算法导论 黑皮书 期末复习笔记

原文链接：https://qihongtao.blog.csdn.net/article/details/134978662?spm=1001.2014.3001.5502 sm2+openssl.zip 使用C++实现的openssl调用sm2实现文件签名的功能。 C++源代代码可以直接使用。也上传了openssl1.1.1的头文件、lib文件和dll文件。 因为国产化原因，项目中需要使用国标sm2签名算法对文件进行签名和验签。OpenSSL 1.1.1版本提供了对国密SM2算法的支持，在之前的版本openssl不支持。 关注公众号 QTShared，后台私信留言免费获取。

基于MapReduce实现决策树算法的知识点 基于MapReduce实现决策树算法是一种使用MapReduce框架来实现决策树算法的方法。在这个方法中，主要使用Mapper和Reducer来实现决策树算法的计算。下面是基于MapReduce实现决策树算法的知识点： 1. 基于C45决策树算法的Mapper实现：在Mapper中，主要实现了对输入数据的处理和预处理工作，包括对输入数据的tokenize、attribute extraction和data filtering等。同时，Mapper还需要实现对决策树算法的初始化工作，例如对树的节点进行初始化和对属性的初始化等。 2. 基于MapReduce的决策树算法实现：在Reducer中，主要实现了决策树算法的计算工作，包括对树的构建、决策树的分裂和叶节点的计算等。Reducer需要对Mapper输出的结果进行处理和计算，以生成最终的决策树模型。 3. MapReduce框架在决策树算法中的应用：MapReduce框架可以对大规模数据进行并行处理，使得决策树算法的计算速度和效率大大提高。在基于MapReduce实现决策树算法中，MapReduce框架可以对输入数据进行分区和处理，使得决策树算法的计算可以并行进行。 4. 决策树算法在MapReduce中的优化：在基于MapReduce实现决策树算法中，需要对决策树算法进行优化，以提高计算速度和效率。例如，可以对决策树算法的计算过程进行并行化，对Mapper和Reducer的计算过程进行优化等。 5. 基于MapReduce的决策树算法的应用：基于MapReduce实现决策树算法可以应用于数据挖掘、机器学习和推荐系统等领域，例如可以用于用户行为分析、推荐系统和风险评估等。 6. 决策树算法在MapReduce中的实现细节：在基于MapReduce实现决策树算法中，需要对决策树算法的实现细节进行详细的设计和实现，例如对树的节点进行实现、对决策树的分裂和叶节点的计算等。 7. MapReduce框架在决策树算法中的限制：基于MapReduce实现决策树算法也存在一些限制，例如对输入数据的规模和复杂度的限制，对决策树算法的计算速度和效率的限制等。 8. 基于MapReduce实现决策树算法的优点：基于MapReduce实现决策树算法的优点包括高效的计算速度、可扩展性强、灵活性强等，可以满足大规模数据的处理和计算需求。 9. 基于MapReduce实现决策树算法的缺点：基于MapReduce实现决策树算法的缺点包括对输入数据的限制、对决策树算法的计算速度和效率的限制等。 10. 基于MapReduce实现决策树算法的应用前景：基于MapReduce实现决策树算法的应用前景包括数据挖掘、机器学习、推荐系统等领域，可以满足大规模数据的处理和计算需求。

【项目资源】： 包含前端、后端、移动开发、操作系统、人工智能、物联网、信息化管理、数据库、硬件开发、大数据、课程资源、音视频、网站开发等各种技术项目的源码。 包括STM32、ESP8266、PHP、QT、Linux、iOS、C++、Java、python、web、C#、EDA、proteus、RTOS等项目的源码。 【项目质量】： 所有源码都经过严格测试，可以直接运行。 功能在确认正常工作后才上传。 【适用人群】： 适用于希望学习不同技术领域的小白或进阶学习者。 可作为毕设项目、课程设计、大作业、工程实训或初期项目立项。 【附加价值】： 项目具有较高的学习借鉴价值，也可直接拿来修改复刻。 对于有一定基础或热衷于研究的人来说，可以在这些基础代码上进行修改和扩展，实现其他功能。 【沟通交流】： 有任何使用上的问题，欢迎随时与博主沟通，博主会及时解答。 鼓励下载和使用，并欢迎大家互相学习，共同进步。

基于MapReduce实现物品协同过滤算法（ItemCF）

一种新的基于属性重要性的粗糙集值约简算法，共同学习，共同进步

二维激光slam导航算法move_base改进版本 通过在move_base_params.yaml中配置参数可实现移动机器人的二次调整，解决机器人定位精度设置太高而影响到达目标点的概率底的问题。 pid_kp: 0.5 pid_kd: 0.5 pid_ki: 0.1 #超时时间 pid_time_out: 200 #目标位置精度,不依靠导航调整,自动通过pid调整 pid_xy_goal_tolerance: 0.005 #目标角度精度,不依靠导航调整,自动通过pid调整 pid_yaw_goal_tolerance: 0.005 #目标位置精度容忍值 pid_tolerate_xy_goal_tolerance: 0.01 #目标角度精度容忍值 pid_tolerate_yaw_goal_tolerance: 0.01 #大于30cm时不能调整，误差太大 pid_distance_threshold: 0.3 pid_isStartPid: true #是否是全向底盘 isOmni: false 视频地址：https://b23.tv/JYhZ8ig

通过本次实验，将老师在课堂上讲解的曲线和曲面算法进行具体代码的实现，算法实现过程中遇到了一些问题，比如使用不同算法进行曲线绘制的时候，对于控制点和顶点的初始化把握不是很好，一开始实现了算法想定义一些点进行测试，结果绘制的效果不是很理想，通过百度查询以及搜索相关的资料，结合自己所写的代码，最终解决了问题并且可以实现交互式绘制曲线，曲面的绘制是在曲线的绘制基础上进行的，所以在实现的各个算法的曲线绘制后，通过复习老师上课讲的曲面绘制算法，也是成功完成了实验，但是一开始感觉绘制的曲面不好看，看到了曲面的光照处理，加以运用到代码当中去，这样使得曲面的效果更加好看。

通过本次实验，将老师在课堂上讲解的曲线和曲面算法进行具体代码的实现，算法实现过程中遇到了一些问题，比如使用不同算法进行曲线绘制的时候，对于控制点和顶点的初始化把握不是很好，一开始实现了算法想定义一些点进行测试，结果绘制的效果不是很理想，通过百度查询以及搜索相关的资料，结合自己所写的代码，最终解决了问题并且可以实现交互式绘制曲线，曲面的绘制是在曲线的绘制基础上进行的，所以在实现的各个算法的曲线绘制后，通过复习老师上课讲的曲面绘制算法，也是成功完成了实验，但是一开始感觉绘制的曲面不好看，看到了曲面的光照处理，加以运用到代码当中去，这样使得曲面的效果更加好看。

通过本次实验，将老师在课堂上讲解的曲线和曲面算法进行具体代码的实现，算法实现过程中遇到了一些问题，比如使用不同算法进行曲线绘制的时候，对于控制点和顶点的初始化把握不是很好，一开始实现了算法想定义一些点进行测试，结果绘制的效果不是很理想，通过百度查询以及搜索相关的资料，结合自己所写的代码，最终解决了问题并且可以实现交互式绘制曲线，曲面的绘制是在曲线的绘制基础上进行的，所以在实现的各个算法的曲线绘制后，通过复习老师上课讲的曲面绘制算法，也是成功完成了实验，但是一开始感觉绘制的曲面不好看，看到了曲面的光照处理，加以运用到代码当中去，这样使得曲面的效果更加好看。