算法设计实验报告，包括：蛮力法、分治法和减治法求最大子段和问题各自的基本思想、时间复杂度分析，C++实现代码，三种算法运转时间的比较，运转截图，实验心得。

股票价格预测-LSTM-TCN-GBDT运用四种算法（LSTM，TCN，GRU，GBDT）进行股票价格的预测和预测结果的检验。

人工神经网络是一种应用类似于大脑神经突触联接的结构进行信息处理的数学模型。
在工程与学术界也常直接简称为神经网络或类神经网络。
神经网络是一种运算模型，由大量的节点（或称神经元）之间相互联接构成。
每个节点代表一种特定的输出函数，称为激励函数（activationfunction）。
每两个节点间的连接都代表一个对于通过该连接信号的加权值，称之为权重，这相当于人工神经网络的记忆。
网络的输出则依网络的连接方式，权重值和激励函数的不同而不同。
而网络本身通常都是对自然界某种算法或者函数的逼近，也可能是对一种逻辑策略的表达。

SIRT,LSQR,SVD算法程序中，M，N分别系数矩阵A的行数和列数（对于不同的方程，需本人改动此参数），反演得X分别放在文件SIRT_X.TXT,LSQR_X.TXT,SVD_X.TXT中(由程序自动生成)。
另：运行svd程序时，找到svd.c，打开编译运行即可。
附带一个A*X=B的测试文件，其中a.txt是测试方程矩阵的系数矩阵，x.txt为已知解，b.txt为测试方程右边的常数项。
分别用上面提供的三个反演算法程序，计算一下，将a.txt，b.txt作为已知输入程序，算出解X，再与x.txt中的已知真实解比较，即可看出哪种算法的精度高。

VS2008+OPENCV2.3.0没做MFC单纯的代码，运行起来如果有延迟请将输出坐标正文掉，PS：貌似这种算法的角点对光线很敏感，而且不稳定。

本资源针对针对Karate数据集，使用networkx工具包实现了GN,LPA,LFM三种社区发现算法，并提供了模块度评价方法和可视化的方法。
数据分析结果和可视化图片都已保存在文件中。
共含有26个执行文件，代码可直接运转。

（1）利用DCT进行jpg压缩，其中DCT可以调用函数，其它尽量本人编写代码，压缩过程可进行适当简化；
（2）对图像进行二值化，请利用二值图像压缩方法进行数据压缩，然后解压缩，看通过肉眼能否看清表盘数据，比较两种算法的压缩效果；

实现EEMD，EMD两种算法，简单易懂，有正文

这个程序是基于压缩感知理论的图像重构算法，采用离散余弦变换将原始图像稀疏化，在采用高斯随机矩阵进行采样，最初使用MP算法、OMP算法、coamap算法等几种算法重构

•Alpha-Beta剪枝(Alpha-Betapruning)对于一般的最大最小搜索，即使每一步只有很少的下法，搜索的位置也会增长非常快；
在大多数的中局棋形中，每步平均有十个位置可以下棋，于是假设搜索九步(程序术语称为搜索深度为九)，就要搜索十亿个位置(十的九次方)，极大地限制了电脑的棋力。
于是采用了一个方法，叫“alpha-beta剪枝”，它大为减少了检测的数目，提高电脑搜索的速度。
各种各样的这种算法用于所有的强力Othello程序。
(同样用于其他棋类游戏，如国际象棋和跳棋)。
为了搜索九步，一个好的程序只用搜索十万到一百万个位置，而不是没用前的十亿次。
•估值这是一个程序中最重要的部分，如果这个模块太弱，则就算算法再好也没有用。
我将要叙述三种不同的估值函数范例。
我相信，大多数的Othello程序都可以归结于此。
棋格表：这种算法的意思是，不同的棋格有不同的值，角的值大而角旁边的格子值要小。
忽视对称的话，棋盘上有10个不同的位置，每个格子根据三种可能性赋值：黑棋、白棋和空。
更有经验的逼近是在游戏的不同阶段对格子赋予不同的值。
例如，角在开局阶段和中局开始阶段比终局阶段更重要。
采用这种算法的程序总是很弱(我这样认为)，但另一方面，它很容易实现，于是许多程序开始采用这种逼近。
基于举动力的估值：这种更久远的接近有很强的全局观，而不像棋格表那样局部化。
观察表明，许多人类玩者努力获得最大的举动力(可下棋的数目)和潜在举动力(临近对手棋子的空格，见技巧篇)。
如果代码有效率的话，可以很快发现，它们提高棋力很多。
基于模版的估值：正如上面提及的，许多中等力量的程序经常合并一些边角判断的知识，最大举动力和潜在举动力是全局特性，但是他们可以被切割成局部配置，再加在一起。
棋子最少化也是如此。
这导致了以下的概括：在估值函数中仅用局部配置(模版)，这通常用单独计算每一行、一列、斜边和角落判断，再加在一起来实现。
估值合并：一般程序的估值基于许多的参数，如举动力、潜在举动力、余裕手、边角判断、稳定子。
但是怎么样将他们合并起来得到一个估值呢？一般采用线性合并。
设a1，a2，a3，a4为参数，则估值s：=n1*a1+n2*a2+n3*a3+n4*a4。
其中n1，n2，n3，n4为常数，术语叫“权重”(weight)，它决定了参数的重要性，它们取决于统计值。

在日常工作中，钉钉打卡成了我生活中不可或缺的一部分。然而，有时候这个看似简单的任务却给我带来了不少烦恼。 每天早晚，我总是得牢记打开钉钉应用，点击"工作台"，再找到"考勤打卡"进行签到。有时候因为工作忙碌，会忘记打卡，导致考勤异常，影响当月的工作评价。而且，由于我使用的是苹果手机，有时候系统更新后，钉钉的某些功能会出现异常，使得打卡变得更加麻烦。 另外，我的家人使用的是安卓手机，他们也经常抱怨钉钉打卡的繁琐。尤其是对于那些不太熟悉手机操作的长辈来说，每次打卡都是一次挑战。他们总是担心自己会操作失误，导致打卡失败。 为了解决这些烦恼，我开始思考是否可以通过编写一个全自动化脚本来实现钉钉打卡。经过一段时间的摸索和学习，我终于成功编写出了一个适用于苹果和安卓系统的钉钉打卡脚本。