IM2ODE 简介

IM2ODE 软件包的全称是 Inverse Design of Materials by Multi-objective Differential Evolution, 即基于多目标差分演化算法进行逆向材料设计。在确定了定量的目标性质(比如 半导体的带隙和硬度等)的情况下,该软件包能够在仅仅给定化学组分的情况下将具有该性 质的原子排布组合给预言出来。至今,该软件包已经被国内外众多计算物理学界同行所采 用,成为逆向材料设计领域的一种重要方法。

Linux系统命令 III

find命令用来在指定目录下查找文件。任何位于参数之前的字符串都将被视为欲查找的目录 名。如果使用该命令时,不设置任何参数,则find命令将在当前目录下查找子目录与文件。 并且将查找到的子目录和文件全部进行显示。

提问的智慧

Copyright © 2001,2006,2014 Eric S. Raymond, Rick Moen

本指南英文版版权为 Eric S. Raymond, Rick Moen 所有。

原文网址:http://www.catb.org/~esr/faqs/smart-questions.html

Copyleft 2001 by D.H.Grand(nOBODY/Ginux), 2010 by Gasolin, 2015 by Ryan Wu

本中文指南是基于原文 3.10 版以及 2010 年由 Gasolin 所翻译版本的最新翻译;

协助指出翻译问题,发 Issue,或直接发 Pull Request 给我。

本文另有繁體中文版

原文版本历史

《统计学习方法》笔记(四)

朴素贝叶斯法是基于贝叶斯定理与条件独立假设的分类方法。对给定的训练数据集,首先基于 特征条件独立假设学习输入/输出的联合概率分布;然后基于此模型,对给定的输入 x ,利用 贝叶斯定理求出后验概率最大的输出 y 。此方法实现简单,学习与预测的效率都很高。

《统计学习方法》笔记(三)

k 近邻法是一种基本分类与回归方法,其输入为实例的特征向量,对应于特征空间的点;输出为实例的类别,可以取多类。 k 近邻法利用训练数据集对特征空间进行划分,并作为其分类的 “模型”。k 值的选择,距离度量及 分类决策规则是 k 近邻法的三个基本要素。k 近邻法 1968 年由 Cover 和 Hart 提出。

《统计学习方法》笔记(二)

感知机是二分类线性分类模型,其输入为实例的特征向量,输出为实例的类别,取 +1 和 -1 两值。感知机对应于输入空间(特征空间)中将实例划分为正负两例的分离超平面,属于判别模型。 感知机学习旨在求出将训练集进行线性划分的分离超平面,导入基于误分类的损失函数,利用 梯度下降法对损失函数进行极小化,求得感知机模型。感知机由 Rosonblatt 1957 年提出,是神经网络与支持向量机的基础。