ベルマンフォードのアルゴリズムで実行される結果も逐次表示 - yasuhisa's blog
離散最適化理論の課題が出ていたので、ベルマンフォードのアルゴリズムを実装してみることにした。アルゴリズムが実行されていく様子の例もレポートに貼ろうと思ったんだけど、アルゴリズムはもうあるんだから、その様子をruby-graphvizとかで吐けばいいじゃんということでやってみた。 pngファイルをアニメーションgifに変換するのはこんな感じで。この辺を参考に。 convert -geometry 320x500! -delay 150 -loop 0 bellman_ford_example_a_uniq*.png bellman_ford_example_a.gif 俺はRubyで書いたわけだけど、こんなことをやってるid:mickey24に「それRでできるよ!!」と言われそうである。 単一始点最短路問題に対するその他のアルゴリズムベルマンフォードのアルゴリズムは単一始点最短路問題に対する
Rasch model - Wikipedia
The Rasch model, named after Georg Rasch, is a psychometric model for analyzing categorical data, such as answers to questions on a reading assessment or questionnaire responses, as a function of the trade-off between the respondent's abilities, attitudes, or personality traits, and the item difficulty.[1][2] For example, they may be used to estimate a student's reading ability or the extremity of
Link Analysis and Related Topics - Home
2008年度 先端情報科学特論 II & IV リンク解析と周辺の話題 担当 新保 仁 shimbo@is.naist.jp 日時 2008/11/10, 11/17, 12/1, 12/8 (全 4 回) - 4限 15:10-16:40 場所 情報棟 L3 講義室 リンク解析は, グラフ (ネットワーク) データの構造から有用な情報を抽出するための, データマイニングの一研究分野です. この講義ではまず, リンク解析が取り扱う 2 種類の尺度 (重要度と関連度) について述べ, それぞれの代表的な計算手法を紹介します. 後半では, 近年機械学習分野で盛んに研究されているカーネルのうち, グラフ上の節点に対して定義されたカーネル (グラフカーネル) と, そのリンク解析への応用について紹介します. 第1回 11月10日 スライド 第2回 11月17日 スライド 第3回 12月1日
大規模データを基にした自然言語処理 - DO++
人工知能基本問題研究会 (SIG-FPAI)でタイトルの題目で一時間ほど話してきました。 発表資料 [pptx] [pdf] 話した内容は - 自然言語処理における特徴ベクトルの作り方と、性質 - オンライン学習, Perceptron, Passive Agressive (PA), Confidence Weighted Learning (CW) 確率的勾配降下法 (SGD) - L1正則化, FOLOS - 索引を用いた効率化, 全ての部分文字列を利用した文書分類 で、スライドで70枚ぐらい。今までの発表とかぶっていないのはPA CW SGD FOLOSあたりでしょうか オンライン学習、L1正則化の話がメインになっていて、その両方の最終形の 確率的勾配降下法 + FOLOSの組み合わせは任意の損失関数に対してL1/L2正則化をかけながらオンライン学習をとても簡単にできるという一昔前
CMS
People Open People submenu Faculty Visitors Open Visitors submenu Merkin Distinguished Visiting Professorship Postdoctoral Scholars Open Postdoctoral Scholars submenu Postdoc Alumni Graduate Students Open Graduate Students submenu Graduate Alumni Research Staff Administration Academics Open Academics submenu Graduate Programs Open Graduate Programs submenu Graduate Degree in Applied + Computationa
Google Sites: Sign-in
Not your computer? Use a private browsing window to sign in. Learn more about using Guest mode
連立１次方程式ライブラリ
/* linear.c */ #include <stdio.h> #include <stdlib.h> #include "sslib.h" void gausei(double a[], int l, int m, int iter, double eps, double x[]) { int i, j, k; double ay, def, *p, *q, *r, sum, w, y; if(l < m || m < 2 || iter < 1 || eps <= 0.) { fprintf(stderr, "Error : Illegal parameter in gausei()\n"); return; } for(i = 0, p = x; i < m; i++) *p++ = 0.; k = 1; do { def = 0.; for(i = 0, p = x; i <
GLPKで楽しく最適化しよう！
since 2004/05/01 last update 2005/04/08 access: new! 最新版 glpk4.8 をアップロードしました。 new! 久しぶりに記事を追加しました。 new! GLPKスーパー簡易マニュアルを追加しました。 このページの目的 GLPK(GNU Linear Programming Kit)は最適化の入門者からプロまで幅広く使える 大変良くできたフリーの線形計画ソルバーです。 しかし残念なことに日本においてはほとんど普及しておらず、 付属マニュアルも英語のため、とても敷居の高いものになっています。 また、Unix上で動かすことが前提で作られているので、Windows上で 動作させることがなかなか面倒です。 そこで、WindowsのDOSで動作するようにバイナリも配布することにしました。 このページでは数理計画とは何か、から
ラグランジュ緩和入門
ラグランジュ緩和入門･･･これも上とあわせてご自慢の一冊です。これは「遺伝的アルゴリズム入門」の続編ですので、できれば先に遺伝的アルゴリズム入門(PowerPointファイル)か遺伝的アルゴリズム入門(PDFファイル)をダウンロードしてください。 ラグランジュ緩和入門(PDFファイル)・・・3304KB。 ラグランジュ緩和入門に必要な果物カード(PowerPointファイル)・・・115KB。(遺伝的アルゴリズム入門と共通です) ラグランジュ緩和入門に必要な果物カード(PDFファイル)・・・115KB。(遺伝的アルゴリズム入門と共通です) 理論関係(DEA・群論・AHP・IRTなど) に戻る
SIFT Tutorial
藤吉弘亘. "Gradientベースの特徴抽出 - SIFTとHOG - ", 情報処理学会 研究報告 CVIM 160, pp. 211-224, 2007. Scale-Invariant Feature Transform(SIFT) は，特徴点の検出と特徴量の記述を行うアルゴリズムである． 検出した特徴点に対して，画像の回転・スケール変化・照明変化等に頑健な特徴量を記述するため，イメージモザイク等の画像のマチングや物体認識・検出に用いられている． 本稿では，SIFT のアルゴリズムについて概説し，具体例としてSIFT を用いたアプリケーションや応用手法への展開について紹介する．また，SIFT と同様にgradient ベースの特徴抽出法であるHistograms of Oriented Gradients(HOG)のアルゴリズムとその応用例として人検出についても紹介する． Scal
Interactive Digital Photomontage
Abstract We describe an interactive, computer-assisted framework for combining parts of a set of photographs into a single composite picture, a process we call "digital photomontage." Our framework makes use of two techniques primarily: graph-cut optimization, to choose good seams within the constituent images so that they can be combined as seamlessly as possible; and gradient-domain fusion, a pr
リリース、障害情報などのサービスのお知らせ
最新の人気エントリーの配信
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く
http://www.ibis.t.u-tokyo.ac.jp/RyotaTomioka/Softwares/SupportPageICML10
Similarity Measurement
Stanford School of Engineering
http://www.logos.ic.i.u-tokyo.ac.jp/~tau/lecture/software/
Scilab
http://www.caip.rutgers.edu/riul/research/code/EDISON/doc/edge.html
https://www.faculty.idc.ac.il/arik/
A Topological Approach to Hierarchical Segmentation using Mean Shift
CSDL | IEEE Computer Society