解析编程问题，并将其发送给CHelper插件以实现IntelliJ IDEA。 竞争性伴侣解析程序设计问题和竞赛，并能够将解析的数据发送到各种工具，例如CHelper和Hightail。 使用它非常简单。 只需安装扩展程序，确保已打开受支持的工具之一，导航至问题页面，然后单击浏览器左上角的绿色加号图标。 在竞争性伴侣能够解析竞赛的网站上，导航至包含所有问题的页面，然后单击绿色加号图标将立即下载并解析竞赛中的所有问题。 您也可以使用快捷键Ctrl + Shift + U代替绿色的加号图标。 支持的工具：-CHelper-JHelper-Hightail-Mind Sport-Caide-acmX问题解析器可用于以下网站：-A2OJ-ACMP-AtCoder-Baekjoon在线法官-Bloomberg CodeCon-CodeChef-Codeforces-COJ-CSAcademy-CSU-ACM在线法官-DevSkill-DMOJ-E-Olymp-ECNU在线法官-Facebook黑客杯-FZU在线法官-Google Code Jam（新）-Google Kick Start-HackerEarth-HackerRank-HDU在线法官-HIT在线法官-hihoCoder-Hrbust Online法官-ICPC实时存档-Jutge-Kattis-LightOJ-MSK信息学-NYTD在线法官-omegaUp-熊猫在线法官-PEG法官-POJ-QDUOJ-SPOJ-Timus-Toph-URI在线法官-USACO-USACO培训-UVa在线法官-虚拟法官-Yandex竞赛解析器可用于以下网站：-AtCoder-百joon在线法官-CodeChef-Codeforces-COJ-CSU-ACM在线法官-DevSkill-DMOJ-E-Olymp-ECNU在线法官-FZU在线法官-Google Code Jam（旧代码）-HackerEarth -HackerRank-HDU在线法官-Kattis-LightOJ-NYTD在线法官-PEG法官-POJ-QDUOJ-Timus-URI在线法官 支持语言:English (United States)

Paper-Repetition-EMFFN

OSIC肺纤维化竞赛（贝叶斯模型） 介绍 OSIC肺纤维化进展竞赛是一项Kaggle竞赛，您需要完成预测FVC（强制肺活量）的任务，FVC与下一个146周的强制呼气量（FEV）测试中呼出的空气总量有关。 您将获得CT扫描图像，以了解过去几周的第一次相遇，元数据和信息。 方法 CT扫描处理 我们确定一个遮罩，以区分图像中的其他实体和肺部。 我用两种方法做到这一点：1）简单的像素阈值区分和2）KMeans聚类。 应用了进一步的图像处理（例如腐蚀和膨胀）以进一步区分这两个区域。 然后将识别出的蒙版应用于原始图像，以获得孤立的肺部图像。 这些操作的结果如下所示： 隔离肺部后，从生成的图像中确定像素统计信息，以用作后续模型中的特征。 确定了诸如均值，方差，偏斜和峰度之类的统计信息。 贝叶斯建模 使用马尔可夫链蒙特卡洛（MCMC）采样方法和变分推断来估计模型的参数。 生成模型是分层的，这意味着信息

1. 提交文件的格式为UTF-8编码的CSV文件 2. 所有图片预测的结果保存在csv格式文件中，缺失行会导致评测失败 3. 文件内容要求严格按照列的排布格式，

TianChiCompetition Our responding code and resources for TianChi competition #Update 2015/04/10 基本框架的构建： 特征工程部分 Generate_raw_train.py (从原始数据中按照分割点，得到分割点前的数据) Generate_feature_All.py (从raw_train数据中提取特征，并构建基于特征向量的训练集合) 算法框架部分 Algorithm_LRTest.py (利用LR回归，进行分类预测) Function_CalF1.py (F1函数的计算) 负样本影响问题 测试产生 '候选集'的过程中，发现虽然只用子集，但是一早上起来，数据量还是把硬盘给爆了，经测试，代码应该没有产生大问题。估计是负样本太多，过多的想预测没有发生过预测行为的（U,I）对。尝试取消这部分内容 #U

2018全国高校云计算应用创新大赛 最终排名：1 repo为技能赛的赛题一： 购物篮数据集 记录数 项目数 最短长度 最长长度 平均长度 1,692,082 5,267,656 1 71,472 177 用户数据集 用户数 项目数 最短长度 最长长度 平均长度 330,244 1,080,203 4 1,195 130 采用的频繁项集挖掘算法为PFP-Growth 比赛相关信息点 项目结构 　　本项目用scala语言编写，用maven组织。代码结构如下。 项目src/main/AR目录下存放源代码文件。 main文件夹中存放频繁项集挖掘与关联规则生成与关联规则匹配与推荐分值计算这两个模块的代码。 util包里FPTree、AssociationRules是频繁项集挖掘所必须的数据结构，FPNewDef是基于mllib的FP-Growth算法的优化版本。 conf文件夹包含一个Conf类用于

演算法的handbookPreface ix I Basic techniques 1 1 Introduction 3 1.1 Programming languages . . . . . . . . . . . . . . . . . . . . . . . . . 3 1.2 Input and output . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4 1.3 Working with numbers . . . . . . . . . . . . . . . . . . . . . . . . . . 6 1.4 Shortening code . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8 1.5 Mathematics . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10 1.6 Contests and resources . . . . . . . . . . . . . . . . . . . . . . . . . . 15 2 Time complexity 17 2.1 Calculation rules . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17 2.2 Complexity classes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20 2.3 Estimating efficiency . . . . . . . . . . . . . . . . . . . . . . . . . . . 21 2.4 Maximum subarray sum . . . . . . . . . . . . . . . . . . . . . . . . . 21 3 Sorting 25 3.1 Sorting theory . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25 3.2 Sorting in C++ . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29 3.3 Binary search . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31 4 Data structures 35 4.1 Dynamic arrays . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35 4.2 Set structures . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37 4.3 Map structures . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38 4.4 Iterators and ranges . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39 4.5 Other structures . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41 4.6 Comparison to sorting . . . . . . . . . . . . . . . . . . . . . . . . . . . 44 5 Complete search 47 5.1 Generating subsets . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47 5.2 Generating permutations . . . . . . . . . . . . . . . . . . . . . . . . . 49 5.3 Backtracking . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50 5.4 Pruning the search . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51 5.5 Meet in the middle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5 6 Greedy algorithms 57 6.1 Coin problem . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57 6.2 Scheduling . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58 6.3 Tasks and deadlines . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60 6.4 Minimizing sums . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61 6.5 Data compression . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62 7 Dynamic programming 65 7.1 Coin problem . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65 7.2 Longest increasing subsequence . . . . . . . . . . . . . . . . . . . . . 70 7.3 Paths in a grid . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71 7.4 Knapsack problems . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72 7.5 Edit distance . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 74 7.6 Counting tilings . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75 8 Amortized analysis 77 8.1 Two pointers method . . . . . . . . . . . . . . . . . . . . . . . . . . . 77 8.2 Nearest smaller elements . . . . . . . . . . . . . . . . . . . . . . . . . 79 8.3 Sliding window minimum . . . . . . . . . . . . . . . . . . . . . . . . . 81 9 Range queries 83 9.1 Static array queries . . . . . . . . . . . . . . . . . . . . . . . . . . . . 84 9.2 Binary indexed tree . . . . . . . . . . . . . . . . . . . . . . . . . . . . 86 9.3 Segment tree . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 89 9.4 Additional techniques . . . . . . . . . . . . . . . . . . . . . . . . . . . 93 10 Bit manipulation 95 10.1 Bit representation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 95 10.2 Bit operations . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 96 10.3 Representing sets . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 98 10.4 Bit optimizations . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 100 10.5 Dynamic programming . . . . . . . . . . . . . . . . . . . . . . . . . . 102 II Graph algorithms 107 11 Basics of graphs 109 11.1 Graph terminology . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 109 11.2 Graph representation . . . . . . . . . . . . . . . . . . . . . . . . . . . 113 12 Graph traversal 117 12.1 Depth-first search . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 117 12.2 Breadth-first search . . . . . . . . . . . . . . . . . . . . . . . . . . . . 119 12.3 Applications . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 121

本次竞赛要解决的问题是，通过识别图片中的鲸鱼尾巴，实现对鲸鱼种类的分类，属于一个多分类问题 提供的数据集包括9850张训练图片（4251个种类）和15610张测试图片。 这是本人第一次参加的比赛，最终以0.45426的分数，排名45th/528，top9% 环境说明： tensorflow-gpu:1.4.1 keras-gpu:2.0.5 文件说明： input: notebook文件需要的输入 humpback-whale-identification-model-files: Whale Recognition Model with score 0.78563.ipynb需要的文件 train.csv: 原始训练集标注文件 train_aug.csv: Keras_lb_0.38_to_0.42_cut_aug.py使用的经过裁剪，以及数据增强后的训练集标准文

高斯扩散模型matlab代码免责声明：大多数代码编写于〜2009年，最后一次更新于2013年进行。自那时以来，已经开发了许多其他代码（采用R等开源语言），并公开提供了用于模拟和拟合顺序采样以及蓄能器型号。 我什至不再使用此代码，但我偶尔将其提供给学生和博士后，通常只是为了给他们开发自己的代码的起点。 我正在这里记录它，只是为了不丢失它。 顺序采样和累加器模型形成了一个强大的框架，可以对选择和等待时间进行建模，并且可以成功地用于解决眼球运动的“何时”和“何处”（例如Carpenter的LATER模型和我们自己的一些工作）。 基本思想是，随着时间的推移，朝着响应阈值累积了支持不同潜在扫视目标的“证据”。 这些模型具有多种风格，但它们都共享一些嘈杂的决策变量到标准的时间积分的中心概念。 这些模型在假定的噪声类型（漂移率噪声，起始点可变性等）以及是否包括诸如蓄能器之间的横向抑制，泄漏和自激等成分方面有所不同。 那么很显然，该域中所有可能模型的空间确实很大。 我在这里编写了一些基本的（Matlab）代码，使您可以在该通用类中模拟相当多的模型。 当前形式的代码模拟了一个竞争性的累加器，其中包括：

matlab代码做游戏与脑电图合作和竞争中的团队神经动力学分析 概括 为了定义社会行为和主体间相互作用的神经生理学基础，“社会大脑”已成为神经科学研究中关注的焦点。 尤其是合作与竞争，可以看作是两个或两个以上旨在促进但也阻碍他人实现目标的行动者之间的社会互动。 本文旨在分析合作和竞争互动过程中的团队神经动力学。 这项研究着手分析与脑电图在四个方面的合作和竞争互动过程中的团队神经动力学：（1）分析神经同步测量在多大程度上对噪声具有鲁棒性； （2）基于不同的神经同步度量分析团队神经动力学（3）在图论中解释神经同步（4）将团队神经动力学与团队绩效联系起来。 18名受试者（9对）参加了该实验，在带有EEG的双胞胎中玩竞争性和合作性的计算机乒乓球游戏。 应用了五种功能连通性方法来量化神经同步性：站点间相位聚类，相位滞后指数，频谱相干性，功率相关性和互信息。 团队大脑网络是基于大脑内和大脑间神经同步生成的。 计算大脑网络的拓扑属性，包括小世界，全局效率和中间性中心性，以量化团队的神经动力学。 结果表明： 关于神经同步测量的鲁棒性：互信息对噪声非常敏感； 功率相关是对噪声最不敏感的NS测量； 相位滞