XiaoMi-AI文件搜索系统
World File Search System二叉
教学计划和教学大纲
1. 理解数据结构的基本概念。 2. 理解用于分析算法性能的符号。 3. 为特定应用选择并应用适当的数据结构。 4. 理解递归的概念及其在解决问题中的应用。 5. 展示对搜索和排序算法的透彻理解。 UNIT-I 简介：数据类型、数据结构、数据结构类型、操作、ADT、算法、算法比较、复杂性、时间-空间权衡。递归：简介、递归函数的格式、递归与迭代、示例。 UNIT-II 链表：简介、链表和类型、链表的表示、链表上的操作、链表与数组和动态数组的比较。 UNIT-III 堆栈和队列：堆栈简介、堆栈的应用、堆栈实现的实现和比较。队列简介、队列的应用和实现、优先级队列和应用。 UNIT-IV 树：定义和概念、二叉树的运算、二叉树的表示、一般树到二叉树的转换、树的表示、树的遍历、二叉搜索树。 UNIT-V 图：介绍、图的应用、图表示、图遍历、最小生成树。搜索和排序：线性搜索、二叉搜索、排序算法 - 冒泡排序、选择排序、快速排序、堆排序。教科书：
数据结构 - (r18a0503) 讲义 b.tech ii 年
图。 了解有关搜索和排序技术的概念 UNIT-I 简介：抽象数据类型，单链表：定义、操作：遍历、搜索、插入和删除，双向链表：定义、操作：遍历、搜索、插入和删除，循环链表：定义、操作：遍历、搜索、插入和删除。 UNIT-II 堆栈：堆栈 ADT、数组和链表实现，应用程序-表达式转换和评估。队列：队列的类型：简单队列、循环队列、队列 ADT-数组和链表实现。优先队列、堆。 UNIT-III 搜索：线性和二进制搜索方法。排序：选择排序、冒泡排序、插入排序、快速排序、合并排序、堆排序。时间复杂度。图：基本术语、图的表示、图遍历方法 DFS、BFS。 UNIT IV 字典：线性列表表示、跳跃列表表示、操作 - 插入、删除和搜索。哈希表表示：哈希函数、冲突解决 - 单独链接、开放寻址 - 线性探测、二次探测、双重哈希、重新哈希、可扩展哈希。 UNIT-V 二叉搜索树：各种二叉树表示、定义、BST ADT、实现、操作 - 搜索、插入和删除、二叉树遍历、线程二叉树、AVL 树：定义、AVL 树的高度、操作 - 插入、删除和搜索 B 树：m 阶 B 树、B 树的高度、插入、删除和搜索、B+ 树。教科书：1. 使用 C++ 的数据结构，特别版-MRCET，Tata McGraw-Hill Publishers 2017。2. C++ 中的数据结构、算法和应用，S.Sahni，University Press (India) Pvt.Ltd，第 2 版，Universities Press Orient Longman Pvt. Ltd. 教育。
编程工程和应用 Web 开发
本课程旨在提高学生的编程技能。它强调了信息隐藏的重要性以及如何在良好的程序设计中使用抽象。本课程介绍了基本数据结构和算法分析，可用作设计问题解决方案的工具。本课程包括：算法分析和设计，学生将能够估计算法增长率并使用大 O 符号对其进行描述。数据结构包括：列表和链接列表、堆栈、队列、优先级队列、树及其遍历、二叉搜索树、堆、哈希表和图以及图的算法。此外，还将讨论重要的排序和搜索算法，包括：冒泡排序、插入排序、选择排序、合并排序、堆排序和基数排序、顺序搜索和二分搜索。
使用级联集成学习从多光谱 MRI 数据中分割脑肿瘤*
摘要 — 集成学习方法经常用于医疗决策支持。在图像分割问题中，基于集成的决策需要后处理，因为集成不能充分处理相邻体素的强相关性。本文提出了一种基于集成级联的脑肿瘤分割程序。第一个由二叉决策树组成的集成经过训练，基于 4 个观察特征和 100 个计算特征将局灶性病变与正常组织分离。从第一个集成提供的中间标签开始，为每个体素计算六个局部特征，作为第二个集成的输入。第二个集成是一个经典的随机森林，它加强了相邻像素之间的相关性，使病变的形状规则化。分割准确率为 85.5% 的整体 Dice Score，比之前的解决方案高出 0.5%。索引词 — 图像分割、脑肿瘤分割、磁共振成像、集成学习。
计算机科学与工程系课程大纲...
数字逻辑：逻辑函数、最小化、组合和顺序电路的设计和综合；数字表示和计算机算术（定点和浮点）。计算机组织和架构：机器指令和寻址模式、ALU 和数据路径、CPU 控制设计、内存接口、I/O 接口（中断和 DMA 模式）、指令流水线、缓存和主内存、二级存储。编程和数据结构：C 语言编程；函数、递归、参数传递、范围、绑定；抽象数据类型、数组、堆栈、队列、链接列表、树、二叉搜索树、二叉堆。算法：分析、渐近符号、空间和时间复杂度概念、最坏和平均情况分析；设计：贪婪方法、动态规划、分而治之；树和图遍历、连通分量、生成树、最短路径；散列、排序、搜索。时间和空间的渐近分析（最佳、最坏、平均情况）、上限和下限、复杂性类 P、NP、NP-hard、NP-complete 的基本概念。计算理论：正则语言和有限自动机、上下文无关语言和下推自动机、递归可枚举集和图灵机、不可判定性。编译器设计：词汇分析、解析、语法制导翻译、运行时环境、中间和目标代码生成、代码优化基础。操作系统：进程、线程、进程间通信、并发、同步、死锁、CPU 调度、内存管理和虚拟内存、文件系统、I/O 系统、保护和安全。数据库：ER 模型、关系模型（关系代数、元组演算）、数据库设计（完整性约束、范式）、查询语言（SQL）、文件结构（顺序文件、索引、B 和 B+ 树）、事务和并发控制。信息系统和软件工程：信息收集、需求和可行性分析、数据流图、流程规范、输入/输出设计、流程生命周期、项目规划和管理、设计、编码、测试、实施、维护。计算机网络：ISO/OSI 堆栈、LAN 技术（以太网、令牌环）、流量和错误控制技术、路由算法、拥塞控制、TCP/UDP 和套接字、IP（v4）、应用层协议（icmp、dns、smtp、pop、ftp、http）；集线器、交换机、网关和路由器的基本概念。网络安全基本概念：公钥和私钥加密、数字签名、防火墙。Web 技术：HTML、XML、客户端-服务器计算的基本概念。
ExoMol 线列表 – LXII。旋转振动能级和……
摘要 模拟大气和富碳冷恒星及太阳系外行星的演化需要改进不透明度；特别是，至少需要使用包含感兴趣能量范围内所有重要跃迁的线列表来确定天体物理上重要的丙二烯二叉 (C 3 ) 分子的贡献。我们报告了变分计算，给出了 12 C 3 、12 C 13 C 12 C 和 12 C 12 C 13 C 的旋转振动能级和相应的线强度。在 12 C 3 情况下，我们获得电子 ˜ X 1 g + 基态的 2166 503 旋转振动状态能量 ⩽ 2000 cm − 1。与实验的比较表明最大误差为 ± 0 。 03 cm − 1 计算出涉及上能态能量⪅ 4000 cm − 1 的线的位置。为了使上能态能量⪆ 4000 cm − 1 的线具有可比的线位置精度，在采用的势能表面中需要考虑圆锥相交。ExoMol 数据库 ( http://www.exomol.com ) 中提供了线列表和相关不透明度。
![arXiv:2006.11309v1 [cs.AI] 2020 年 6 月 19 日](/simg/g:\will\search\icon\source\8\815b6ddcd9ad12c5b66dd7208c8914603d2dfa68.png)
arXiv:2006.11309v1 [cs.AI] 2020 年 6 月 19 日
数据驱动学习是人工智能 (AI) 许多领域的最新技术，但原始统计性能次于人类的信任、理解和安全。为了在现实世界中大规模部署自主代理，具有各种背景和职责的人必须具备强大的学习和推理心理模型。然而，现代学习算法涉及复杂的反馈回路，缺乏语义基础，从人类的角度来看，它们是黑匣子。可解释人工智能 (XAI) [5] 领域应运而生，以应对这一挑战。XAI 中的大多数工作都侧重于深入了解在静态数据集上训练的分类和回归系统。在这项工作中，我们考虑由代理与其环境交互组成的动态问题。我们介绍了可解释模仿学习 (I2L) 的方法，该方法旨在通过分析黑箱代理的输入输出统计数据来建模其策略。我们称该策略模型为可解释的，因为它采用二叉决策树的形式，易于分解和可视化，可用于事实和反事实解释 [3]。我们通过明确学习代理用作决策基础的潜在状态表示，超越了模仿学习文献中大多数当前工作。在形式化我们的方法后，我们报告了在交通模拟器中实施的初步结果。
R18 技术学士CSE（数据科学）III 和 IV 年 JNTU ...
能够分析算法的性能 能够为指定的应用程序选择合适的数据结构和算法设计方法 能够理解数据结构的选择和算法设计方法如何影响程序的性能 UNIT - I 简介：算法、性能分析-空间复杂度、时间复杂度、渐近符号-大 oh 符号、欧米茄符号、西塔符号和小 oh 符号。 分而治之：一般方法，应用-二分查找、快速排序、归并排序、施特拉森矩阵乘法。 UNIT - II 不相交集：不相交集合运算、联合和查找算法 回溯：一般方法、应用、n 皇后问题、子集和问题、图着色 UNIT - III 动态规划：一般方法，应用-最佳二叉搜索树、0/1 背包问题、所有对最短路径问题、旅行商问题、可靠性设计。第四单元贪婪法：通用方法，应用-有截止期限的工作排序，背包问题，最小成本生成树，单源最短路径问题。第五单元分支定界：通用方法，应用-旅行商问题，0/1背包问题-LC分支定界解决方案，FIFO分支定界解决方案。NP-Hard和NP-Complete问题：基本概念，非确定性算法，NP-Hard和NP-Complete类，Cook定理。教科书：
R18 B.Tech. CSE（网络安全）III 和 IV 年
能够分析算法的性能 能够为指定的应用程序选择合适的数据结构和算法设计方法 能够理解数据结构的选择和算法设计方法如何影响程序的性能 UNIT - I 简介：算法、性能分析-空间复杂度、时间复杂度、渐近符号-大 oh 符号、欧米茄符号、西塔符号和小 oh 符号。 分而治之：一般方法，应用-二分查找、快速排序、归并排序、施特拉森矩阵乘法。 UNIT - II 不相交集：不相交集合运算、联合和查找算法 回溯：一般方法、应用、n 皇后问题、子集和问题、图着色 UNIT - III 动态规划：一般方法，应用-最佳二叉搜索树、0/1 背包问题、所有对最短路径问题、旅行商问题、可靠性设计。第四单元贪婪法：通用方法，应用-有截止期限的工作排序，背包问题，最小成本生成树，单源最短路径问题。第五单元分支定界：通用方法，应用-旅行商问题，0/1背包问题-LC分支定界解决方案，FIFO分支定界解决方案。NP-Hard和NP-Complete问题：基本概念，非确定性算法，NP-Hard和NP-Complete类，Cook定理。教科书：
BT-CNN：一种利用 MRI 成像对脑肿瘤进行分类的平衡二叉树架构
深度学习是当今世界临床诊断和治疗中非常重要的技术。卷积神经网络 (CNN) 是深度学习的最新发展，用于计算机视觉。我们的医学研究重点是脑肿瘤的识别。为了提高脑肿瘤分类性能，提出了一种以二叉树结构为框架的平衡二叉树 CNN (BT-CNN)。它有两个不同的模块 - 卷积和深度可分离卷积组。使用卷积组可实现更短的时间和更高的内存，而深度可分离卷积组则相反。这种平衡二叉树启发的 CNN 平衡了两个组以在时间和空间方面实现最佳性能。在公共数据集上对所提出的模型以及 CNN-KNN 等最先进的模型以及 Musallam 等人、Saikat 等人和 Amin 等人提出的模型进行了实验。在将数据输入模型之前，我们使用 CLAHE、去噪、裁剪和缩放对图像进行预处理。预处理后的数据集根据 5 倍交叉验证分为训练数据集和测试数据集。对所提出的模型进行训练，并将其性能与 CNN-KNN 等最新模型以及 Musallam 等人、Saikat 等人和 Amin 等人提出的模型进行比较。与其他模型相比，所提出的模型报告的平均训练准确率为 99.61%。所提出的模型实现了 96.06% 的测试准确率，而其他模型分别实现了 68.86%、85.8%、86.88% 和 90.41%。此外，所提出的模型在所有折叠中获得了训练和测试准确率的最低标准差，使其对于数据集不变。