SMALE实验室暑期特训作业

第一次作业

教程原文链接2

令 A = { 3 , 5 } \mathbf{A}=\{3,5\} A={3,5},写出$2^{\mathbf{A}}$

2 A = { ∅ , { 3 } , { 5 } , { 3 , 5 } } 2^\mathbf{A}=\{\emptyset,\{3\},\{5\},\{3,5\}\} 2A={∅,{3},{5},{3,5}}

展开$2^{\varnothing }$

2 ∅ = { ∅ } 2^\emptyset=\{\emptyset\} 2∅={∅}

令 A = { 5 , 6 , 7 , 8 , 9 } \mathbf{A}=\{5,6,7,8,9\} A={5,6,7,8,9}，写出$\mathbf{A}$的其它两种表示法

A = { x ∣ x ∈ N , 5 ≤ x ≤ 9 } \mathbf{A}=\{x|x\in\mathbf{N},5\leq x\leq9\} A={x∣x∈N,5≤x≤9}
A = { x ∈ N ∣ 5 ≤ x ≤ 9 } \mathbf{A}=\{x\in\mathbf{N} | 5\leq x\leq9\} A={x∈N∣5≤x≤9}

使用 markdown 模式写 CSDN 贴子, 根据提供的源码将相应表达式写出来.

A = { 0 , 1 , 2 , 3 , 4 , 5 , 6 , 7 , 8 , 9 } \mathbf{A}=\{0,1,2,3,4,5,6,7,8,9\} A={0,1,2,3,4,5,6,7,8,9}
N = { 0 , 1 , 2 , ⋯   } \mathbf{N}=\{0,1,2,\cdots\} N={0,1,2,⋯}
Ω = { a , b , ⋯   , z } \mathbf{\Omega}=\{\textrm{a},\textrm{b},\cdots,\textrm{z}\} Ω={a,b,⋯,z}
X = { x i } i = 1 n = { x 1 , x 2 , … , x n } \mathbf{X} = \{x_i\}_{i = 1}^n=\{x_1, x_2, \dots, x_n\} X={xi​}i=1n​={x1​,x2​,…,xn​}
O = { x ∣ x ∈ N , x m o d    2 = 1 } = { x ∈ N ∣ x m o d    2 = 1 } \mathbf{O}=\{x|x\in\mathbb{N},x\mod2=1\}=\{x\in\mathbb{N}|x\mod2=1\} O={x∣x∈N,xmod2=1}={x∈N∣xmod2=1}
2 A = { B ∣ B ⊆ A } 2^{\mathbf{A}}=\{{\mathbf{B}}|\mathbf{B} \subseteq \mathbf{A}\} 2A={B∣B⊆A}
A = { 0 , 1 , 2 } \mathbf {A}=\{0, 1, 2\} A={0,1,2}, 2 A = { ∅ , { 0 } , { 1 } , { 2 } , { 0 , 1 } , { 0 , 2 } , { 1 , 2 } , { 0 , 1 , 2 } } 2^{\mathbf{A}}=\{\emptyset,\{ 0\},\{1 \},\{ 2\},\{0,1 \},\{0,2 \},\{ 1,2\},\{ 0,1,2\}\} 2A={∅,{0},{1},{2},{0,1},{0,2},{1,2},{0,1,2}}
A × B = { ( a , b ) ∣ a ∈ A , b ∈ B } \mathbf{A} \times \mathbf{B}=\{(a,b)|{a}\in \mathbf{A},{b} \in \mathbf{B} \} A×B={(a,b)∣a∈A,b∈B}
$\mathbf{A}\times \mathbf{B}\ne \mathbf{B}\times \mathbf{A}$
$\varnothing \times \mathbf{B}=\varnothing$
$|\mathbf{A}\times \mathbf{B}|=|\mathbf{A}|\times |\mathbf{B}|$

写出矩阵相乘

$$a=\left[\begin{array}{cc}1& 2\\ 1& 2\\ 1& 2\end{array}\right]$$
$$b=\left[\begin{array}{cccc}1& 1& 1& 1\\ 0& 0& 0& 0\end{array}\right]$$
$$a\times b=\left[\begin{array}{cccc}1& 1& 1& 1\\ 1& 1& 1& 1\\ 1& 1& 1& 1\end{array}\right]$$

第二次作业

教程原文链接4
教程原文链接5
教程原文链接7

令 A = { 1 , 2 , 5 , 8 , 9 } \mathbf{A}=\{1,2,5,8,9\} A={1,2,5,8,9},写出$\mathbf{A}$上的 “模 2 同余” 关系及相应的划分.

R = { ( a , b ) ∈ A × A ∣ a m o d    2 = b m o d    2 } \mathbf{R}=\{(a,b)\in\mathbf{A}\times\mathbf{A}|a\mod2=b\mod2\} R={(a,b)∈A×A∣amod2=bmod2}
R = { ( 1 , 1 ) , ( 1 , 5 ) , ( 1 , 9 ) , ( 2 , 8 ) } \mathbf{R}=\{(1,1),(1,5),(1,9),(2,8)\} R={(1,1),(1,5),(1,9),(2,8)}
等价关系导致的对原集合的划分：
P = { { 1 , 5 , 9 } , { 2 , 8 } } \mathcal{P}=\{\{1,5,9\},\{2,8\}\} P={{1,5,9},{2,8}}

A = { 1 , 2 , 5 , 8 , 9 } \mathbf{A}=\{1,2,5,8,9\} A={1,2,5,8,9},自己给定两个关系${\mathbf{R}}_1$和${\mathbf{R}}_2$，并计算${\mathbf{R}}_1{\mathbf{R}}_1$，${\mathbf{R}}_1^{+}$,${\mathbf{R}}_1^{\ast }$

R 1 = { ( 1 , 2 ) , ( 2 , 5 ) } \mathbf{R_1}=\{(1,2),(2,5)\} R1​={(1,2),(2,5)}
R 2 = { ( 2 , 2 ) , ( 8 , 9 ) , ( 5 , 9 ) } \mathbf{R_2}=\{(2,2),(8,9),(5,9)\} R2​={(2,2),(8,9),(5,9)}
R 1 R 2 = { ( 1 , 2 ) , ( 2 , 9 ) } \mathbf{R_1R_2}=\{(1,2),(2,9)\} R1​R2​={(1,2),(2,9)}

• 正闭包${\mathbf{R}}^{+}={\bigcup }_{i=1}^{|\mathbf{A}|}{\mathbf{R}}^i$.

${\mathbf{R}}_1^{+}={\mathbf{R}}_1^1\cup {\mathbf{R}}_1^2\cup {\mathbf{R}}_1^3\cup {\mathbf{R}}_1^4\cup {\mathbf{R}}_1^5$
R 1 1 = { ( 1 , 2 ) , ( 2 , 5 ) } \mathbf{R_1^1}=\{(1,2),(2,5)\} R11​={(1,2),(2,5)}
R 1 2 = { ( 1 , 5 ) } \mathbf{R_1^2}=\{(1,5)\} R12​={(1,5)}
${\mathbf{R}}_1^3=\varnothing$
${\mathbf{R}}_1^4=\varnothing$
${\mathbf{R}}_1^5=\varnothing$
R 1 + = { ( 1 , 2 ) , ( 2 , 5 ) , ( 1 , 5 ) } \mathbf{R_1^+}=\{(1,2),(2,5),(1,5)\} R1+​={(1,2),(2,5),(1,5)}

• 克林闭包：${\mathbf{R}}^{\ast }={\mathbf{R}}^{+}\cup {\mathbf{A}}^0$,其中 A 0 = { ( x , x ) ∣ x ∈ A } \mathbf{A^0}=\{(x,x)|x\in\mathbf{A}\} A0={(x,x)∣x∈A}.

R 1 ∗ = { ( 1 , 2 ) , ( 2 , 5 ) , ( 1 , 5 ) , ( 1 , 1 ) , ( 2 , 2 ) , ( 5 , 5 ) , ( 8 , 8 ) , ( 9 , 9 ) } \mathbf{R_1^*}=\{(1,2),(2,5),(1,5),(1,1),(2,2),(5,5),(8,8),(9,9)\} R1∗​={(1,2),(2,5),(1,5),(1,1),(2,2),(5,5),(8,8),(9,9)}

查阅粗糙集上下近似的定义并大概描述

粗糙集是建立在分类机制的基础上的一种处理不确定数据的方法。
在粗糙集中，无法确定某些元素是否一定属于某个集合，它可能属于也可能不属于，
下近似：表示粗糙集中确定属于这个集合的元素
上近似:表示粗糙集中可能属于这个集合的元素

举例说明你对函数的认识

函数 (映射) 有定义域与值域, 且对于定义域的每个值, 在值域中有且仅有一个值与其对应.

自己给定一个矩阵并计算其各种范数.

矩阵的范数详解
$\mathbf{X}=\left[\begin{array}{ccc}1& 0& -3\\ 4& -2& 5\\ -1& 2& 1\end{array}\right]$

$l_0=8$
$l_1=19$
$l_2=\sqrt[2]{61}$
$l_{\infty }=5$

解释 推荐系统: 问题、算法与研究思路 2.1 中的优化目标
$$\min \sum _{(i,j)\in \Omega }(f({\mathbf{x}}_i,{\mathbf{t}}_j)-r_{ij}{)}^2$$各符号及含义.

${\mathbf{x}}_i$ ：第$i$个用户的属性信息
${\mathbf{t}}_i$ ：第$i$件商品的属性信息
$r_{ij}$ ：第$i$个用户对第$j$件商品的评分
$f$ ：预测函数
$(f({\mathbf{x}}_i,{\mathbf{t}}_i)-r_{ij}{)}^2$ :预测结果与实际结果的误差的平方
${\sum }_{(ij)\in \Omega }$ :对误差求和
$\min {\sum }_{(ij)\in \Omega }(f({\mathbf{x}}_i,{\mathbf{t}}_i)-r_{ij}{)}^2$ 选取误差最小的预测函数

第三次作业

教程原文链接8
教程原文链接9

将向量下标为偶数的分量 (${\mathbf{x}}_2$,${\mathbf{x}}_4$, …) 累加, 写出相应表达式.

$\sum _{i=1}^n{x}_{2i}$

各出一道累加、累乘、积分表达式的习题, 并给出标准答案.

• 累加习题：下三角矩阵分量累加

$$\sum _{i=1}^n\sum _{j=1}^i{x}_{ij}$$

• 累乘习题：上三角分量累乘

$$\prod _{i=1}^n\prod _{j=i}^n{x}_{ij}$$

• 写出一个积分表达式并计算
  $$\begin{array}{rl}& {\int }_0^{10}3x^2+2x+1\mathrm{d}x\\ =& (x^3+x^2+x){|}_0^{10}\\ =& 1110\end{array}$$

你使用过三重累加吗? 描述一下其应用.

$$\sum _{i=1}^n\sum _{j=1}^i\sum _{k=1}^j{x}_{ijk}$$

给一个常用的定积分, 将手算结果与程序结果对比.

常用定积分：${\int }_0^6{x}^2+x+1\mathrm{d}x$

• 手算：

$$\begin{array}{rl}& {\int }_0^{10}{x}^2+x+1\mathrm{d}x\\ =& (\frac{x^3}{3}+\frac{x^2}{2}+x){|}_0^{10}\\ \approx & 393\end{array}$$

• 程序

#include<stdio.h>
int main(){
	double delta =0.01;
	double ret = 0.0;
	for(double i =0;i<=10;i+=delta){
		ret += (i*i+i+1)*delta;
	}
	printf("%lf",ret);
	return 0;
}
 

程序结果：393.893500

写一个小例子 ($n=3,m=1$) 来验证最小二乘法.

第四次作业

教程原文11
教程原文12
教程原文13

有向图与无向图, 哪个更特殊?

无向图更特殊，有向图更一般

定义无向网络

A directed net is a tuple $G=(V,w)$ where

• $V$ is the set of node
• $w:V\times V\to \mathbb{R}$ is the weight function where
  • $w(v_i,v_j)$ is the weight if the arc$(v_i,v_j)$
  • $(v_i,v_j)\in \mathbf{E}\iff (v_j,v_i)\in \mathbf{E}$

自己画一棵树, 将其元组各部分写出来 (特别是函数 $p$).

this tree is a triple $T=(V,r,p)$ where

• V = { v 0 , v 1 , v 2 , v 3 , v 4 , v 5 } V=\{v_0,v_1,v_2,v_3,v_4,v_5\} V={v0​,v1​,v2​,v3​,v4​,v5​} is the set of nodes;
• $r=v_0$ is the root node
• $p(r)$ is the parent node of $r$
  • $p(v_0)=\varphi$
  • $p(v_1)=v_0$
  • $p(v_2)=v_0$
  • $p(v_3)=v_2$
  • $p(v_4)=v_2$
  • $p(v_5)=v_2$

针对该树, 将代码中的变量值写出来 (特别是 parent 数组).

parent[] ==[-1,0,0,2,2,2]

画一棵三叉树, 并写出它的 child 数组.

$$\left[\begin{array}{ccc}1& 2& -1\\ -1& -1& -1\\ 3& 4& 5\\ -1& -1& -1\\ -1& -1& -1\\ -1& -1& -1\end{array}\right]$$

解释：第$i$行第$j$列为$v_i$的第$j$个孩子的索引

按照本贴风格, 重新定义树. 提示: 还是应该定义 parent 函数, 字母表里面只有一个元素.

Let $\varphi$ be the empty node,a tree is a $T=(\mathbf{V},r,p)$where

• $\mathbf{V}\ne \varnothing$ is the set of nodes;
• $r\in \mathbf{V}$ is the root node;
• p : V → V ∪ { ϕ } p:\mathbf{V}\rightarrow \mathbf{V} \cup\{\phi\} p:V→V∪{ϕ} is the parent mapping satisfying
  • $p(r)=\varphi$;
  • $\forall v\in \mathbf{V}，\exists 1n\ge 0$,st.$p^n(v)=r$.

注意 \empty与\phi的区别:
$\varnothing$用于表示空集合，源码 \empty \emptyset 都可以
$\varphi$用于表示空结点，源码\phi

根据图、树、m mm-叉树的学习, 谈谈你对元组的理解.

第五次作业

课程原文14-决策表
课程原文15

• 写出本例中的 $\mathbf{U},\mathbf{C},\mathbf{D}$ 和$\mathbf{V}$. 注: 最后两个属性为决策属性.
• $I$是怎么表示的?

U = { x 1 , x 2 , ⋯   , x 7 } \mathbf{U}=\{x_1,x_2,\cdots,x_7\} U={x1​,x2​,⋯,x7​}.
C = { Y e s , N o , H i g h , N o r m a l , L o w } \mathbf{C}=\{\rm{Yes,No,High,Normal,Low}\} C={Yes,No,High,Normal,Low}
D = { N o r m a l , A b n o r m a l , Y e s , N o } \mathbf{D}=\{\rm{Normal,Abnormal,Yes,No}\} D={Normal,Abnormal,Yes,No}
V = { Y e s , N o , H i g h , N o r m a l , L o w , A b n o r m a l } \mathbf{V}=\{\rm{Yes,No,High,Normal,Low,Abnormal}\} V={Yes,No,High,Normal,Low,Abnormal}

取消斜体：\rm{}

定义一个标签分布系统, 即各标签的值不是 0/1, 而是 $[0,1]$区间的实数, 且同一对象的标签和为 1.

A multi-label decision system is a tuple $S=(\mathbf{X},\mathbf{Y})$ where $\mathbf{X}=[x_{ij}{]}_{n\times m}\in {\mathbb{R}}^{n\times m}$is the data matrix,$\mathbf{Y}=[y_{ik}{]}_{n\times l}\in [0,1]$ is the label matrix,$n$ is the number of instance ,$m$ is the number of fature, $l$ is the number of labels,and$\sum y_{ik}=1$.

找一篇你们小组的论文来详细分析数学表达式, 包括其涵义, 规范, 优点和缺点.

多实例学习经典论文阅读笔记