開源布局演算法

1. jgraphx是個什麼東西 要怎麼用

jgraph
JGraph的基礎知識簡介，一個簡單的開始JGraph是一個開源的，兼容Swing的基於MVC體系結構圖形組件，具有以下特點：1） 基於Swing的擴展；（鑒於現在流行的SWT，這是一個缺點，不過SWT中加入Swing也是很方便的事）2） 簡單、高效的設計；3） 時間效率高；4） 100 %純java；5） 強大的布局演算法支持（雖然付費，大概500百美元，但其功能異常強大，適合像我這種不懂圖論的java程序員）JGraph不包含實際的數據，它提供了數據的視；JGraph對象畫圖的機制是：將圖元定義為一個一個的cell，每個cell可以是一個頂點（vertex）、邊（edge）或者節點（port）中的一種。頂點可以有鄰接的頂點，他們通過邊相聯系，邊聯接的兩個端點稱為目標和源，每個目標或者源是一個節點。節點是頂點的孩子。每個cell都可以有自己的孩子。每個cell的外觀由相應的屬性定義，屬性序列是指一系列的鍵－值對，他們以Map形式組織……

2. 機器學習一般常用的演算法有哪些

機器學習是人工智慧的核心技術，是學習人工智慧必不可少的環節。機器學習中有很多演算法，能夠解決很多以前難以企的問題，機器學習中涉及到的演算法有不少，下面小編就給大家普及一下這些演算法。

一、線性回歸

一般來說，線性回歸是統計學和機器學習中最知名和最易理解的演算法之一。這一演算法中我們可以用來預測建模，而預測建模主要關注最小化模型誤差或者盡可能作出最准確的預測，以可解釋性為代價。我們將借用、重用包括統計學在內的很多不同領域的演算法，並將其用於這些目的。當然我們可以使用不同的技術從數據中學習線性回歸模型，例如用於普通最小二乘法和梯度下降優化的線性代數解。就目前而言，線性回歸已經存在了200多年，並得到了廣泛研究。使用這種技術的一些經驗是盡可能去除非常相似（相關）的變數，並去除噪音。這是一種快速、簡單的技術。

二、Logistic 回歸

它是解決二分類問題的首選方法。Logistic 回歸與線性回歸相似，目標都是找到每個輸入變數的權重，即系數值。與線性回歸不同的是，Logistic 回歸對輸出的預測使用被稱為 logistic 函數的非線性函數進行變換。logistic 函數看起來像一個大的S，並且可以將任何值轉換到0到1的區間內。這非常實用，因為我們可以規定logistic函數的輸出值是0和1並預測類別值。像線性回歸一樣，Logistic 回歸在刪除與輸出變數無關的屬性以及非常相似的屬性時效果更好。它是一個快速的學習模型，並且對於二分類問題非常有效。

三、線性判別分析（LDA）

在前面我們介紹的Logistic 回歸是一種分類演算法，傳統上，它僅限於只有兩類的分類問題。而LDA的表示非常簡單直接。它由數據的統計屬性構成，對每個類別進行計算。單個輸入變數的 LDA包括兩個，第一就是每個類別的平均值，第二就是所有類別的方差。而在線性判別分析，進行預測的方法是計算每個類別的判別值並對具備最大值的類別進行預測。該技術假設數據呈高斯分布，因此最好預先從數據中刪除異常值。這是處理分類預測建模問題的一種簡單而強大的方法。

四、決策樹

決策樹是預測建模機器學習的一種重要演算法。決策樹模型的表示是一個二叉樹。這是演算法和數據結構中的二叉樹，沒什麼特別的。每個節點代表一個單獨的輸入變數x和該變數上的一個分割點。而決策樹的葉節點包含一個用於預測的輸出變數y。通過遍歷該樹的分割點，直到到達一個葉節點並輸出該節點的類別值就可以作出預測。當然決策樹的有點就是決策樹學習速度和預測速度都很快。它們還可以解決大量問題，並且不需要對數據做特別准備。

五、樸素貝葉斯

其實樸素貝葉斯是一個簡單但是很強大的預測建模演算法。而這個模型由兩種概率組成，這兩種概率都可以直接從訓練數據中計算出來。第一種就是每個類別的概率，第二種就是給定每個 x 的值，每個類別的條件概率。一旦計算出來，概率模型可用於使用貝葉斯定理對新數據進行預測。當我們的數據是實值時，通常假設一個高斯分布，這樣我們可以簡單的估計這些概率。而樸素貝葉斯之所以是樸素的，是因為它假設每個輸入變數是獨立的。這是一個強大的假設，真實的數據並非如此，但是，該技術在大量復雜問題上非常有用。所以說，樸素貝葉斯是一個十分實用的功能。

六、K近鄰演算法

K近鄰演算法簡稱KNN演算法，KNN 演算法非常簡單且有效。KNN的模型表示是整個訓練數據集。KNN演算法在整個訓練集中搜索K個最相似實例（近鄰）並匯總這K個實例的輸出變數，以預測新數據點。對於回歸問題，這可能是平均輸出變數，對於分類問題，這可能是眾數類別值。而其中的訣竅在於如何確定數據實例間的相似性。如果屬性的度量單位相同，那麼最簡單的技術是使用歐幾里得距離，我們可以根據每個輸入變數之間的差值直接計算出來其數值。當然，KNN需要大量內存或空間來存儲所有數據，但是只有在需要預測時才執行計算。我們還可以隨時更新和管理訓練實例，以保持預測的准確性。

七、Boosting 和 AdaBoost

首先，Boosting 是一種集成技術，它試圖集成一些弱分類器來創建一個強分類器。這通過從訓練數據中構建一個模型，然後創建第二個模型來嘗試糾正第一個模型的錯誤來完成。一直添加模型直到能夠完美預測訓練集，或添加的模型數量已經達到最大數量。而AdaBoost 是第一個為二分類開發的真正成功的 boosting 演算法。這是理解 boosting 的最佳起點。現代 boosting 方法建立在 AdaBoost 之上，最顯著的是隨機梯度提升。當然，AdaBoost 與短決策樹一起使用。在第一個決策樹創建之後，利用每個訓練實例上樹的性能來衡量下一個決策樹應該對每個訓練實例付出多少注意力。難以預測的訓練數據被分配更多權重，而容易預測的數據分配的權重較少。依次創建模型，每一個模型在訓練實例上更新權重，影響序列中下一個決策樹的學習。在所有決策樹建立之後，對新數據進行預測，並且通過每個決策樹在訓練數據上的精確度評估其性能。所以說，由於在糾正演算法錯誤上投入了太多注意力，所以具備已刪除異常值的干凈數據十分重要。

八、學習向量量化演算法（簡稱 LVQ）

學習向量量化也是機器學習其中的一個演算法。可能大家不知道的是，K近鄰演算法的一個缺點是我們需要遍歷整個訓練數據集。學習向量量化演算法（簡稱 LVQ）是一種人工神經網路演算法，它允許你選擇訓練實例的數量，並精確地學習這些實例應該是什麼樣的。而學習向量量化的表示是碼本向量的集合。這些是在開始時隨機選擇的，並逐漸調整以在學習演算法的多次迭代中最好地總結訓練數據集。在學習之後，碼本向量可用於預測。最相似的近鄰通過計算每個碼本向量和新數據實例之間的距離找到。然後返回最佳匹配單元的類別值或作為預測。如果大家重新調整數據，使其具有相同的范圍，就可以獲得最佳結果。當然，如果大家發現KNN在大家數據集上達到很好的結果，請嘗試用LVQ減少存儲整個訓練數據集的內存要求

3. 什麼是開源大數據技術

即數據量極為龐大，數據體結構並不清晰，冗餘數據多。
大數據技術利用這些數據，以更快的速度和更好的邏輯清洗分析這些數據。以及通過一些演算法，挖掘出這些龐雜數據中有價值的部分，為公司提供關系效益的新的隱蔽參數，並提供科學指導。
開源，就是開放源碼，意味著免費和自由的進行二次開發，如當下最為廣泛使用的hadoop生態系統。

4. 什麼是開源代碼

開放源代碼軟體源於自由軟體開源運動，簡稱開源軟體。是指那些源代碼公開，可以被自由使用、復制、修改和再發布的一系列軟體的集合。開源軟體許可證，是對開源軟體進行規范的授權合同，也可以稱為授權協議書。其類別繁多，在選擇適用上，了解彼此的權利讓渡程度是其關鍵因素。

開放源代碼軟體就是在開放源代碼許可證下發布的軟體，以保障軟體用戶自由使用及接觸源代碼的權利。這同時也保障了用戶自行修改、復制以及再分發的權利。

簡而言之，所有公布軟體源代碼的程序都可以稱為開放源代碼軟體。 開放源代碼有時不僅僅指開放源代碼軟體，它同時也是一種軟體開放模式的名稱。

(4)開源布局演算法擴展閱讀：

源代碼好處：

1、它們能降低企業部署網路和各種服務的成本，如果採用開源方案，你只需要一台伺服器，其他的都可以免費，而用windows，你必須花錢購買操作系統(假設沒有盜版)。

2、可以在源代碼的基礎上進行二次開發，完善或豐富現有系統功能。

3、參考學習。通過分析源代碼，可以學習開發、了解開發者的思路，學習開發者如何通過巧妙的方式、演算法解決業務問題，閱讀源代碼是提高開發水平的快捷方式。

5. 全球四個最大的四個開源庫

開源資料庫MySQLMySQL是一個開放源碼的小型關聯式資料庫管理系統，開發者為瑞典MySQL AB公司。目前MySQL被廣泛地應用在Internet上的中小型網站中。由於其體積小、速度快、總體擁有成本低，尤其是開放源...開源資料庫MySQLMySQL是一個開放源碼的小型關聯式資料庫管理系統，開發者為瑞典MySQL AB公司。目前MySQL被廣泛地應用在Internet上的中小型網站中。由於其體積小、速度快、總體擁有成本低，尤其是開放源碼這一特點，許多中小型網站為了降低網站總體擁有成本而選擇了MySQL作為網站資料庫。盤點：開源社區那些免費的資料庫軟體MySQL為多種編程語言提供了API，包括C、C++、C#、Delphi、Eiffel、Java、Perl、PHP、Python、Ruby和Tcl等。而其自身是採用C和C++編寫的，使用了多種編譯器進行測試，所以，MySQL能夠保證源代碼具有很強的可移植性。這樣的一款資料庫，自然能夠支持幾乎所有的操作系統，從Unix、Linux到Windows，具體包括AIX、BSDi、FreeBSD、HP-UX、Linux、Mac OS、Novell Netware、NetBSD、OpenBSD、OS/2 Wrap、Solaris、SunOS、Windows等多種操作系統。最重要的是，它是一個可以處理擁有上千萬條記錄的大型資料庫。與此同時，MySQL也產生了很多分支版本的資料庫也非常值得推薦。首先是MariaDB，它是一個採用Maria存儲引擎的MySQL分支版本，是由原來MySQL的作者 Michael Widenius創辦的公司所開發的免費開源的資料庫伺服器。與MySQL相比較，MariaDB更強的地方在於它擁有更多的引擎，包括Maria存儲引擎、PBXT存儲引擎、XtraDB存儲引擎、FederatedX存儲引擎，它能夠更快的復制查詢處理、運行的速度更快、更好的功能測試以及支持對Unicode的排序等。其次是rcona，它為MySQL資料庫伺服器進行了改進，在功能和性能上較MySQL有著很顯著的提升。該版本提升了在高負載情況下的InnoDB的性能，同時，它還為DBA提供一些非常有用的性能診斷工具，並且提供很多參數和命令來控制伺服器行為。第三是Percona Server，它使用了諸如google-mysql-tools、Proven Scaling和 Open Query對MySQL進行改造。並且，它只包含MySQL的伺服器版，並沒有提供相應對 MySQL的Connector和GUI工具進行改進。非關系型資料庫NoSQL從NoSQL的字面上理解，NoSQL就是Not Only SQL，被業界認為是一項全新的資料庫革命性運動，早期就有人提出，發展至2009年趨勢越發高漲。NoSQL的擁護者們提倡運用非關系型的數據存儲，相對於目前鋪天蓋地的關系型資料庫運用，這一概念無疑是一種全新的思維的注入。盤點：開源社區那些免費的資料庫軟體當然，NoSQL也是隨著互聯網Web2.0網站的興起才能取得長足的進步。關鍵的需求在於，傳統的關系資料庫在應付Web2.0網站，特別是超大規模和高並發的SNS類型的web2.0純動態網站顯得力不從心，暴露了很多難以克服的問題，而非關系型的資料庫則由於其本身的特點得到了非常迅速的發展。首先推薦的是Oracle NoSQL Database，這是一個社區版。Oracle的這個NoSQL Database， 是在10月4號的甲骨文全球大全上發布的Big Data Appliance的其中一個組件，Big Data Appliance是一個集成了Hadoop、NoSQL Database、Oracle資料庫Hadoop適配器、Oracle資料庫Hadoop裝載器及R語言的系統。其次推薦的是Membase。Membase是NoSQL家族的一個新的重量級的成員。Membase是開源項目，源代碼採用了Apache2.0的使用許可。該項目託管在GitHub.Source tarballs上，目前可以下載beta版本的Linux二進制包。該產品主要是由North Scale的memcached核心團隊成員開發完成，其中還包括Zynga和NHN這兩個主要貢獻者的工程師，這兩個組織都是很大的在線游戲和社區網路空間的供應商。並且，Membase容易安裝、操作，可以從單節點方便的擴展到集群，而且為memcached(有線協議的兼容性)實現了即插即用功能，在應用方面為開 發者和經營者提供了一個比較低的門檻。做為緩存解決方案，Memcached已經在不同類型的領域(特別是大容量的Web應用)有了廣泛的使用，其中 Memcached的部分基礎代碼被直接應用到了Membase伺服器的前端。通過兼容多種編程語言和框架，Membase具備了很好的復用性。在安裝和配置方面，Membase提供了有效的圖形化界面和編程介面，包括可配置 的告警信息。Membase的目標是提供對外的線性擴展能力，包括為了增加集群容量，可以針對統一的節點進行復制。 另外，對存儲的數據進行再分配仍然是必要的。第三推薦的是Hibari。Hibari在日語中意思為「雲雀」，它是一個專為高可靠性和大數據存儲的資料庫引擎，可用於雲計算環境中，例如 webmail、SNS和其他要求T/P級數據存儲的環境中。同時，Hibari也支持Java，C/C++，Python，Ruby和Erlang語言的客戶端。第四推薦的是memcachedb。這是一個由新浪網的開發人員開放出來的開源項目，給memcached分布式緩存伺服器添加了Berkeley DB的持久化存儲機制和非同步主輔復制機制，讓memcached具備了事務恢復能力、持久化能力和分布式復制能力，非常適合於需要超高性能讀寫速度，但是 不需要嚴格事務約束，能夠被持久化保存的應用場景，例如memcachedb被應用在新浪博客上面。第五推薦的是Leveldb。這是一個Google實現的非常高效的kv資料庫，目前的版本1.2能夠支持billion級別的數據量了。 在這個數量級別下還有著非常高的性能，主要歸功於它的良好的設計，特別是LSM演算法。LevelDB是單進程的服務，性能非常之高，在一台4個Q6600的CPU機器上，每秒鍾寫數據超過40w，而隨機讀的性能每秒鍾超過10w。XML資料庫的優勢XML資料庫是一種支持對XML格式文檔進行存儲和查詢等操作的數據管理系統。在系統中，開發人員可以對資料庫中的XML文檔進行查詢、導出和指定格式的序列化。目前XML資料庫有三種類型：XMLEnabledDatabase(XEDB)，即能處理XML的資料庫;NativeXMLDatabase(NXD)，即純XML資料庫;HybridXMLDatabase(HXD)，即混合XML資料庫。關系資料庫中的第一代XML支持是切分(或分解)文檔，以適應關系表格或將文檔原封不動地存儲為字元或二進制大對象(CLOB 或 BLOB)。這兩個方法中的任一種都嘗試將XML模型強制轉換成關系模型。然而，這兩種方法在功能和性能上都有很大的局限性。混合型模型將XML存儲在類似於DOM的模型中。XML數據被格式化為緩沖數據頁，以便快速導航和執行查詢以及簡化索引編制。在這里，首要要推薦的XML資料庫是Sedna。它號稱是一款原生態的XML資料庫，提供了全功能的核心資料庫服務，包括持久化存儲、ACID事務、索引、安全、熱備、UTF8等。實現了 W3C XQuery 規范，支持全文搜索以及節點級別的更新操作。第二款XML資料庫是BaseX。這款資料庫用來存儲緊縮的XML數據，提供了高效的 XPath和XQuery的實現，同時，它還提供一個前端操作界面。盤點：開源社區那些免費的資料庫軟體第三款推薦的是XMLDB。這款資料庫使用了關系型資料庫來存儲任意的XML文檔，因為所採用的存儲機制，所以文檔的搜索速度特別快，同時執行XSL轉換也相當快。XMLDB同時還提供了一個PHP的模塊，可以應用在Web應用中。第四塊推薦的是X-Hive/DB。它是一個為需要高級XML數據處理和存儲功能的軟體開發者設計的強大的專屬XML資料庫。X-Hive/DB Java API包含存儲、查詢、檢索、轉換和發表XML數據的方法。與傳統關系型資料庫相比，XML資料庫具有以下優勢：第一，XML資料庫能夠對半結構化數據進行有效的存取和管理。如網頁內容就是一種半結構化數據，而傳統的關系資料庫對於類似網頁內容這類半結構化數據無法進行有效的管理。第二，提供對標簽和路徑的操作。傳統資料庫語言允許對數據元素的值進行操作，不能對元素名稱操作，半結構化資料庫提供了對標簽名稱的操作，還包括了對路徑的操作。第三，當數據本身具有層次特徵時，由於XML數據格式能夠清晰表達數據的層次特徵，因此XML資料庫便於對層次化的數據進行操作。XML資料庫適合管理復雜數據結構的數據集，如果己經以XML格式存儲信息，則XML資料庫利於文檔存儲和檢索;可以用方便實用的方式檢索文檔，並能夠提供高質量的全文搜索引擎。另外XML資料庫能夠存儲和查詢異種的文檔結構，提供對異種信息存取的支持。

6. github上的開源演算法在哪

github上有各種各樣 各種語言的開源演算法 需要你自己去搜索

7. 現在主流開源分布式系統架構都有哪些

您好，很高興為您解答。1：MapRece(MR)，最為general和流行的一個分布式計算框架，其開源實現Hadoop已經得到了極為廣泛的運用（Facebook,Yahoo!等等），同時在Hadoop基礎上發展起來的項目也有很多（Hive是發展最好的），另外像Cloudera，Hortonworks，MapR這樣的在Hadoop基礎上發展起來的公司也有很多。2：Pregel，和MR一樣也是Google發明的，其優勢是在完成一些適合於抽象為圖演算法的應用的計算時可以更為高效，Giraph可以算是一個比較好的發展中的開源實現。3：Storm，Twitter的項目，號稱Hadoop的實時計算平台，對於一些需要realtimeperformance的job可以擁有比MR更高的效率。4：Spark，UCBerkeleyAMPLab的項目，其很好地利用了JVM中的heap，對於中間計算結果可以有更好的緩存支持，因此其在performance上要比MR高出很多。Shark是其基礎上類似於Hive的一個項目。5：Dryad和Scope，都是MR（MicrosoftResearch）的項目，從paper上來看Dryad是一個更為generalpurpose的計算框架，在vertices里實現計算，通過channels實現communication，兩者組成一個graphworkflow；而Scope有點類似於Hive和Shark，都是將某種類似於SQL的scriptlanguage編譯成可以在底層分布式平台上計算的job。但是這兩個項目因為不開源，所以資料不多，也沒有開源項目那樣的community。當然還有其他很多，比如Google的Dremel，Yale的HadoopDB（現在已經商業化叫做Hadapt）。如若滿意，請點擊右側【採納答案】，如若還有問題，請點擊【追問】希望我的回答對您有所幫助，望採納！~O(∩_∩)O~

8. gephi預覽視圖中為什麼不能顯示箭頭，求大神指導

gephi預覽視圖中為什麼不能顯示箭頭，求大神指導？Gephi在繪圖時，有時會出現概覽狀態下調整好圖形後，在預覽狀態下不顯示圖形問題（刷新也不可用）。在github的gephi項目下，針對這個問題，給出了一個解決辦法。即：「窗口」菜單選擇「預覽」，在圖界面下打開預覽窗口，然後選擇預覽設置->刷新，顯示圖形。

                                    

            該方法在有些情況下還是不能顯示預覽圖。這時應該考慮是設置文件出現了問題。我的解決辦法是，到gephi配置路徑下（C:\Users\Administrator\AppData\Roaming\.gephi\0.9.2\dev\config），刪除如圖所示的三個文件夾（包含local的）。這個應該是本地的一些設置參數。

然後在預覽窗口中，選擇刷新應該能顯示圖形了。

         

9. 有開源的演算法可以用於進行圖像識別不

1. 可以的。

2. 一張圖片的識別這個很簡單的，都不用考慮效率的問題，直接一個特徵匹配就搞定，opencv開源庫中有現成的，真的很簡單，十幾行代碼就搞定。
   
   

10. 學習人工智慧前景怎麼樣

新一代人工智慧是基於新一代信息技術的發展和人類智能活動規律的研究，用於模擬、延伸和擴展人類智能，其呈現出深度學習、跨界融合、人機協同、群智開放和自主智能的新特點。

「十三五」以來，我國新一代人工智慧產業的科研活躍度高、國際影響力增強、也涌現了具有國際影響力的AI企業。「十四五」時期我國新一代人工智慧產業將如何發展，本文將從發展重點、發展目標兩大方面進行分析。

1、「十三五」發展回顧

——科研活躍度高、國際影響力增強

新一代人工智慧是基於新一代信息技術的發展和人類智能活動規律的研究，用於模擬、延伸和擴展人類智能，其呈現出深度學習、跨界融合、人機協同、群智開放和自主智能的新特點。

—— 更多行業相關數據請參考前瞻產業研究院《中國人工智慧行業市場前瞻與投資戰略規劃分析報告》