㈠ 世界十大數學難題已經解決了哪些
「千僖難題」之一：P（多項式演算法）問題對NP（非多項式演算法）問題 在一個周六的晚上，你參加了一個盛大的晚會。由於感到局促不安，你想知道這一大廳中是否有你已經認識的人。你的主人向你提議說，你一定認識那位正在甜點盤附近角落的女士羅絲。不費一秒鍾，你就能向那裡掃視，並且發現你的主人是正確的。然而，如果沒有這樣的暗示，你就必須環顧整個大廳，一個個地審視每一個人，看是否有你認識的人。生成問題的一個解通常比驗證一個給定的解時間花費要多得多。這是這種一般現象的一個例子。與此類似的是，如果某人告訴你，數13，717，421可以寫成兩個較小的數的乘積，你可能不知道是否應該相信他，但是如果他告訴你它可以因子分解為3607乘上3803，那麼你就可以用一個袖珍計算器容易驗證這是對的。不管我們編寫程序是否靈巧，判定一個答案是可以很快利用內部知識來驗證，還是沒有這樣的提示而需要花費大量時間來求解，被看作邏輯和計算機科學中最突出的問題之一。它是斯蒂文·考克（StephenCook）於1971年陳述的。
「千僖難題」之二： 霍奇(Hodge)猜想 二十世紀的數學家們發現了研究復雜對象的形狀的強有力的辦法。基本想法是問在怎樣的程度上，我們可以把給定對象的形狀通過把維數不斷增加的簡單幾何營造塊粘合在一起來形成。這種技巧是變得如此有用，使得它可以用許多不同的方式來推廣；最終導至一些強有力的工具，使數學家在對他們研究中所遇到的形形色色的對象進行分類時取得巨大的進展。不幸的是，在這一推廣中，程序的幾何出發點變得模糊起來。在某種意義下，必須加上某些沒有任何幾何解釋的部件。霍奇猜想斷言，對於所謂射影代數簇這種特別完美的空間類型來說，稱作霍奇閉鏈的部件實際上是稱作代數閉鏈的幾何部件的(有理線性)組合。
「千僖難題」之三： 龐加萊(Poincare)猜想 如果我們伸縮圍繞一個蘋果表面的橡皮帶，那麼我們可以既不扯斷它，也不讓它離開表面，使它慢慢移動收縮為一個點。另一方面，如果我們想像同樣的橡皮帶以適當的方向被伸縮在一個輪胎面上，那麼不扯斷橡皮帶或者輪胎面，是沒有辦法把它收縮到一點的。我們說，蘋果表面是「單連通的」，而輪胎面不是。大約在一百年以前，龐加萊已經知道，二維球面本質上可由單連通性來刻畫，他提出三維球面(四維空間中與原點有單位距離的點的全體)的對應問題。這個問題立即變得無比困難，從那時起，數學家們就在為此奮斗。
「千僖難題」之四： 黎曼(Riemann)假設 有些數具有不能表示為兩個更小的數的乘積的特殊性質，例如，2,3,5,7,等等。這樣的數稱為素數；它們在純數學及其應用中都起著重要作用。在所有自然數中，這種素數的分布並不遵循任何有規則的模式；然而，德國數學家黎曼(1826~1866)觀察到，素數的頻率緊密相關於一個精心構造的所謂黎曼蔡塔函數z(s$的性態。著名的黎曼假設斷言，方程z(s)=0的所有有意義的解都在一條直線上。這點已經對於開始的1,500,000,000個解驗證過。證明它對於每一個有意義的解都成立將為圍繞素數分布的許多奧秘帶來光明。
「千僖難題」之五： 楊－米爾斯(Yang-Mills)存在性和質量缺口 量子物理的定律是以經典力學的牛頓定律對宏觀世界的方式對基本粒子世界成立的。大約半個世紀以前，楊振寧和米爾斯發現，量子物理揭示了在基本粒子物理與幾何對象的數學之間的令人注目的關系。基於楊－米爾斯方程的預言已經在如下的全世界范圍內的實驗室中所履行的高能實驗中得到證實：布羅克哈文、斯坦福、歐洲粒子物理研究所和築波。盡管如此，他們的既描述重粒子、又在數學上嚴格的方程沒有已知的解。特別是，被大多數物理學家所確認、並且在他們的對於 「誇克」的不可見性的解釋中應用的「質量缺口」假設，從來沒有得到一個數學上令人滿意的證實。在這一問題上的進展需要在物理上和數學上兩方面引進根本上的新觀念。
「千僖難題」之六： 納維葉－斯托克斯(Navier-Stokes)方程的存在性與光滑性 起伏的波浪跟隨著我們的正在湖中蜿蜒穿梭的小船，湍急的氣流跟隨著我們的現代噴氣式飛機的飛行。數學家和物理學家深信，無論是微風還是湍流，都可以通過理解納維葉－斯托克斯方程的解，來對它們進行解釋和預言。雖然這些方程是19世紀寫下的，我們對它們的理解仍然極少。挑戰在於對數學理論作出實質性的進展，使我們能解開隱藏在納維葉－斯托克斯方程中的奧秘。
「千僖難題」之七： 貝赫(Birch)和斯維訥通－戴爾(Swinnerton-Dyer)猜想 數學家總是被諸如x^2+y^2=z^2那樣的代數方程的所有整數解的刻畫問題著迷。歐幾里德曾經對這一方程給出完全的解答，但是對於更為復雜的方程，這就變得極為困難。事實上，正如馬蒂雅謝維奇(Yu.V.Matiyasevich)指出，希爾伯特第十問題是不可解的，即，不存在一般的方法來確定這樣的方法是否有一個整數解。當解是一個阿貝爾簇的點時，貝赫和斯維訥通－戴爾猜想認為，有理點的群的大小與一個有關的蔡塔函數z(s)在點s=1附近的性態。特別是，這個有趣的猜想認為，如果z(1)等於0,那麼存在無限多個有理點(解)，相反，如果z(1)不等於0,那麼只存在有限多個這樣的點。
八：幾何尺規作圖問題 這里所說的「幾何尺規作圖問題」是指做圖限制只能用直尺、圓規，而這里的直尺是指沒有刻度只能畫直線的尺。「幾何尺規作圖問題」包括以下四個問題 1.化圓為方－求作一正方形使其面積等於一已知圓； 2.三等分任意角； 3.倍立方－求作一立方體使其體積是一已知立方體的二倍。 4.做正十七邊形。 以上四個問題一直困擾數學家二千多年都不得其解，而實際上這前三大問題都已證明不可能用直尺圓規經有限步驟可解決的。第四個問題是高斯用代數的方法解決的，他也視此為生平得意之作，還交待要把正十七邊形刻在他的墓碑上，但後來他的墓碑上並沒有刻上十七邊形，而是十七角星，因為負責刻碑的雕刻家認為，正十七邊形和圓太像了，大家一定分辨不出來。
九：哥德巴赫猜想 公元1742年6月7日哥德巴赫(Goldbach)寫信給當時的大數學家歐拉(Euler)，提出了以下的猜想: (a) 任何一個>=6之偶數，都可以表示成兩個奇質數之和。 (b) 任何一個>=9之奇數，都可以表示成三個奇質數之和。 從此，這道著名的數學難題引起了世界上成千上萬數學家的注意。200年過去了，沒有人證明它。哥德巴赫猜想由此成為數學皇冠上一顆可望不可及的「明珠」。
十：四色猜想 1852年，畢業於倫敦大學的弗南西斯.格思里來到一家科研單位搞地圖著色工作時，發現了一種有趣的現象：「看來，每幅地圖都可以用四種顏色著色，使得有共同邊界的國家著上不同的顏色。」 1872年，英國當時最著名的數學家凱利正式向倫敦數學學會提出了這個問題，於是四色猜想成了世界數學界關注的問題。世界上許多一流的數學家都紛紛參加了四色猜想的大會戰。 1976年，美國數學家阿佩爾與哈肯在美國伊利諾斯大學的兩台不同的電子計算機上，用了1200個小時，作了100億判斷，終於完成了四色定理的證明。四色猜想的計算機證明，轟動了世界。
㈡ 世界十大數學難題
難題」之一：P（多項式演算法）問題對NP（非多項式演算法）問題
難題」之二： 霍奇(Hodge)猜想
難題」之三： 龐加萊(Poincare)猜想
難題」之四： 黎曼(Riemann)假設
難題」之五： 楊－米爾斯(Yang-Mills)存在性和質量缺口
難題」之六： 納維葉－斯托克斯(Navier-Stokes)方程的存在性與光滑性
難題」之七： 貝赫(Birch)和斯維訥通－戴爾(Swinnerton-Dyer)猜想
難題」之八：幾何尺規作圖問題
難題」之九：哥德巴赫猜想
難題」之十：四色猜想
㈢ 學會機器學習十大演算法 什麼水平
學習機器學習十大演算法，相當於電腦的中級水平。
演算法（Algorithm）是指解題方案的准確而完整的描述，是一系列解決問題的清晰指令，演算法代表著用系統的方法描述解決問題的策略機制。也就是說，能夠對一定規范的輸入，在有限時間內獲得所要求的輸出。如果一個演算法有缺陷，或不適合於某個問題，執行這個演算法將不會解決這個問題。不同的演算法可能用不同的時間、空間或效率來完成同樣的任務。一個演算法的優劣可以用空間復雜度與時間復雜度來衡量。
演算法中的指令描述的是一個計算，當其運行時能從一個初始狀態和（可能為空的）初始輸入開始，經過一系列有限而清晰定義的狀態，最終產生輸出並停止於一個終態。一個狀態到另一個狀態的轉移不一定是確定的。隨機化演算法在內的一些演算法，包含了一些隨機輸入。
形式化演算法的概念部分源自嘗試解決希爾伯特提出的判定問題，並在其後嘗試定義有效計算性或者有效方法中成形。這些嘗試包括庫爾特·哥德爾、Jacques Herbrand和斯蒂芬·科爾·克萊尼分別於1930年、1934年和1935年提出的遞歸函數，阿隆佐·邱奇於1936年提出的λ演算，1936年Emil Leon Post的Formulation 1和艾倫·圖靈1937年提出的圖靈機。即使在當前，依然常有直覺想法難以定義為形式化演算法的情況。
一，數據對象的運算和操作：計算機可以執行的基本操作是以指令的形式描述的。一個計算機系統能執行的所有指令的集合，成為該計算機系統的指令系統。一個計算機的基本運算和操作有如下四類：[1]
1，算術運算：加減乘除等運算
2，邏輯運算：或、且、非等運算
3，關系運算：大於、小於、等於、不等於等運算
4，數據傳輸：輸入、輸出、賦值等運算[1]
二，演算法的控制結構：一個演算法的功能結構不僅取決於所選用的操作，而且還與各操作之間的執行順序有關。[
㈣ 需要掌握哪些大數據演算法
數據挖掘領域的十大經典演算法：C4.5, k-Means, SVM, Apriori, EM, PageRank, AdaBoost, kNN, Naive Bayes, and CART。
1、C4.5演算法是機器學習演算法中的一種分類決策樹演算法,其核心演算法是ID3演算法。
2、2、k-means algorithm演算法是一個聚類演算法，把n的對象根據他們的屬性分為k個分割，k < n。
3、支持向量機，英文為Support Vector Machine，簡稱SV機（論文中一般簡稱SVM）。它是一種監督式學習的方法，它廣泛的應用於統計分類以及回歸分析中。
4、Apriori演算法是一種最有影響的挖掘布爾關聯規則頻繁項集的演算法。其核心是基於兩階段頻集思想的遞推演算法。
5、最大期望（EM）演算法。在統計計算中，最大期望（EM，Expectation–Maximization）演算法是在概率（probabilistic）模型中尋找參數最大似然 估計的演算法，其中概率模型依賴於無法觀測的隱藏變數（Latent Variabl）。
6、PageRank是Google演算法的重要內容。2001年9月被授予美國專利，專利人是Google創始人之一拉里·佩奇（Larry Page）。因此，PageRank里的page不是指網頁，而是指佩奇，即這個等級方法是以佩奇來命名的。
7、Adaboost是一種迭代演算法，其核心思想是針對同一個訓練集訓練不同的分類器(弱分類器)，然後把這些弱分類器集合起來，構成一個更強的最終分類器 (強分類器)。
8、K最近鄰(k-Nearest Neighbor，KNN)分類演算法，是一個理論上比較成熟的方法，也是最簡單的機器學習演算法之一。
9、Naive Bayes。在眾多的分類模型中，應用最為廣泛的兩種分類模型是決策樹模型(Decision Tree Model)和樸素貝葉斯模型（Naive Bayesian Model，NBC）。
10、CART, Classification and Regression Trees。 在分類樹下面有兩個關鍵的思想。
關於大數據演算法的相關問題推薦CDA數據分析師的相關課程，課程內容兼顧培養解決數據挖掘流程問題的橫向能力以及解決數據挖掘演算法問題的縱向能力。要求學生具備從數據治理根源出發的思維，通過數字化工作方法來探查業務問題，通過近因分析、宏觀根因分析等手段，再選擇業務流程優化工具還是演算法工具，而非「遇到問題調演算法包」點擊預約免費試聽課。
㈤ 數據挖掘十大經典演算法及各自優勢
數據挖掘十大經典演算法及各自優勢
不僅僅是選中的十大演算法，其實參加評選的18種演算法，實際上隨便拿出一種來都可以稱得上是經典演算法，它們在數據挖掘領域都產生了極為深遠的影響。
1. C4.5
C4.5演算法是機器學習演算法中的一種分類決策樹演算法,其核心演算法是ID3演算法. C4.5演算法繼承了ID3演算法的優點，並在以下幾方面對ID3演算法進行了改進：
1) 用信息增益率來選擇屬性，克服了用信息增益選擇屬性時偏向選擇取值多的屬性的不足；2) 在樹構造過程中進行剪枝；3) 能夠完成對連續屬性的離散化處理；4) 能夠對不完整數據進行處理。
C4.5演算法有如下優點：產生的分類規則易於理解，准確率較高。其缺點是：在構造樹的過程中，需要對數據集進行多次的順序掃描和排序，因而導致演算法的低效。
2. The k-means algorithm 即K-Means演算法
k-means algorithm演算法是一個聚類演算法，把n的對象根據他們的屬性分為k個分割，k < n。它與處理混合正態分布的最大期望演算法很相似，因為他們都試圖找到數據中自然聚類的中心。它假設對象屬性來自於空間向量，並且目標是使各個群組內部的均 方誤差總和最小。
3. Support vector machines
支持向量機，英文為Support Vector Machine，簡稱SV機（論文中一般簡稱SVM）。它是一種監督式學習的方法，它廣泛的應用於統計分類以及回歸分析中。支持向量機將向量映射到一個更 高維的空間里，在這個空間里建立有一個最大間隔超平面。在分開數據的超平面的兩邊建有兩個互相平行的超平面。分隔超平面使兩個平行超平面的距離最大化。假 定平行超平面間的距離或差距越大，分類器的總誤差越小。一個極好的指南是C.J.C Burges的《模式識別支持向量機指南》。van der Walt 和 Barnard 將支持向量機和其他分類器進行了比較。
4. The Apriori algorithm
Apriori演算法是一種最有影響的挖掘布爾關聯規則頻繁項集的演算法。其核心是基於兩階段頻集思想的遞推演算法。該關聯規則在分類上屬於單維、單層、布爾關聯規則。在這里，所有支持度大於最小支持度的項集稱為頻繁項集，簡稱頻集。
5. 最大期望(EM)演算法
在統計計算中，最大期望（EM，Expectation–Maximization）演算法是在概率（probabilistic）模型中尋找參數最大似然 估計的演算法，其中概率模型依賴於無法觀測的隱藏變數（Latent Variabl）。最大期望經常用在機器學習和計算機視覺的數據集聚（Data Clustering）領域。
6. PageRank
PageRank是Google演算法的重要內容。2001年9月被授予美國專利，專利人是Google創始人之一拉里·佩奇（Larry Page）。因此，PageRank里的page不是指網頁，而是指佩奇，即這個等級方法是以佩奇來命名的。
PageRank根據網站的外部鏈接和內部鏈接的數量和質量倆衡量網站的價值。PageRank背後的概念是，每個到頁面的鏈接都是對該頁面的一次投票， 被鏈接的越多，就意味著被其他網站投票越多。這個就是所謂的「鏈接流行度」——衡量多少人願意將他們的網站和你的網站掛鉤。PageRank這個概念引自 學術中一篇論文的被引述的頻度——即被別人引述的次數越多，一般判斷這篇論文的權威性就越高。
7. AdaBoost
Adaboost是一種迭代演算法，其核心思想是針對同一個訓練集訓練不同的分類器(弱分類器)，然後把這些弱分類器集合起來，構成一個更強的最終分類器 (強分類器)。其演算法本身是通過改變數據分布來實現的，它根據每次訓練集之中每個樣本的分類是否正確，以及上次的總體分類的准確率，來確定每個樣本的權 值。將修改過權值的新數據集送給下層分類器進行訓練，最後將每次訓練得到的分類器最後融合起來，作為最後的決策分類器。
8. kNN: k-nearest neighbor classification
K最近鄰(k-Nearest Neighbor，KNN)分類演算法，是一個理論上比較成熟的方法，也是最簡單的機器學習演算法之一。該方法的思路是：如果一個樣本在特徵空間中的k個最相似(即特徵空間中最鄰近)的樣本中的大多數屬於某一個類別，則該樣本也屬於這個類別。
9. Naive Bayes
在眾多的分類模型中，應用最為廣泛的兩種分類模型是決策樹模型(Decision Tree Model)和樸素貝葉斯模型（Naive Bayesian Model，NBC）。 樸素貝葉斯模型發源於古典數學理論，有著堅實的數學基礎，以 及穩定的分類效率。同時，NBC模型所需估計的參數很少，對缺失數據不太敏感，演算法也比較簡單。理論上，NBC模型與其他分類方法相比具有最小的誤差率。 但是實際上並非總是如此，這是因為NBC模型假設屬性之間相互獨立，這個假設在實際應用中往往是不成立的，這給NBC模型的正確分類帶來了一定影響。在屬 性個數比較多或者屬性之間相關性較大時，NBC模型的分類效率比不上決策樹模型。而在屬性相關性較小時，NBC模型的性能最為良好。10. CART: 分類與回歸樹
CART, Classification and Regression Trees。 在分類樹下面有兩個關鍵的思想。第一個是關於遞歸地劃分自變數空間的想法；第二個想法是用驗證數據進行剪枝。
以上是小編為大家分享的關於數據挖掘十大經典演算法及各自優勢的相關內容，更多信息可以關注環球青藤分享更多干貨
㈥ 大數據挖掘的演算法有哪些
大數據挖掘的演算法：
1.樸素貝葉斯，超級簡單，就像做一些數數的工作。如果條件獨立假設成立的話，NB將比鑒別模型收斂的更快，所以你只需要少量的訓練數據。即使條件獨立假設不成立，NB在實際中仍然表現出驚人的好。
2. Logistic回歸，LR有很多方法來對模型正則化。比起NB的條件獨立性假設，LR不需要考慮樣本是否是相關的。與決策樹與支持向量機不同，NB有很好的概率解釋，且很容易利用新的訓練數據來更新模型。如果你想要一些概率信息或者希望將來有更多數據時能方便的更新改進模型，LR是值得使用的。
3.決策樹，DT容易理解與解釋。DT是非參數的，所以你不需要擔心野點（或離群點）和數據是否線性可分的問題，DT的主要缺點是容易過擬合，這也正是隨機森林等集成學習演算法被提出來的原因。
4.支持向量機，很高的分類正確率，對過擬合有很好的理論保證，選取合適的核函數，面對特徵線性不可分的問題也可以表現得很好。SVM在維數通常很高的文本分類中非常的流行。
如果想要或許更多更詳細的訊息，建議您去參加CDA數據分析課程。大數據分析師現在有專業的國際認證證書了，CDA，即「CDA 數據分析師」，是在數字經濟大背景和人工智慧時代趨勢下，面向全行業的專業權威國際資格認證， 旨在提升全民數字技能，助力企業數字化轉型，推動行業數字化發展。 「CDA 數據分析師」具體指在互聯網、金融、零售、咨詢、電信、醫療、旅遊等行業專門從事數據的採集、清洗、處理、分析並能製作業務報告、 提供決策的新型數據分析人才。點擊預約免費試聽課。
㈦ 數學建模的十大演算法
1、蒙特卡羅演算法（該演算法又稱隨機性模擬演算法，是通過計算機模擬來解決問題的演算法，
同時可以通過模擬可以來檢驗自己模型的正確性，是比賽時必用的方法）
2、數據擬合、參數估計、插值等數據處理演算法（比賽中通常會遇到大量的數據需要處理，
而處理數據的關鍵就在於這些演算法，通常使用Matlab作為工具）
3、線性規劃、整數規劃、多元規劃、二次規劃等規劃類問題（建模競賽大多數問題屬於最優化問題，
很多時候這些問題可以用數學規劃演算法來描述，通常使用Lindo、Lingo軟體實現）
4、圖論演算法（這類演算法可以分為很多種，包括最短路、網路流、二分圖等演算法，
涉及到圖論的問題可以用這些方法解決，需要認真准備）
5、動態規劃、回溯搜索、分治演算法、分支定界等計算機演算法（這些演算法是演算法設計中比較常用的方法，很多場合可以用到競賽中）
6、最優化理論的三大非經典演算法：模擬退火法、神經網路、遺傳演算法
（這些問題是用來解決一些較困難的最優化問題的演算法，對於有些問題非常有幫助，
但是演算法的實現比較困難，需慎重使用）
7、網格演算法和窮舉法（網格演算法和窮舉法都是暴力搜索最優點的演算法，在很多競賽題中有應用，
當重點討論模型本身而輕視演算法的時候，可以使用這種暴力方案，最好使用一些高級語言作為編程工具）
8、一些連續離散化方法（很多問題都是實際來的，數據可以是連續的，而計算機只認的是離散的數據，因此將其離散化後進行差分代替微分、求和代替積分等思想是非常重要的）
9、數值分析演算法（如果在比賽中採用高級語言進行編程的話，那一些數值分析中常用的演算法比
如方程組求解、矩陣運算、函數積分等演算法就需要額外編寫庫函數進行調用）
10、圖象處理演算法（賽題中有一類問題與圖形有關，即使與圖形無關，論文中也應該要不乏圖片的，
這些圖形如何展示以及如何處理就是需要解決的問題，通常使用Matlab進行處理）
㈧ 計算機十大經典演算法有哪些
再把子問題分成更小的子問題……直到最後子問題可以簡單的直接求解,逆著這個行進方向,從終點向始點計算,在選定系統行進方向之後,常比線性規劃法更為有效,由每個階段都作出決策,從而使整個過程達到最優化。所謂多階段決策過程,特別是對於那些離散型問題。實際上,動態規劃法就是分多階段進行決策,其基本思路是，原問題的解即子問題的解的合並
不好意思啊,就是把研究問題分成若干個相互聯系的階段,逐次對每個階段尋找某種決策,用來解決多階段決策過程問題的一種最優化方法，就是把一個復雜的問題分成兩個或更多的相同或相似的子問題：按時空特點將復雜問題劃分為相互聯系的若干個階段。字面上的解釋是「分而治之」動態規劃法[dynamic
programming
method
(dp)]是系統分析中一種常用的方法。在水資源規劃中,往往涉及到地表水庫調度、水資源量的合理分配、優化調度等問題,而這些問題又可概化為多階段決策過程問題。動態規劃法是解決此類問題的有效方法。動態規劃法是20世紀50年代由貝爾曼（r,使整個過程達到最優.
bellman）等人提出。許多實際問題利用動態規劃法處理,故又稱為逆序決策過程。
回溯法是一種選優搜索法，按選優條件向前搜索，以達到目標。但當探索到某一步時，發現原先選擇並不優或達不到目標，就退回一步重新選擇，這種走不通就退回再走的技術為回溯法，而滿足回溯條件的某個狀態的點稱為「回溯點」。
在計算機科學中，分治法是一種很重要的演算法