e-learning

给定一个带权有向图 G=(V,E)

给定一个带权有向图 G=(V,E) ，其中每条边的权是一个非负实数。另外，还给定 V 中的一个项点，称为源。现在我们要计算从源到所有其他各项点的最短路径长度。这里的长度是指路上各边权之和。这个问题通常称为单源最短路径问题。

标签：

上传时间： 2014-08-29

上传用户：dreamboy36
简简单单做内嵌窗口 e语言的内嵌窗口源代码

简简单单做内嵌窗口 e语言的内嵌窗口源代码

标签： 内嵌窗口源代码语言

上传时间： 2016-01-22

上传用户：zsjzc
雷电2修改器.e e语言写的修改雷电2的源代码 2007.10.24

雷电2修改器.e e语言写的修改雷电2的源代码 2007.10.24

标签： 2007 雷电修改 10

上传时间： 2016-01-22

上传用户：上善若水
本书提供用J B u i l d e r开发数据库应用程序、创建分布式应用程序以及编写J a v a B e a n 组件的高级资料。它包括下列几个部分： • 第一部分是“开发数据库应用

本书提供用J B u i l d e r开发数据库应用程序、创建分布式应用程序以及编写J a v a B e a n 组件的高级资料。它包括下列几个部分： • 第一部分是“开发数据库应用程序”，它提供关于使用J b u i l d e r的D a t a E x p r e s s数据库体系结构的信息，并解释原始数据组件和类之间的相互关系，以及怎样使用它们来创建你的数据库应用程序。它还解释怎样使用Data Modeler(数据模型器)和 Application Generator（应用程序生成器）创建数据驱动的客户机/服务器应用程序。 • 第二部分是“开发分布式应用程序”，它提供关于使用ORB Explorer、用J B u i l d e r 创建多级的分布应用程序、调试分布式应用程序、用J a v a定义C O R B A接口以及使用s e r v l e t等的信息。 • 第三部分是“创建J a v a B e a n”，它解释怎样开发新的J a v a B e a n组件，描述在组件开发中涉及的任务, 怎样使用B e a n s E x p r e s s创建新的J a v a B e a n，以及关于属性、事件、B e a nIn f o类和其他方面的详细情况。

标签： 8226 数据库应用程序分

上传时间： 2014-01-03

上传用户：wpt
E鹰新闻发布系统.rar新闻系统相当不错的系统

E鹰新闻发布系统.rar新闻系统相当不错的系统

标签： 新闻发布系统新闻

上传时间： 2016-01-25

上传用户：qazxsw
Bash coaching e-book for freshman.

Bash coaching e-book for freshman.

标签： coaching freshman e-book Bash

上传时间： 2016-01-25

上传用户：CSUSheep
Linux coaching e-book for linux starter.

Linux coaching e-book for linux starter.

标签： coaching starter e-book Linux

上传时间： 2016-01-25

上传用户：ynzfm
booster-tree a machine learning method

booster-tree a machine learning method

标签： booster-tree learning machine method

上传时间： 2014-06-09

上传用户：龙飞艇
Boosting is a meta-learning approach that aims at combining an ensemble of weak classifiers to form

Boosting is a meta-learning approach that aims at combining an ensemble of weak classifiers to form a strong classifier. Adaptive Boosting (Adaboost) implements this idea as a greedy search for a linear combination of classifiers by overweighting the examples that are misclassified by each classifier. icsiboost implements Adaboost over stumps (one-level decision trees) on discrete and continuous attributes (words and real values). See http://en.wikipedia.org/wiki/AdaBoost and the papers by Y. Freund and R. Schapire for more details [1]. This approach is one of most efficient and simple to combine continuous and nominal values. Our implementation is aimed at allowing training from millions of examples by hundreds of features in a reasonable time/memory.

标签： meta-learning classifiers combining Boosting

上传时间： 2016-01-30

上传用户：songnanhua
数据结构和算法分析C语言版 E文原版by Mark Allen Wei

数据结构和算法分析C语言版 E文原版by Mark Allen Wei

标签： Allen Mark Wei 数据结构

上传时间： 2016-01-31

上传用户：s363994250