Разделы презентаций


к диплому (пример)

Основные компанииAmazonGoogleЯндексAmazonTwitterMicrosoft

Слайды и текст этой презентации

Слайд 1Презентация к дипломной работе
Разработка многопрофильной системы информационного поиска

Презентация к дипломной работеРазработка многопрофильной системы информационного поиска

Слайд 2Основные компании
Amazon
Google
Яндекс
Amazon
Twitter
Microsoft

Основные компанииAmazonGoogleЯндексAmazonTwitterMicrosoft

Слайд 3Характеристики сложноструктурированных данных
Внутренняя интерпретация.
Наличие внутренней структуры связей.
Шкалирование.
Погружение в пространство с

семантической метрикой.
Наличие активности.

Характеристики сложноструктурированных данныхВнутренняя интерпретация.Наличие внутренней структуры связей.Шкалирование.Погружение в пространство с семантической метрикой.Наличие активности.

Слайд 4Используемые алгоритмы
PageRank
DBScan
Rock
Наивный байесовский классификатор
Семантические сети

Используемые алгоритмыPageRankDBScanRockНаивный байесовский классификаторСемантические сети

Слайд 5Области 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.
Области применения системы информационного поискаПоиск информации.Формирование рекомендаций.Установление авторства.Проверка на плагиат.Автоматическая генерация текстов для SEO (поисковой оптимизации).Лингвистический анализ

Слайд 6Алгоритм PageRank
Каждой странице присваиваем вес равной единице.
Подсчитываем количество исходящих связей

для каждой страницы.

Вычисляем ранг каждой страницы с помощью формулы. Где A – страница, ранг которой необходимо найти, C(T1) – количество исходящих ссылок, d – коэффициент затухания.
Алгоритм PageRankКаждой странице присваиваем вес равной единице.Подсчитываем количество исходящих связей для каждой страницы.

Слайд 7Место для блок-схемы

Место для блок-схемы

Слайд 8Алгоритм 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.

Алгоритм ROCKProcedurecluster (S, k)Begin1. link := compute-links (S)//Вычисляем связи в множестве точек S2. for each s from

Слайд 9Алгоритм DBSCAN
public List 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 allClusters = new ArrayList();
for(Map.Entry> e : clusters.entrySet()) {
String label = String.valueOf(e.getKey());//Создаем кластер и имя длянего
Set 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
}

Алгоритм DBSCANpublic List cluster() {int clusterId = getNextClusterId();for(DataPointp : points) {if(isUnclassified(p) ) {//Проверяем классифицировали ли мы данную

Слайд 10Алгоритм DBSCAN
private boolean createCluster(DataPoint p, Integer clusterId){
Set nPoints = findNeighbors(p,

eps);
if( nPoints.size() < minPoints ) {


assignPointToCluster(p, CLUSTER_ID_NOISE);//Есликоличествоточекокружностименьше, чемminPoints, 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 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;
}

Алгоритм DBSCANprivate boolean createCluster(DataPoint p, Integer clusterId){Set nPoints = findNeighbors(p, eps); if( nPoints.size() < minPoints ) {

Слайд 11Наивный байесовский классификатор
Место для блок-схемы.

Наивный байесовский классификаторМесто для блок-схемы.

Теги

Обратная связь

Если не удалось найти и скачать доклад-презентацию, Вы можете заказать его на нашем сайте. Мы постараемся найти нужный Вам материал и отправим по электронной почте. Не стесняйтесь обращаться к нам, если у вас возникли вопросы или пожелания:

Email: Нажмите что бы посмотреть 

Что такое TheSlide.ru?

Это сайт презентации, докладов, проектов в PowerPoint. Здесь удобно  хранить и делиться своими презентациями с другими пользователями.


Для правообладателей

Яндекс.Метрика