Vikipedio:Projekto matematiko/Datuma faskado

El Vikipedio

Ĉi tiu artikolo montras stilajn aŭ/kaj gramatikajn aŭ/kaj strukturajn problemojn kaj bezonas poluradon por konformi al pli bona nivelo de kvalito. Post plibonigo movu la artikolon al
Datuma faskado
(eble la nomo mem bezonas korekton) Se la ligo estas ruĝa, vi povas movi la artikolon. Se la ligo estas blua, la alia artikolo pri la temo jam ekzistas kaj tiun kaj ĉi tiun artikolon necasas kunigi.

Datuma faskado estas komuna tekniko por statistika datuma analitiko, kiu estas uzita en multaj kampoj, inkluzivanta maŝina lerno, datumoj (minado, minanta, minejanta), (formorekono, rekonado de ŝablonoj), bilda analitiko kaj biokomputiko. Faskanta estas la klasifiko de simila (objektoj, objektas) enen malsama (grupoj, grupas), aŭ pli detale, la dispartiganta de datuma aro enen (subaroj, subaras) (faskoj), tiel ke la datumoj en ĉiu subaro (ideale) (komunigi, parto) iu komuna trajto - ofte apudeco laŭ iu difinis distanco mezuri.

Maŝina lerno tipe estima datuma faskado kiel (formo, formi) de nekontrolita lerno.

Ekster la (termo, membro, flanko, termino) datuma faskado (aŭ (justa, ĵus) faskanta), estas nombro de (termoj, kondiĉoj, terminoj, termas, terminas) kun simila (intencoj, signifoj, signifas), inkluzivanta akumuliĝa analitiko, aŭtomata klasifiko, cifereca taksonomio, _botryology_ kaj _typological_ analitiko.

[redaktu] (Klavas, Tipoj) de faskanta

Datuma faskado (algoritmoj, algoritmas) povas esti hierarkia aŭ _partitional_. Hierarkia (algoritmoj, algoritmas) trovi sukcesaj faskoj uzanta antaŭe (fondita, fondis) faskoj, (dum, ĉar) _partitional_ (algoritmoj, algoritmas) difini ĉiuj faskoj senprokraste. Hierarkia (algoritmoj, algoritmas) povas esti _agglomerative_ (fundo-supren) aŭ _divisive_ (supro-suben). _Agglomerative_ (algoritmoj, algoritmas) komenci kun ĉiu ero kiel apartigi akumuliĝa kaj kunfandi ilin en sukcese pli grandaj faskoj. _Divisive_ (algoritmoj, algoritmas) komenci kun la tuta aro kaj procedi al dividi ĝi enen sukcese (pli minuskla, pli malgranda) faskoj.

[redaktu] Hierarkia faskanta

[redaktu] Distanco mezuri

Ŝlosilo (ŝtupo, paŝi) en hierarkia faskanta estas al (apartigi, elekti) distanco mezuri. Simpla mezuri estas manhatana distanco, egala al la (sumo, sumi) de absoluta (distancoj, distancas) por ĉiu (variablo, varianta). La nomo venas de la fakto (tiu, ke, kiu) en du-(variablo, varianta) (kesto, okazo), la (variabloj, variablas) povas esti grafike prezentita sur krado (tiu, ke, kiu) povas esti (komparita, komparis) al urbo (stratoj, stratas), kaj la distanco inter du punktoj estas la nombro de (baras, ŝtipoj, ŝtipas, kojnoj, kojnas, blokoj, blokas) persono devus marŝi.

Pli komuna mezuri estas Eŭklida distanco, komputis per trovanta la kvadrato de la distanco inter ĉiu (variablo, varianta), sumanta la (kvadratoj, placoj, kvadratigas), kaj trovanta la kvadrata radiko de (tiu, ke, kiu) (sumo, sumi). En la du-(variablo, varianta) (kesto, okazo), la distanco estas analoga al trovanta la longo de la hipotenuzo en triangulo; tio estas, ĝi estas la distanco "kiel la (kokeriki, kokeriko) (muŝoj, muŝas, flugas, avias, aviadas)." A (revuo, recenzi) de akumuliĝa analitiko en sana psikologio esplori fundamenti (tiu, ke, kiu) la plej komuna distanco mezuri en (publikigita, publikigis) studoj en (tiu, ke, kiu) esplori areo estas la Eŭklida distanco aŭ la (kvadratis, placita, kvadratigita) Eŭklida distanco (_Clatworthy_ _et_ _al_, 2005).

[redaktu] Kreantaj faskoj

Donita distanco mezuri, eroj povas esti kombinita. Hierarkia faskanta (masonas, ĉarpentas, konstruas) (_agglomerative_), aŭ rompas supren (_divisive_), hierarkio de faskoj. La tradicia prezento de ĉi tiu hierarkio estas arba datumstrukturo ((nomita, vokis) _dendrogram_), kun personaj eroj je unu fino kaj sola akumuliĝa kun ĉiu ero je la alia. _Agglomerative_ (algoritmoj, algoritmas) komenci je la supro de la arbo, (dum, ĉar) _divisive_ (algoritmoj, algoritmas) komenci je la fundo. (En la (cifero, figuro), la (sagoj, sagas) indiki _agglomerative_ faskanta.)

Tranĉanta la arbo je donita alto estos doni faskanta je (apartigis, elektita, elektis) precizeco. En jena ekzemplo, tranĉanta post la (sekundo, dua) (linio, vico) estos liveri faskoj {a} {b c} {d e} {f}. Tranĉanta post la tria (linio, vico) estos liveri faskoj {a} {b c} {d e f}, kiu estas _coarser_ faskanta, kun pli kelke da nombro de pli grandaj faskoj.

[redaktu] _Agglomerative_ hierarkia faskanta

Ekzemple, supozi ĉi tiuj datumoj estas al esti faskita. Kie eŭklida distanco estas la distanca metriko.

Kruda datumo

La hierarkia faskanta _dendrogram_ devus esti kiel tia:

Tradicia prezento

Ĉi tiu maniero (masonas, ĉarpentas, konstruas) la hierarkio de la personaj eroj per progreseme kunfandantaj faskoj. Denove, ni havi ses eroj {a} {b} {c} {d} {e} kaj {f}. La unua (ŝtupo, paŝi) estas al difini kiuj eroj al kunfandi en akumuliĝa. Kutime, ni bezono al preni la du plej proksimaj eroj, pro tio ni devas difini distanco $d (element 1,element 2)$ inter eroj. Unu povas ankaŭ konstrui distanca matrico je ĉi tiu stadio.

Supozi ni havi kunfandita la du plej proksimaj eroj b kaj c, ni nun havi jenaj faskoj {a}, {b, c}, {d}, {e} kaj {f}, kaj bezono al kunfandi ilin plui. Sed al fari (tiu, ke, kiu), ni (bezoni, bezono, necesa) al preni la distanco inter {a} kaj {b c}, kaj pro tio difini la distanco inter du faskoj. Kutime la distanco inter du faskoj $\mathcal{A}$ kaj $\mathcal{B}$ estas unu de jeno:

La maksimuma distanco inter eroj de ĉiu akumuliĝa (ankaŭ (nomita, vokis) plenumi _linkage_ faskanta):

$\max \{\, d(x,y) : x \in \mathcal{A},\, y \in \mathcal{B}\,\}$

La minimuma distanco inter eroj de ĉiu akumuliĝa (ankaŭ (nomita, vokis) sola _linkage_ faskanta):

$\min \{\, d(x,y) : x \in \mathcal{A},\, y \in \mathcal{B} \,\}$

La (meznombro, signifi) distanco inter eroj de ĉiu akumuliĝa (ankaŭ (nomita, vokis) averaĝa _linkage_ faskanta):

${1 \over {\mathrm{card}(\mathcal{A})\mathrm{card}(\mathcal{B})}}\sum_{x \in \mathcal{A}}\sum_{ y \in \mathcal{B}} d(x,y)$

La (sumo, sumi) de ĉiuj _intra_-akumuliĝa varianco
La (multigi, pligrandiĝo) en varianco por la akumuliĝa estante kunfandis (Zorgata kriterio)

Ĉiu _agglomeration_ okazas je pli granda distanco inter faskoj ol la antaŭa _agglomeration_, kaj unu povas decidi al halti faskanta ĉu kiam la faskoj estas ankaŭ malproksime aparta al esti kunfandita (distanca kriterio) aŭ kiam estas sufiĉe malgranda nombro de faskoj (nombra kriterio).

[redaktu] _Partitional_ faskanta

[redaktu] k-(meznombroj, meznombras, signifas) kaj derivaĵoj

[redaktu] K-(meznombroj, meznombras, signifas) faskanta

La K-(meznombroj, meznombras, signifas) algoritmo asignas ĉiu punkto al la akumuliĝa kies centro (ankaŭ (nomita, vokis) pezocentro) estas plej proksima. La centro estas la averaĝa de ĉiuj punktoj en la akumuliĝa — tio estas, ĝia (koordinatoj, koordinatas) estas la aritmetika meznombro por ĉiu dimensio aparte super ĉiuj punktoj en la akumuliĝa.

Ekzemplo: La datuma aro havas tri (dimensioj, dimensias) kaj la akumuliĝa havas du punktoj: X = (x₁, x₂, x₃) kaj Y = (y₁, y₂, y₃). Tiam la pezocentro Z iĝas Z = (z₁, z₂, z₃), kie z₁ = (x₁ + y₁)/2 kaj z₂ = (x₂ + y₂)/2 kaj z₃ = (x₃ + y₃)/2.

La algoritmo estas malglate (J. _MacQueen_, 1967):

Hazarde generi k faskoj kaj difini la akumuliĝaj centroj, aŭ rekte generi k (semo, vidis) punktoj kiel akumuliĝaj centroj.
Asigni ĉiu punkto al la plej proksima akumuliĝa centro.
_Recompute_ la novaj akumuliĝaj centroj.
Ripeti ĝis iu konverĝa kriterio estas renkontita (kutime (tiu, ke, kiu) la asigno _hasn_'t ŝanĝis).

La ĉefa (avantaĝoj, avantaĝas) de ĉi tiu algoritmo estas ĝia simpleco kaj rapido kiu permesas ĝi al kuri sur granda _datasets_. Ĝia malavantaĝo estas (tiu, ke, kiu) ĝi ne liveri la sama rezulto kun ĉiu kuri, ekde la rezultantaj faskoj dependi sur la komenca hazarda (asignoj, asignas). Ĝi maksimumigas inter-akumuliĝa (aŭ minimumigas _intra_-akumuliĝa) varianco, sed ne certiĝi (tiu, ke, kiu) la rezulto havas malloka minimumo de varianco.

[redaktu] _QT_ _Clust_ algoritmo

_QT_ (Kvalita Sojlo) Faskanta (pli hola _et_ _al_, 1999) estas alternativa maniero de dispartigantaj datumoj, inventis por geno faskanta. Ĝi postulas pli komputivo ol k-(meznombroj, meznombras, signifas), sed ne postuli preciziganta la nombro de faskoj apriora, kaj ĉiam redonas la sama rezulto kiam kuri kelkfoje.

La algoritmo estas:

La uzanto elektas maksimuma diametro por faskoj.
(Masoni, Ĉarpenti, Konstrui) kandidato akumuliĝa por ĉiu punkto per inkluzivanta la plej proksima punkto, la venonta plej proksima, kaj tiel plu, ĝis la diametro de la akumuliĝa _surpasses_ la sojlo.
Savi la kandidato akumuliĝa kun la plej punktoj kiel la unua vera akumuliĝa, kaj forpreni ĉiuj punktoj en la akumuliĝa de plui konsidero.
_Recurse_ kun la reduktis aro de punktoj.

La distanco inter punkto kaj grupo de punktoj estas komputita uzanta plenumi _linkage_, kio estas kiel la maksimuma distanco de la punkto al (ĉiu, iu) membro de la grupo (vidi la "_Agglomerative_ hierarkia faskanta" sekcio pri distanco inter faskoj).

[redaktu] Nebula c-(meznombroj, meznombras, signifas) faskanta

En nebula faskanta, ĉiu punkto havas grado de (apartenanta, apartenaĵo) al faskoj, kiel en neakra logiko, iom ol (apartenanta, apartenaĵo) plene al nur unu akumuliĝa. Tial, punktoj sur la rando de akumuliĝa, (majo, povas) ne esti en la akumuliĝa al malpli granda grado ol punktoj en la centro de akumuliĝa. Por ĉiu punkto x ni havi koeficiento donanta la grado de estante en la k(th, -a) akumuliĝa $u k (x)$ . Kutime, la (sumo, sumi) de tiuj koeficientoj estas difinita al esti 1, tiel ke $u k (x)$ signifas probablo de (apartenanta, apartenaĵo) al certa akumuliĝa:

$\forall x \sum_{k=1}^{\mathrm{num.}\ \mathrm{clusters}} u_k(x) \ =1.$

Kun nebula c-(meznombroj, meznombras, signifas), la pezocentro de akumuliĝa estas la (meznombro, signifi) de ĉiuj punktoj, pezis per ilia grado de (apartenanta, apartenaĵo) al la akumuliĝa:

$\mathrm{center}_k = {{\sum_x u_k(x) x} \over {\sum_x u_k(x)}}.$

La grado de (apartenanta, apartenaĵo) estas rilatanta al la inverso de la distanco al la akumuliĝa

$u_k(x) = {1 \over d(\mathrm{center}_k,x)},$

tiam la koeficientoj estas ununormigita kaj _fuzzyfied_ kun (reala, reela) parametro $m > 1$ tiel ke ilia (sumo, sumi) estas 1. (Do, Tiel)

$u_k(x) = \frac{1}{\sum_j \left(\frac{d(\mathrm{center}_k,x)}{d(\mathrm{center}_j,x)}\right)^{1/(m-1)}}.$

Por m egala al 2, ĉi tiu estas ekvivalento al _normalising_ la koeficiento (lineare, linie, tutece) al fari ilia (sumo, sumi) 1. Kiam m estas proksime al 1, tiam akumuliĝa centro plej proksima trafe estas donita multa pli pezo ol la aliaj, kaj la algoritmo estas simila al k-(meznombroj, meznombras, signifas).

La nebula c-(meznombroj, meznombras, signifas) algoritmo estas tre simila al la k-(meznombroj, meznombras, signifas) algoritmo:

Elekti nombro de faskoj.
Asigni hazarde al ĉiuj punktaj koeficientoj por estante en la faskoj.
Ripeti ĝis la algoritmo havas konverĝita (tio estas, la koeficientoj' ŝanĝi inter du (ripetoj, ripetas) estas apenaŭ ε, la donita sentkapabla sojlo) :
- Komputi la pezocentro por ĉiu akumuliĝa, uzanta la formulo pli supre.
- Por ĉiu punkto, komputi ĝiaj koeficientoj de estante en la faskoj, uzanta la formulo pli supre.

La algoritmo minimumigas _intra_-akumuliĝa varianco kiel bone, sed havas la sama (problemoj, problemas) kiel k-(meznombroj, meznombras, signifas), la minimumo estas loka minimumo, kaj la rezultoj dependi sur la komenca elekto de (pezoj, pezas).

[redaktu] Kubuta kriterio

La kubuta kriterio estas komuna regulo de thumb al difini kioma de faskoj devus elektiĝi, ekzemple por k-(meznombroj, meznombras, signifas) kaj _agglomerative_ hierarkia faskanta.

La kubuta kriterio diras (tiu, ke, kiu) vi devus elekti nombro de faskoj tiel ke adicianta alia akumuliĝa ne adicii sufiĉa informo. Pli detale, se vi (grafikaĵo, grafeo) la procento de varianco eksplikis per la faskoj kontraŭ la nombro de faskoj, la unuaj faskoj estos adicii multa informo (ekspliki multa varianco), sed je iu punkto la bagatela (konkeri, gajni) estos guti, donanta angulo en la (grafikaĵo, grafeo) (la kubuto).

Sur jeno (grafikaĵo, grafeo), la kubuto estas indikita per la (ruĝa, legita) cirklo. La nombro de faskoj elektita devus pro tio esti 4.

[redaktu] Spektra faskanta

Donita aro de datumaj punktoj, la simileca matrico (majo, povas) esti difinita kiel matrico $S$ kie $S i j$ prezentas mezuri de la simileco inter punkto $i$ kaj $j$ . Spektraj faskantaj teknikoj utiligi la spektro de la simileca matrico de la datumoj al akumuliĝa la punktoj. Iam tiaj teknikoj estas ankaŭ kutima (aperi, plenumi) dimensinombra rabato por faskanta en malpli (dimensioj, dimensias).

Unu tia tekniko estas la _Shi_-_Malik_ algoritmo, kutime uzita por bildo _segmentation_. Ĝi (dispartigoj, dispartigas) punktoj enen du aroj $(S 1, S 2)$ bazita sur la ajgenvektoro $v$ (korespondanta, respektiva) al la (sekundo, dua)-(plej minuskla, plej malgranda) ajgeno de la Laplaca operatoro $L = I - D 1 / 2 S D 1 / 2$ de $S$ , kie $D$ estas la diagonala matrico

D_ii =	∑	S_ij
	j

. Ĉi tiu dispartiganta (majo, povas) esti farita diversmaniere, kiel per prenante la mediano $m$ de la (komponantoj, komponantas) en $v$ , kaj (lokanta, metanta) ĉiuj punktoj kies komponanto en $v$ estas pli granda ol $m$ en $S 1$ , kaj la (restaĵo, ripozi) en $S 2$ . La algoritmo povas esti uzita por hierarkia faskanta, per multfoje dispartiganta la (subaroj, subaras) en ĉi tiu (modo, maniero).

Rilatanta algoritmo estas la _Meila_-_Shi_ algoritmo, kiu prenas la (ajgenvektoroj, ajgenvektoras) (korespondanta, respektiva) al la k plej granda (ajgenoj, ajgenas) de la matrico $P = S D - 1$ por iu k, kaj tiam alvokas alia (e.g. k-(meznombroj, meznombras, signifas)) al akumuliĝaj punktoj per ilia respektiva k (komponantoj, komponantas) en ĉi tiuj (ajgenvektoroj, ajgenvektoras).

[redaktu] Aplikoj

[redaktu] Biologio

En biologio faskanta havas du ĉefaj aplikoj en la kampoj de komputa biologio kaj biokomputiko.

En _transcriptomics_, faskanta estas uzita al (masoni, ĉarpenti, konstrui) (grupoj, grupas) de (genoj, genas) kun rilatantaj esprimaj ŝablonoj. Ofte tia (grupoj, grupas) enhavi funkcie rilatanta (proteinoj, proteinas), kiel (enzimoj, enzimas, fermentoj, fermentas) por specifa _pathway_, aŭ (genoj, genas) (tiu, ke, kiu) estas co-reguligita. Alta traigivo (eksperimentoj, eksperimentas) uzanta esprimita vico (etikedoj, etikedas) (_ESTs_) aŭ DNA _microarrays_ povas esti pova ilo por _genome_ komentario, ĝenerala aspekto de _genomics_.
En vica analitiko, faskanta estas uzita al grupo _homologous_ (vicoj, vicas) enen geno (familioj, familias). Ĉi tiu estas tre grava koncepto en biokomputiko, kaj evolua biologio en ĝenerala. Vidi evoluismo per geno _duplication_.

[redaktu] Merkatanta esplori

Akumuliĝa analitiko estas larĝe uzita en merkato esplori kiam laborante kun multvarieblaj datumoj de katastroj kaj provaj paneloj. Merkato (esploristoj, esploristas) uzi akumuliĝa analitiko dispartigi la ĝenerala loĝantaro de konsumantoj enen merkato (segmentoj, segmentas) kaj al pli bona kompreni la interrilatoj inter malsama (grupoj, grupas) de konsumantoj/potencialo (klientoj, klientas).

Segmentanta la merkato kaj (determinanta, difinanta) (celtabulo, celo) (merkatoj, merkatas, bazaroj, bazaras)
(Produkto, Produto) pozicianta
Nova (produkto, produto) evoluo
(Apartiganta, Elektanta) provo (merkatoj, merkatas, bazaroj, bazaras) (vidi : eksperimentaj teknikoj)

[redaktu] Aliaj aplikoj

Socia reta analitiko: En la studi de socia (retoj, retas), faskanta (majo, povas) kutimi agnoski komunaĵoj en granda (grupoj, grupas) de popolo.

Bildo _segmentation_: Faskanta povas kutimi dividi cifereca bildo enen klara (regionoj, regionas) por randa detekto aŭ objekto (ekkono, rekonado).

Datumoj (minado, minanta, minejanta): Multaj datumoj (minado, minanta, minejanta) aplikoj engaĝi dispartigantaj datumanoj enen rilatanta (subaroj, subaras); la merkatantaj aplikoj diskutis pli supre prezenti iu (ekzemploj, ekzemplas). Alia komuna apliko estas la divido de (dokumentoj, dokumentas), kiel TTT paĝoj, enen (ĝenroj, ĝenras).

[redaktu] Komparoj inter datumaj faskadoj

Tie havi estas kelkaj proponoj por mezuri de simileco inter du _clusterings_. Tia mezuri povas kutimi kompari kiel bone malsama datuma faskado (algoritmoj, algoritmas) (aperi, plenumi) sur aro de datumoj. Multaj de ĉi tiuj (mezuras, kriterioj, kriterias, mezuroj) estas derivita de la (alumetanta, svatanta, maĉanta, konkursanta, kongruanta) matrico (_aka_ konfuza matrico), e.g., la Rando mezuri kaj la _Fowlkes_-_Mallows_ B_k (mezuras, kriterioj, kriterias, mezuroj).

[redaktu] Ekstera (ligoj, ligas)

_Jain_, _Murty_ kaj _Flynn_: Datumoj Faskanta: A (Revuo, Recenzi), _ACM_ _Comp_. _Surv_., 1999. Havebla ĉi tie.
por alia (surscenigo, prezento) de hierarkia, k-(meznombroj, meznombras, signifas) kaj nebula c-(meznombroj, meznombras, signifas) vidi ĉi tiu enkonduko al faskanta. Ankaŭ havas ekspliko sur miksaĵo de _Gaussians_.
Davido _Dowe_, Miksaĵa Modelanta paĝo - alia faskanta kaj miksaĵa modelo (ligoj, ligas).
(lernilo, studa) sur faskanta [1]

[redaktu] Vidi ankaŭ

k-(meznombroj, meznombras, signifas)
Artefarita neŭrona reto (_ANN_)
(Mem, Sin)-(konstruanta, organizanta) mapo
Ekspekta Maksimumigo (Em)

[redaktu] Bibliografio

_Clatworthy_, J., _Buick_, Don/Doña, _Hankins_, Sinjoro, _Weinman_, J., & _Horne_, R. (2005). La uzi kaj (krakanta, raportanta) de akumuliĝa analitiko en sana psikologio: A (revuo, recenzi). Brita Ĵurnalo de Sana Psikologio 10: 329-358.
_Romesburg_, H. _Clarles_, Akumuliĝa Analitiko por (Esploristoj, Esploristas), 2004, 340 _pp_. ISBN 1411606175 aŭ eldonejo, represi de 1990 redakcio (publikigita, publikigis) per _Krieger_ Drinkejo. Co... Japana lingva traduko estas havebla de _Uchida_ _Rokakuho_ Publikiganta Co., _Ltd_., Tokio, Japanio.
pli hola, L.J., _Kruglyak_, S. kaj _Yooseph_, S., Esplorantaj Esprimaj Datumoj: Identigo kaj Analitiko de _Coexpressed_ (Genoj, Genas), _Genome_ Esplori 9:1106-1115.

Por spektra faskanta :

_Jianbo_ _Shi_ kaj _Jitendra_ _Malik_, "Ununormigita (Tranĉas, Sekcas) kaj Bildo _Segmentation_", IEEE (Transakcioj, Transakcias) sur Ŝablona Analitiko kaj Maŝina Inteligenteco, 22(8), 888-905, Aŭgusto 2000. Havebla sur _Jitendra_ _Malik_'s hejmpaĝo
_Marina_ _Maila_ kaj _Jianbo_ _Shi_, "Lerno _Segmentation_ kun Hazarda Marŝi", Neŭrona Informo Procezante Sistemoj, _NIPS_, 2001. Havebla de _Jianbo_ _Shi_'s hejmpaĝo

[redaktu] Programaro (realigoj, realigas)

[redaktu] Libera

la _flexclust_ enpaki por R
_YALE_ (Ankoraŭ Alia Lerna Ĉirkaŭaĵo): libera (malfermi, malfermita)-fonta programaro por scia malkovro kaj datumoj (minado, minanta, minejanta) ankaŭ inkluzivanta _plugin_ por faskanta
iu _Matlab_ fonto (fajlas, kolonoj, kolonas, dosieroj, dosieras, paperujoj, paperujas, fajliloj) por faskanta ĉi tie
_mixmod_ : Modelo Bazita Akumuliĝa Kaj Diskriminanta Analitiko. Kodo en C++, interfaco kun _Matlab_ kaj _Scilab_

[redaktu] Ne-libera

_Clustan_ [2]
_Peltarion_ _Synapse_ (uzanta (mem, sin)-(konstruanta, organizanta) (mapoj, mapas))[3]

Elŝutita el "http://eo.wikipedia.org../../../p/r/o/Vikipedio%7EProjekto_matematiko_Datuma_faskado_e2c7.html"

Kategorioj: Artikoloj por polurado kaj movo | Statistiko | Eltrovado de scio el datumbazoj