南大自考优秀毕业论文 本文讲述了利用Apache2,PHP5,MySQL5开源解决方案来实现B/S结构的外贸单证管理系统。 外贸单证包括销售订单，采购合同，托单，装箱单，报关单，发票等单证，将单证业务复杂的数据交由计算机系统来处理。工厂用户远程登录系统维护装箱单，提高了数据的准确性和及时性，单证自动生成，减少了单证员的工作量，提高了工作效率。 实践证明，此系统具有开发速度快，稳定性好，可扩展性强，维护部署方便，总成本低廉的优点，提高了企业的工作效率，满足企业的需求。 关键字: B/S Apache PHP MySQL 外贸单证 装箱单 报关单 发票 FPDF WriteExcel 报表 Abstract This article discusses how to develop a foreign trade documents management system based Brower/Server use Apache2, Php5 and MySQL5 open source software solution. Trade documents include Sales Contract ,Purchase Contract ,Delivery Sheet, Packing List, Customs declaration form ,Invoice ,etc. We can process complicated business's data by computer. This software system can let remote factory’s user login system and maintain packing list, base these data we can auto generate behind trade form, so all of data are accurate and quickly, we can reduce employee's workload and improve work efficiency. The practice proves this software system can be developed quickly, stably, well expansibility and maintained conveniently. A excellent aspect is the cost is low , can improve company's work efficiency and solve immediate requirement. Keywords: B/S Apache PHP MySQL Foreign trade documents Packing list Customs declaration form Invoice FPDF WriteExcel Report

东南大学C++视频配套ppt课件(全)1095页

原资源可在github中搜索到，这里只是用于个人学习方便。 课程内容 第1讲 知识图谱概论 （2019-3-1,2019-3-8） 1.1 知识图谱起源和发展 1.2 知识图谱 VS 深度学习 1.3 知识图谱 VS 关系数据库 VS 传统专家库 1.4 知识图谱本质和核心价值 1.5 知识图谱技术体系 1.6 典型知识图谱 1.7 知识图谱应用场景 第2讲 知识表示 (2019-3-15) 2.1 知识表示概念 2.2 知识表示方法 语义网络 产生式系统 框架系统 概念图 形式化概念分析 描述逻辑 本体 本体语言 统计表示学习 第3讲 知识建模 （2019-3-15，2019-3-22） 3.1 本体 3.2 知识建模方法 本体工程 本体学习 知识建模工具 知识建模实践 第4讲 知识抽取基础:问题和方法（2019-3-22） 4.1 知识抽取场景 4.2 知识抽取挑战 4.3 面向结构化数据的知识抽取 4.4 面向半结构化数据的知识抽取 4.5 面向非机构化数据的知识抽取 第5讲 知识抽取:数据采集（2019-3-29） 5.1 数据采集原理和技术 爬虫原理 请求和响应 多线程并行爬取 反爬机制应对 5.2 数据采集实践 百科 论坛 社交网络等爬取实践 第6讲 知识抽取:实体识别（2019-3-29） 6.1 实体识别基本概念 6.2 基于规则和词典的实体识别方法 6.3 基于机器学习的实体识别方法 6.4 基于深度学习的实体识别方法 6.5 基于半监督学习的实体识别方法 6.6 基于迁移学习的实体识别方法 6.7 基于预训练的实体识别方法 第7讲 知识抽取:关系抽取（2019-4-19，2019-4-26） 7.1 关系基本概念 7.2 语义关系 7.3 关系抽取的特征 7.4 关系抽取数据集 7.5 基于监督学习的关系抽取方法 7.6 基于无监督学习的关系抽取方法 7.7 基于远程监督的关系抽取方法 7.8 基于深度学习/强化学习的关系抽取方法 第8讲 知识抽取:事件抽取（2019-3-29） 8.1 事件抽取基本概念 8.2 基于规则和模板的事件抽取方法 8.3 基于机器学习的事件抽取方法 8.4 基于深度学习的事件抽取方法 8.5 基于知识库的事件抽取方法 8.6 基于强化学习的事件抽取方法 第9讲 知识融合（2019-4-28） 9.1 知识异构 9.2 本体匹配 9.3 匹配抽取和匹配调谐 9.4 实体匹配 9.5 大规模实体匹配处理 9.6 知识融合应用实例 第10讲 知识图谱表示学习（2019-5-5） 10.1 知识表示学习概念 10.2 基于距离的表示学习模型 10.3 基于翻译的表示学习模型 10.4 基于语义的表示学习模型 10.5 融合多源信息的表示学习模型 10.6 知识图谱表示学习模型的评测 10.7 知识图谱表示学习前沿进展和挑战 第11讲 知识存储（2019-5-10） 11.1 知识存储概念 11.2 图数据库管理系统、模型、查询语言 11.3 RDF数据库管理系统、模型、查询语言 11.4 基于关系型数据库的知识存储 第12讲 基于知识的智能问答（2019-5-10） 12.1 智能问答基础 12.2 问题理解 12.3 问题求解 12.4 基于模板的知识问答方法 12.5 基于语义分析的知识问答方法 12.6 基于深度学习的知识问答方法 12.7 IBM Watson原理和技术剖析 12.8 微软小冰的原理和技术剖析 第13讲 实体链接（2019-5-17） 13.1 实体链接基本概念 13.2 基于概率生成模型的实体链接方法 13.3 基于主题模型的实体链接方法 13.4 基于图的实体链接方法 13.5 基于深度学习的实体链接方法 13.6 基于无监督的实体链接方法 第14讲 知识推理（2019-5-17） 14.1 知识推理基础概念 14.2 基于逻辑的知识推理方法 14.3 基于统计学习的知识推理方法 14.4 基于图的知识推理方法 14.4 基于神经网络的知识推理方法 14.5 多种方法混合的知识推理方法

东南大学 考研数据结构历年真题 1995年到2001年的 以后再上传其他年份的啊。。。

这门课很简单，可以翘课，跟着PPT自学就行，但是课后作业是重中之重，考试范围的百分之九十都是从做过的作业里面变式。无论你有多摆，请认真对待这门课的作业，因为他量很少，但是很有用！期末的真题回忆的很粗糙，要是没过，再来更新一个补考版qaq

图像识别大作业终稿

东南大学数学建模与数学实验课的实验报告~

微机原理考试样卷（东南大学），内包含答案，2001~2009年

时间序列（time series）是一组按照时间发生先后顺序进行排列的离散序列，是日常生活中最常见的数据形式之一。对时间序列的分析是既是统计学中的重要问题，也是人工智能、数据挖掘的一个重要应用方向。 本课程面向人工智能学院的本科生和研究生，重点关注统计学中分析时间序列的基本思路、模型以及方法。同时强调使用人工智能技术对时序数据这一种特殊的数据类型进行分析，也关注使用“时间序列分析”中的思路看待和解决人工智能领域的实际问题。 课程内容将从时间序列的发展历程、平稳性、经典分析模型等概念先后推进。课程中也会介绍人工智能的相关技术，如使用循环神经网络进行时间序列的建模，或使用时间序列中的自回归、指数平均思想建模机器学习、计算机视觉的重要问题。

2009年全国大学生统计建模大赛一等奖—湖南大学