 编辑：这是 - EM＆LT; - 函数（） { ###读取文件，获取必要的COLS 数据文件＆LT; - read.csv（“wine.csv”，头=
..
连续VS离散人工神经网络
我意识到这可能是一个非常小众的问题，而是有没有人有连续神经网络的工作经验？我在哪一个连续的神经网络可能是VS您通常使用的离散神经网络的有益特别感兴趣。 为了清楚起见，我将澄清什么，我连续神经网络的意思，我想这可能是PTED意味着不同的事情跨$ P $。我做的不可以意味着激活函数是连续的。而我暗示的增加隐层神经元的数量是无限的想法。 所以为了清楚起见，这里是典型的谨慎NN的结构： 该 X 是输入
..
为什么的*指数在内存中的复杂性？
维基百科上的A *的复杂以下（链接这里）说： 更大的问题比它的时间 复杂性是A *的内存使用情况。在 最坏的情况下，它也必须记住 节点的指数数量。 我不明白，这是正确的，因为： 假设我们探索节点A，与继任者B，C和D.然后，我们添加B，C和D，以开放的节点列表，并附以参照，我们移动从打开节点到闭合节点 如果在一段时间内，我们发现另一个路径给B（例如，通过Q），即比通过甲路径越好，则所有
..
与传送器一格的A *受理的启发？
假定有细胞，其中一些被填充有壁的二维网格。字符可以从一个正方形的任何方是一步水平或垂直它的一个步骤，但不能跨墙。 给定的起始位置和结束位置中，我们可以通过使用A *算法以可容许的启发式找到从起始位置到终止位置的最短路径。在当前的设置中，曼哈顿距离会被接受，因为它从来没有高估到目的地的距离。 现在假设，除了墙壁，世界上有对传送器的。踏上一个传送点立即传送一个字符连接的传送点。传送器的存在打破了上
..
算法的产品列表进行分类？取2
我问了一个问题类似以这一几个星期前，但我没有问正确的问题。因此，我再次询问这里更多的细节问题，我想获得一个更注重的AI答案。 我有这或多或少同一个列表重新presenting产品。例如，在下面的列表，它们都是希捷硬盘。 在希捷硬盘500Go 在希捷硬盘120Go笔记本电脑 希捷酷鱼7200.12 ST3500418AS 500GB 7200转SATA为3.0Gb / s硬盘驱动器 新的和晶灵5
..
结构化聚类树数据
假设我们在一个半结构化的格式为一棵树给定的数据。作为一个例子，该树可以形成为一个有效的XML文档或为有效JSON文档。你可以把它想象成为一个类Lisp S-EX pression或（G）代数数据类型在Haskell或者Ocaml。 我们都获得了大量的树结构“文件”。我们的目标是群集的文献是相似。通过聚类，我们指的是一种方法，把文档分到的Ĵ的基团，使得在每个元件的样子彼此 我相信有论文在那里，它
..
数独求解算法的C ++
我试图做几天的数独解决方案，但我只能和方法。我发现这个算法，在这里，但我真的不明白： 在开始的第一个空单元格，并把1吧。 检查整板，看看是否有任何冲突 如果有冲突与斗争在板上，增加在当前小区1的数目（因此改变1至2，2〜3等） 如果董事会是干净的举动，开始重新第一步。 如果一个给定的单元格全部九个可能的数字引起电路板发生冲突，然后设置该单元回空，回到previous细胞，并从第3步重新开始（
..
10倍交叉验证
在k重，我们有这样的： 你将数据分成k个子集 （大致）相同的大小。你训练网络k次，每次离开 一颗颗从训练的子集，但仅使用省略子集 无论计算误差标准感兴趣的内容。如果k等于样本 大小，这就是所谓的“留一法”交叉验证。 “离开-V-OUT”是 更精细，更昂贵的版本交叉验证的，涉及 离开了诉案件的所有可能的子集。 这个词的培训和考试是什么意思？我不明白。 请你告诉我一些参考，我可以学习这个算法的例子
..
AI策略五子棋（的井字游戏的变化）
我在写一个游戏，是的五子棋的一个变种。基本上是一个井字游戏在一个巨大的板。 想知道如果有谁知道一个良好的AI战略游戏。我目前的实现是非常愚蠢的，需要很长的时间（为O（n ^ 3），约1-2次，使一招）： - （无效）moveAI { //检查如果敌人正试图使行水平，垂直，或对角 //为O（n ^ 3 * 3） [自checkEnemies] //检查，如果
..
如何从点列表查找模式（线，圆，......）？
我点的列表。每个点作为一个 X 和是坐标（这两者都是整数）。现在，我试图找到已知模式，如直线，圆弧或圆，知道点不完美的模式。 什么是做到这一点的最好方法是什么？我没有太多的线索开始。 编辑：点是有序的。用户是借鉴的东西，程序应该检测的最佳模式。例如，如果一个三角形绘制，应该检测三行 解决方案 看看的 Hough变换。你做的是：你改变你的形象，以“圆”的空间，然后你只需要找到光像素 发现光
..
国际象棋统计方法？
阅读有关谷歌如何解决让我思考翻译问题。是否可以通过分析数百万的游戏，并确定主要是基于（完全？）统计最好的移动建立一个强大的国际象棋引擎？有几个这样的国际象棋数据库（这是一个拥有450万的游戏），以及一个可能权衡使用因素相同（或镜像或反射）的位置移动，如玩家所涉及的收视率，怎么老游戏（在提高国际象棋理论因子）等任何原因，这的不的是一个可行的方法来构建一个国际象棋引擎？ 解决方案 这样的事情已经完
..
候选消除算法
考虑下面的训练数据集。 又大又红，圆，无 小，红色，三角形，无 小，红色，圆形，是 大，蓝色，圆形，无 小蓝，圈子是 我想了解的算法是如何进行时，它开始于一个反面的例子，当两个负例子走到了一起。 这是在路上没有一个分配的问题。 与其他数据集的例子也欢迎！这是了解该算法的负部分 解决方案 有关你的假设空间（H），你开始你的套极大一般的（G）和最大特定的（S）的假设： G1
..
人工智能算法和QUOT;赛马场及QUOT;游戏
没有人知道（或者可以建议）一个好的算法，人工智能的的RaceTrack pencil-纸的游戏？ 因为你必须在每一步9个可能的选择，你需要看看，至少6-10步骤提前决定一个很好的策略，暴力破解越来越很贵，即使你能排除一些选择，因为路口的边界 目前我试图以决定排除其选择为每个选择一些优质的价值 - 但我不知道好规则尚未就如何分配这样的质量值 解决方案 我已经做了C ++解算器，这是一个有点长
..
DPLL算法定义
我有一些问题了解DPLL算法，我想知道是否有人能解释给我，因为我觉得我的理解是不正确。 我的理解是这样的，我需要一些集文字的，如果有的每一个条款是真实的模型是真实的，但如果某些条款是假，那么该模型是假的。 我递归查询的模型，寻找一个单元子句中，如果有一个我设置的值，该单元条款，使之真，则更新模型。删除了，现在真正的所有条款，并删除它们现在假的。所有文字 在，已经没有单位的条款，我选择的任何其
..
曼哈顿距离超过估计，使我疯了
我实施星级算法与 曼哈顿距离 解决 8拼图（C语言）。这似乎很好地工作，并通过大量的单元测试，但没有找到最短路径在一种情况下（找到27步，而不是25）。 当我改变了启发函数来汉明距离发现在25个步骤。 还发现在25步的时候我做的曼哈顿距离函数返回一个一半的实际成本。 这就是为什么我认为，问题就出在曼哈顿距离函数的地方，它是在估算成本（因而不予受理）。我想，也许别的东西是怎么了？在C程序中，所以
..