定理:（奇异值分解）设A为

明天继续总结，太乱了嘿嘿，。。。
C++引用与指针的比较

引用是C++中的概念，初学者容易把引用和指针混淆一起。

一下程序中，n是m的一个引用（reference），

    真是找的很辛苦,唉!记下来吧.感谢论文Object Identication with
Attribute-Mediated Dependences提供了cora dataset 的来源:
http://www.cs.umass.edu/~mccallum/data/(如果复制打不开,请自己手动敲到地址栏中)
   论文A Pitfall and Solution in Multi-Class Feature Selection for Text Classification提供了启发,cora是有6大类,36个小类的.这样一来终于解决了相关性的难题.

 (a)cora-refs.tar.gz数据集

  Cora Citation Matching [reference matching, object correspondence]

 Text of citations hand-clustered into groups referring to the same paper.

 (b) cora-ie.tar.gz数据集

     Cora Information Extraction [inform

Deadline：8月10号

实验要求：

（1）数据预处理：利用

     按照对未标注数据的选择策略，可以把当前的主动学习算法大致分为两类
    (1)基于评委的方法 (committee-based methods)
首先用各种不同的学习器对样本进行标注，然后由标注人员对有争议的标注结
果作出最终判断。不同的学习器之间的分歧是由它们对样本标注结果预测的差异所
造成的。
   (2)基于置信度的方法 (certainty-based methods)
先由模型给出具有较低置信度的样本，再交给标注人员选择性地进行标注。置
信度的计算通常是由学习器度量 n-最优(n-best)标注结果之间的差异得到的。
下面详细描绘一下基于评委的方法和基于置信度的方法的普遍流程。
    基于评委的方法：
    (1) 对于由 n 个未标注样本构成的样本组 B 中的每个样本 e，使用从先前标注样本中训练出来的 k 个模型对其进行标注，得到 k 个结果{L1,L2...Lk}，通过{L1,L2...Lk}，对每个 e 测量出具有争议的标注结果De ；
   (2) 从样本组 B 中选择出 m 个具有最高 De 值的样本交给标注人员进行标注。把人工标注好的样本加进训练样本库里；
&nbs

   一般写算法都是自己瞎弄一些数据测试，虽然讨论班上师兄师姐们经常说一些常用的数据集，就是没当回事。今天看了看唉，真是太好了，可惜俺知道的太晚了hoho
常用的基本上UCI和w3c的。关于源代码，网上有很多公开源码的算法包，例如最为著名的Weka，MLC++等。Weka还在不断的更新其算法，下载地址：
http://www.cs.waikato.ac.nz/ml/weka/

UCI收集的机器学习数据集
ftp://pami.sjtu.edu.cn
http://www.ics.uci.edu/~mlearn/\MLRepository.htm

statlib
http://liama.ia.ac.cn/SCILAB/scilabindexgb.htm