第一次作业
令 A = { 3 , 5 } \mathbf{A}=\{3,5\} A={3,5},写出 2 A 2^\mathbf{A} 2A
2 A = { ∅ , { 3 } , { 5 } , { 3 , 5 } } 2^\mathbf{A}=\{\emptyset,\{3\},\{5\},\{3,5\}\} 2A={∅,{3},{5},{3,5}}
展开 2 ∅ 2^\emptyset 2∅
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 A \mathbf{A} 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}
A
×
B
≠
B
×
A
\mathbf{A} \times \mathbf{B} \ne \mathbf{B} \times \mathbf{A}
A×B=B×A
∅
×
B
=
∅
{\emptyset} \times {\mathbf{B}}={\emptyset}
∅×B=∅
∣
A
×
B
∣
=
∣
A
∣
×
∣
B
∣
|{\mathbf{A}} \times {\mathbf{B}}|=|{\mathbf{A}}| \times |{\mathbf{B}}|
∣A×B∣=∣A∣×∣B∣
写出矩阵相乘
a
=
[
1
2
1
2
1
2
]
a=\begin{bmatrix}1&2\\1&2\\1&2\end{bmatrix}
a=⎣⎡111222⎦⎤
b
=
[
1
1
1
1
0
0
0
0
]
b=\begin{bmatrix}1&1&1&1\\0&0&0&0\end{bmatrix}
b=[10101010]
a
×
b
=
[
1
1
1
1
1
1
1
1
1
1
1
1
]
a\times b=\begin{bmatrix}1&1&1&1\\1&1&1&1\\1&1&1&1\end{bmatrix}
a×b=⎣⎡111111111111⎦⎤
第二次作业
令 A = { 1 , 2 , 5 , 8 , 9 } \mathbf{A}=\{1,2,5,8,9\} A={1,2,5,8,9},写出 A \mathbf{A} 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 R 1 \mathbf{R}_1 R1和 R 2 \mathbf{R}_2 R2,并计算 R 1 R 1 \mathbf{R}_1\mathbf{R}_1 R1R1, R 1 + \mathbf{R}_1^+ R1+, R 1 ∗ \mathbf{R}_1^* R1∗
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)\}
R1R2={(1,2),(2,9)}
- 正闭包 R + = ⋃ i = 1 ∣ A ∣ R i \mathbf{R^+}=\bigcup^{|\mathbf{A}|}_{i=1}\mathbf{R}^i R+=⋃i=1∣A∣Ri.
R
1
+
=
R
1
1
∪
R
1
2
∪
R
1
3
∪
R
1
4
∪
R
1
5
\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}
R1+=R11∪R12∪R13∪R14∪R15
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)}
R
1
3
=
∅
\mathbf{R_1^3}=\empty
R13=∅
R
1
4
=
∅
\mathbf{R_1^4}=\empty
R14=∅
R
1
5
=
∅
\mathbf{R_1^5}=\empty
R15=∅
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: R ∗ = R + ∪ A 0 \mathbf{R^*}=\mathbf{R^+\cup\mathbf{A^0}} R∗=R+∪A0,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
X
=
[
1
0
−
3
4
−
2
5
−
1
2
1
]
\mathbf{X}=\begin{bmatrix}1&0&-3\\4&-2&5\\-1&2&1\end{bmatrix}
X=⎣⎡14−10−22−351⎦⎤
l
0
=
8
l_0=8
l0=8
l
1
=
19
l_1=19
l1=19
l
2
=
61
2
l_2=\sqrt[2]{61}
l2=261
l
∞
=
5
l_\infty=5
l∞=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 ∑ ( i , j ) ∈ Ω ( f ( x i , t j ) − r i j ) 2 \min\sum\limits_{(i,j)\in\Omega}(f(\mathbf{x}_i,\mathbf{t}_j)-r_{ij})^2 min(i,j)∈Ω∑(f(xi,tj)−rij)2各符号及含义.
x
i
\mathbf{x}_i
xi :第
i
i
i个用户的属性信息
t
i
\mathbf{t}_i
ti :第
i
i
i件商品的属性信息
r
i
j
r_{ij}
rij :第
i
i
i个用户对第
j
j
j件商品的评分
f
f
f :预测函数
(
f
(
x
i
,
t
i
)
−
r
i
j
)
2
(f(\mathbf{x}_i,\mathbf{t}_i)-r_{ij})^2
(f(xi,ti)−rij)2 :预测结果与实际结果的误差的平方
∑
(
i
j
)
∈
Ω
\sum_{(ij)\in \Omega}
∑(ij)∈Ω :对误差求和
min
∑
(
i
j
)
∈
Ω
(
f
(
x
i
,
t
i
)
−
r
i
j
)
2
\min\sum_{(ij)\in \Omega}(f(\mathbf{x}_i,\mathbf{t}_i)-r_{ij})^2
min∑(ij)∈Ω(f(xi,ti)−rij)2 选取误差最小的预测函数
第三次作业
将向量下标为偶数的分量 ( x 2 \mathbf{x}_2 x2, x 4 \mathbf{x}_4 x4, …) 累加, 写出相应表达式.
∑ i = 1 n x 2 i \sum\limits_{i=1}^{n}x_{2i} i=1∑nx2i
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
∑ i = 1 n ∑ j = 1 i x i j \sum\limits^n_{i=1}\sum\limits^i_{j=1}x_{ij} i=1∑nj=1∑ixij
- 累乘习题:上三角分量累乘
∏ i = 1 n ∏ j = i n x i j \prod\limits_{i=1}^{n}\prod\limits_{j=i}^nx_{ij} i=1∏nj=i∏nxij
- 写出一个积分表达式并计算
∫ 0 10 3 x 2 + 2 x + 1 d x = ( x 3 + x 2 + x ) ∣ 0 10 = 1110 \begin {aligned} &\int^{10}_03x^2+2x+1\mathrm{d}x\\ =&({x^3}+{x^2} +x)|^{10}_{0}\\ =&1110\end {aligned} ==∫0103x2+2x+1dx(x3+x2+x)∣0101110
你使用过三重累加吗? 描述一下其应用.
∑ i = 1 n ∑ j = 1 i ∑ k = 1 j x i j k \sum\limits^n_{i=1}\sum\limits^i_{j=1}\sum\limits^j_{k=1}x_{ijk} i=1∑nj=1∑ik=1∑jxijk
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: ∫ 0 6 x 2 + x + 1 d x \int^{6}_0x^2+x+1\mathrm{d}x ∫06x2+x+1dx
- 手算:
∫ 0 10 x 2 + x + 1 d x = ( x 3 3 + x 2 2 + x ) ∣ 0 10 ≈ 393 \begin {aligned} &\int^{10}_0x^2+x+1\mathrm{d}x\\ =&(\frac{x^3}{3}+\frac{x^2}{2} +x)|^{10}_{0}\\ \approx&393\end {aligned} =≈∫010x2+x+1dx(3x3+2x2+x)∣010393
- 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 n=3,m=1 n=3,m=1) 来验证最小二乘法.
第四次作业
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 ) G=(V,w) G=(V,w) where
- V V V is the set of node
-
w
:
V
×
V
→
R
w:V\times V \rightarrow\mathbb{R}
w:V×V→R is the weight function where
- w ( v i , v j ) w(v_i,v_j) w(vi,vj) is the weight if the arc ( v i , v j ) ( v_i,v_j) (vi,vj)
- ( v i , v j ) ∈ E ⇔ ( v j , v i ) ∈ E (v_i, v_j) \in \mathbf{E} \Leftrightarrow (v_j, v_i) \in \mathbf{E} (vi,vj)∈E⇔(vj,vi)∈E
自己画一棵树, 将其元组各部分写出来 (特别是函数 p p p).
this tree is a triple T = ( V , r , p ) T=(V,r,p) 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 r=v_0 r=v0 is the root node
-
p
(
r
)
p(r)
p(r) is the parent node of
r
r
r
- p ( v 0 ) = ϕ p(v_0)=\phi p(v0)=ϕ
- p ( v 1 ) = v 0 p(v_1)=v_0 p(v1)=v0
- p ( v 2 ) = v 0 p(v_2)=v_0 p(v2)=v0
- p ( v 3 ) = v 2 p(v_3)=v_2 p(v3)=v2
- p ( v 4 ) = v 2 p(v_4)=v_2 p(v4)=v2
- p ( v 5 ) = v 2 p(v_5)=v_2 p(v5)=v2
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.
[
1
2
−
1
−
1
−
1
−
1
3
4
5
−
1
−
1
−
1
−
1
−
1
−
1
−
1
−
1
−
1
]
\begin{bmatrix}1&2&-1\\-1&-1&-1\\3&4&5\\-1&-1&-1\\-1&-1&-1\\-1&-1&-1\end{bmatrix}
⎣⎢⎢⎢⎢⎢⎢⎡1−13−1−1−12−14−1−1−1−1−15−1−1−1⎦⎥⎥⎥⎥⎥⎥⎤
解释:第 i i i行第 j j j列为 v i v_i vi的第 j j 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 ϕ \phi ϕ be the empty node,a tree is a T = ( V , r , p ) T=(\mathbf{V},r,p) T=(V,r,p)where
- V ≠ ∅ \mathbf{V}\not= \emptyset V=∅ is the set of nodes;
- r ∈ V r\in \mathbf{V} r∈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 ) = ϕ p(r)=\phi p(r)=ϕ;
- ∀ v ∈ V , ∃ 1 n ≥ 0 \forall v\in \mathbf{V},\exist1n\geq0 ∀v∈V,∃1n≥0,st. p n ( v ) = r p^{n}(v)=r pn(v)=r.
注意 \empty与\phi的区别:
∅
\empty
∅用于表示空集合,源码 \empty \emptyset 都可以
ϕ
\phi
ϕ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
- 写出本例中的 U , C , D \mathbf{U}, \mathbf{C},\mathbf{D} U,C,D 和 V \mathbf{V} V. 注: 最后两个属性为决策属性.
- I I 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 ] [ 0 , 1 ] [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 = ( X , Y ) S=(\mathbf{X},\mathbf{Y}) S=(X,Y) where X = [ x i j ] n × m ∈ R n × m \mathbf{X}=[x_{ij}]_{n\times m}\in \mathbb{R}^{n\times{m}} X=[xij]n×m∈Rn×mis the data matrix, Y = [ y i k ] n × l ∈ [ 0 , 1 ] \mathbf{Y}=[y_{ik}]_{n\times l}\in[0,1] Y=[yik]n×l∈[0,1] is the label matrix, n n n is the number of instance , m m m is the number of fature, l l l is the number of labels,and ∑ y i k = 1 \sum y_{ik} = 1 ∑yik=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.