将矩阵 A 保存在工作区中，然后运行程序。 Q 和 R 矩阵将作为输出返回。

对一组给定的向量，线性独立是一个重要的性质。如果不存在一组标量a1，a2，•••，an（它们不构成零向量），使得 aX＝0 则向量x1，x2，•••，xn线性独立。 确定一组向量是否线性独立的方法之一是试图从这组向量构成一组正交向量。如果从已知向量构成向量的范数是零或接近零（例如对计算机计算为10^-6），则对应的向量线性相关。换句话说，该向量可由线性独立向量的线性组合而构成。在复杂的化学反应系统中确定独立反应及在一次分析中估算独立无因次数群时，线性独立特性是非常有用的。

ngram-相似性 计算两个文件之间基于 n-gram 的相似度分数。

基于最大信息系数和Gram-Schmidt正交化的生物医学数据过滤特征选择方法

克 得到 。 安装 该软件包仅适用于ESM：需要使用Node 12+才能使用它，并且必须将其import而不是require d。 ： npm install n-gram 用 import { bigram , trigram , nGram } from 'n-gram' bigram ( 'n-gram' ) // ['n-', '-g', 'gr', 'ra', 'am'] nGram ( 2 ) ( 'n-gram' ) // ['n-', '-g', 'gr', 'ra', 'am'] trigram ( 'n-gram' ) // ['n-g', '-gr', 'gra', 'ram'] nGram ( 6 ) ( 'n-gram' ) // ['n-gram'] nGram ( 7 ) ( 'n-gram' ) // [] // Anything with a `.

n-gram特征提取是一种很好的方法，提取精度很高，比较好

QR分解器 使用Gram-Schmidt进程执行给定矩阵的QR分解的Python程序。 完成线性代数课程分配（MTH100，季风2019） 不，我没有使用内置的Numpy QR方法。 笨蛋。

矩阵分解的LU、QR（Gram-Schmidt）、Orthogonal Reduction (Householder reduction 和Givens reduction)和URV程序实现

ir-python 用于信息检索任务的python实现，包括正向/反向索引，基本检索模型（例如BM25，uni-gram语言模型）。 索引模块对LevelDB（ ）使用线程安全的Python绑定。 LevelDB是快速键值存储库。 运行：sh buildIndex.sh tokenize语料库：buildIndex_tokenize.py输入：Robust2004语料库输出：〜/ Documents / ir / Robust2004 / result / tokenize / 从标记化语料库中提取文档信息：buildIndex_extract.py输入：标记化语料库输出：将单词转换为term_ids到文件/doc.extract格式：[doc_id \ t term_id \ t term_tf \ t position_in_doc] 按编号顺序对/doc.extract中

word2vec中的数学原理详解，pdf高清版，学习Word2Vec最好的材料，Word2Vec看这个就够了。