วิทยาศาสตร์คอมพิวเตอร์

ฉันพยายามที่จะสอนตัวเองเกี่ยวกับคอมพิวเตอร์ควอนตัมและฉันมีความเข้าใจที่ดี-ish ของพีชคณิตเชิงเส้น ฉันผ่านประตูไม่ได้ซึ่งก็ไม่ได้แย่เกินไป แต่แล้วฉันก็ไปที่ประตู Hadamard และฉันก็ติดอยู่ ส่วนใหญ่เป็นเพราะในขณะที่ฉัน "เข้าใจ" การโกงฉันไม่เข้าใจสิ่งที่พวกเขาทำจริง ๆ หรือทำไมคุณถึงอยากจะทำมัน ตัวอย่างเช่นเมื่อประตู Hadamard ใช้เวลาในมันให้| 0 ⟩ + | 1 ⟩|0⟩|0⟩|0\rangle . สิ่งนี้หมายความว่า? สำหรับประตูไม่ได้ใช้ใน| 0⟩และให้| 1⟩ ไม่มีอะไรที่ไม่ชัดเจนเกี่ยวกับเรื่องนั้น มันให้ "ตรงกันข้าม" ของบิต (สำหรับการทับซ้อนมันใช้ในα|0⟩+β|1⟩และให้β|0⟩+α|1⟩) และฉันเข้าใจว่าทำไมมันถึงมีประโยชน์ ด้วยเหตุผลเดียวกัน (โดยทั่วไป) ว่ามันมีประโยชน์ในคอมพิวเตอร์แบบดั้งเดิม แต่สิ่งที่ (ตัวอย่าง) เป็นประตู Hadamard ทำเรขาคณิตเพื่อเวกเตอร์[อัลฟ่าบีตา]| 0⟩+ | 1⟩2√|0⟩+|1⟩2\frac{|0\rangle + |1\rangle}{\sqrt{2}}| 0⟩|0⟩|0\rangle| 1⟩|1⟩|1\rangleα | 0 ⟩ + …

10 logic  quantum-computing 

ฉันเขียนรหัส Python นี้และสงสัยว่าบางครั้งมันก็ไม่ยุติ (สมมติว่าเรามีหน่วยความจำ / เวลาที่ไม่มีที่สิ้นสุดและไม่จำกัดความลึกของการเรียกซ้ำ) คุณคิดว่ามันจะยุติโดยสังหรณ์ใจเนื่องจากในบางจุดคุณจะต้องโชคดีและถ้ามันไม่ยุติคุณมีเวลาไม่ จำกัด ที่จะได้รับโชคดี ในขณะที่ความลึกของการเรียกซ้ำเพิ่มขึ้นคุณจะต้องกลายเป็นผู้โชคดีมากขึ้น import random def random_tree(): if random.random() < 0.5: return 0 return [random_tree() for _ in range(random.randint(1, 5))] หากrandom_treeไม่ยุติเสมอไปทำไมและโอกาสที่จะยุตินั้นมีอะไรบ้าง ฉันพยายามคำนวณโดยใช้ซึ่งในนั้นมันไร้ประโยชน์ที่ยอดเยี่ยมอย่างใดอย่างหนึ่งให้คำตอบ ~ 0.684124หรือ ... 1P= 1 - ( 1 - 0.5 ) ( 1 - ( P+ P2+ P3+ P4+ P5) / …

10 trees  probability-theory  termination 

ฉันใช้อัลกอริทึม Naive Bayes สำหรับการจัดหมวดหมู่ข้อความด้วยการปรับให้เรียบ Laplacian ปัญหาที่ฉันมีอยู่คือความน่าจะเป็นเป็นศูนย์เพราะฉันคูณเศษส่วนเล็ก ๆ จำนวนมาก ดังนั้นความน่าจะเป็นในที่สุดให้ผลเป็นศูนย์ เนื่องจากมีหลายคำในเอกสารและชุดฝึกอบรม ด้วยเหตุนี้ฉันจึงไม่สามารถจัดหมวดหมู่ข้อความได้ มีวิธีที่ฉันสามารถแก้ไขปัญหานี้ได้หรือไม่? ฉันกำลังทำสิ่งผิดปกติในการติดตั้งหรือไม่?

10 machine-learning  natural-language-processing  floating-point  numerical-algorithms 

ฉันพยายามที่จะคิดออกว่าปัญหาการหยุดพักสามารถตัดสินใจได้สำหรับสัญลักษณ์สามมิติแบบเซลลูลาร์ออโตมาตา นิยาม Let หมายถึงการกำหนดค่าของระบบในเวลาที่ขั้นตอนที่ฉัน เป็นทางการมากขึ้นf : A ∗ × N → A ∗โดยที่Aคือตัวอักษรf(w,i)f(w,i)f(w,i)iiif:A∗×N→A∗f:A∗×N→A∗f:A^*\times \mathbb{N} \to A^*AAA คำนิยาม หุ่นยนต์มือถือได้หยุดในการกำหนดค่าถ้า∀ k ∈ Nเรามีฉ( W , ฉัน) = F ( W , ฉัน+ k )f(w,i)f(w,i)f(w,i)∀k∈N∀k∈N\forall k\in \mathbb{N}f(w,i)=f(w,i+k)f(w,i)=f(w,i+k)f(w,i)=f(w,i+k) ปัญหาการหยุดสำหรับหุ่นยนต์เซลลูล่าร์ที่กำหนดมีดังต่อไปนี้: การป้อนข้อมูล:คำ จำกัดคำถาม:จะเป็นหุ่นยนต์หยุดชะงักในบางรัฐs ?www sss ประถมศึกษาเซลล์ออโต (มี 2 สัญลักษณ์) ที่กำหนดไว้ที่นี่ ฉันมุ่งเน้นออโตมาตะประเภทเดียวกันยกเว้นว่าฉันสนใจในกรณีของ CA ที่มี 3 สัญลักษณ์แทนเพียง 2 …

10 computability  decision-problem  halting-problem  cellular-automata 

คำเตือน: ฉันรู้ว่ามีคำถามที่คล้ายกันทำให้เกิดเสียงที่นี่แล้วและใน Stackoverflow แต่พวกเขาทั้งหมดเกี่ยวกับการชนซึ่งไม่ใช่สิ่งที่ฉันขอ คำถามของฉันคือทำไมการค้นหาน้อยกว่าO(1)ในตอนแรก? สมมติว่าฉันมี hashtable นี้: Hash Content ------------- ghdjg Data1 hgdzs Data2 eruit Data3 xcnvb Data4 mkwer Data5 rtzww Data6 ตอนนี้ฉันกำลังมองหากุญแจสำคัญในการkที่ฟังก์ชั่นกัญชาให้h(k) h(k) = mkwerแต่การค้นหา "รู้" ว่าแฮชmkwerอยู่ที่อันดับ 5 อย่างไร เหตุใดจึงไม่ต้องเลื่อนผ่านปุ่มทั้งหมดO(n)เพื่อค้นหา แฮชไม่สามารถใช้ที่อยู่ฮาร์ดแวร์บางประเภทได้เพราะฉันสูญเสียความสามารถในการย้ายข้อมูล และเท่าที่ฉันรู้ hashtable ไม่ได้ถูกจัดเรียงไว้บนแฮช (แม้ว่าจะเป็นแล้วการค้นหาก็ต้องใช้O(log n))? การรู้จักแฮชช่วยค้นหาสถานที่ที่ถูกต้องในตารางได้อย่างไร

10 complexity-theory  hash  hash-tables  performance 

จากการอ้างอิงนี้: positivity ที่เข้มงวด เงื่อนไข positivity ที่เข้มงวดออกกฎการประกาศเช่น data Bad : Set where bad : (Bad → Bad) → Bad A B C -- A is in a negative position, B and C are OK ทำไม A ถึงเป็นลบ ยังอนุญาตให้ใช้ B ทำไม ฉันเข้าใจว่าทำไมอนุญาตให้ C

10 type-theory  inductive-datatypes 

ฉันเรียนรู้วิธีการแปลง NFA ให้เป็น DFA และฉันต้องการให้แน่ใจว่าฉันทำถูกต้อง เห็นได้ชัดว่าการกลับไปในทิศทางอื่นไม่ใช่เรื่อง ไม่มีใครรู้วิธีการตรวจสอบว่า DFA เทียบเท่ากับ NFA หรือไม่

10 automata  finite-automata  proof-techniques  nondeterminism 

ประเภทตัวเองเป็นส่วนขยายของแคลคูลัสของการก่อสร้าง [1] ที่อนุญาตให้ภาษาในการแสดงประเภทข้อมูลเกี่ยวกับพีชคณิตเข้ารหัสผ่านการเข้ารหัสสก็อต Scott Encoding ให้ความสามารถในการจับคู่รูปแบบO(1)ซึ่งเป็นหนึ่งในแรงจูงใจหลักสำหรับการรวมคำจำกัดความอุปนัยไว้ใน CC แต่ประเภทของตัวเองถูกสร้างขึ้นมาเพื่อทฤษฎีพื้นฐานที่เรียบง่ายและสง่างามมากและดูเหมือนจะไม่ทรงพลังเลย ประเภทตนเองภายใต้มุมมองทางทฤษฎีทำให้ CIC ล้าสมัยหรือยังมีแง่มุมใดบ้างที่ CIC นั้นเป็นที่ชื่นชอบในความสัมพันธ์กับ Self Tyes? [1] http://staff.computing.dundee.ac.uk/pengfu/document/talks/mvd-2012.pdf

10 lambda-calculus  type-theory  functional-programming  inductive-datatypes 

x1,…,xn∈R2x1,…,xn∈R2x_1, \ldots, x_n \in \mathbb{R}^2rrrrrr∑ni=11∥x−xi∥≤r∑i=1n1‖x−xi‖≤r\sum_{i=1}^n \mathbb{1}_{\|x - x_i\| \leq r} ขั้นตอนวิธีการบังคับเดรัจฉานจะไปกว่าทุกจุดและนับจำนวนจุดที่อยู่ในระยะทางที่มีขนาดเล็กกว่าRที่จะให้ความซับซ้อนของ2)rrrO(n2)O(n2)\mathcal{O}(n^2) มีแนวทางที่ดีกว่านี้ไหม?

10 algorithms  complexity-theory  computational-geometry 

ถ้าแล้วคืออะไร? ฉันถามคำถามนี้เพราะสำหรับชั้นเรียนที่ไม่ได้กำหนดค่าอื่น ๆ ดูเหมือนว่ามักจะกำหนดว่าพวกเขาจะเท่ากับพวกที่กำหนดขึ้นมาเสมอP=NPP=NP\mathbf{P} = \mathbf{NP}L=NLL=NL\mathbf{L} = \mathbf{NL}P=NPP=NP\mathbf{P} = \mathbf{NP}

10 complexity-theory  p-vs-np 

ฉันเพิ่งอ่านรายการบล็อกที่น่าสนใจจาก Google Research Blog ที่พูดถึงเครือข่ายประสาท โดยพื้นฐานแล้วพวกเขาใช้เครือข่ายประสาทเทียมนี้เพื่อแก้ปัญหาต่าง ๆ เช่นการจดจำภาพ พวกเขาใช้อัลกอริทึมทางพันธุกรรมเพื่อ "พัฒนา" น้ำหนักของซอน ดังนั้นโดยพื้นฐานแล้วความคิดของฉันคือ ถ้าฉันควรจะเขียนโปรแกรมที่รับรู้ตัวเลขฉันจะไม่รู้วิธีเริ่มต้น (ฉันอาจมีความคิดที่คลุมเครือ แต่ประเด็นของฉันคือ: มันไม่สำคัญหรือไม่ง่าย) แต่โดยใช้เครือข่ายประสาทฉันไม่จำเป็นต้องทำ โดยการสร้างบริบทที่เหมาะสมเพื่อให้โครงข่ายประสาทเทียมวิวัฒนาการเครือข่ายประสาทของฉันจะ "ค้นหาอัลกอริทึมที่ถูกต้อง" ด้านล่างฉันอ้างถึงส่วนที่น่าสนใจจริงๆของบทความที่พวกเขาอธิบายว่าแต่ละเลเยอร์มีบทบาทที่แตกต่างกันในกระบวนการรับรู้ภาพอย่างไร หนึ่งในความท้าทายของโครงข่ายประสาทคือการเข้าใจว่าเกิดอะไรขึ้นในแต่ละเลเยอร์ เรารู้ว่าหลังจากการฝึกฝนแต่ละเลเยอร์จะดึงคุณสมบัติที่สูงขึ้นและระดับสูงของภาพออกมาเรื่อย ๆ จนกระทั่งเลเยอร์สุดท้ายทำการตัดสินใจเกี่ยวกับภาพที่แสดง ตัวอย่างเช่นเลเยอร์แรกอาจมองหาขอบหรือมุม เลเยอร์กลางตีความคุณสมบัติพื้นฐานเพื่อค้นหารูปร่างหรือส่วนประกอบโดยรวมเช่นประตูหรือใบไม้ เลเยอร์ไม่กี่ขั้นสุดท้ายรวบรวมสิ่งเหล่านั้นไว้ในการตีความที่สมบูรณ์ - เซลล์ประสาทเหล่านี้เปิดใช้งานเพื่อตอบสนองต่อสิ่งที่ซับซ้อนมากเช่นอาคารหรือต้นไม้ทั้งหมด ดังนั้นโดยทั่วไปคำถามของฉันคือ: เราไม่สามารถใช้อัลกอริธึมเชิงพันธุกรรม + เครือข่ายประสาทเพื่อแก้ไขปัญหา NP ทุกข้อได้หรือไม่ เราเพิ่งสร้างบริบทวิวัฒนาการที่เหมาะสมและปล่อยให้ "ธรรมชาติ" หาทางออก การลงทะเบียนเรียน: จะลึกเข้าไปในเครือข่ายประสาท แก้ไข: ฉันรู้ว่าเราสามารถใช้ Brute-Force หรือค้นหาโซลูชันที่ไม่มีประสิทธิภาพในหลายกรณี นั่นคือเหตุผลที่ฉันพยายามเน้นการพัฒนาโครงข่ายประสาทเทียม ดังที่ฉันพูดในความคิดเห็น: ให้เวลาเพียงพอและอัตราการกลายพันธุ์ที่เหมาะสมเราสามารถหาทางออกที่ดีที่สุด (หรืออย่างน้อยนั่นคือสิ่งที่ฉันคิด)

10 machine-learning  np  neural-networks  p-vs-np  genetic-algorithms 

นี่อาจจะเป็นความคิดที่โง่ แต่สมมติว่าเรามีคอมพิวเตอร์ที่โปรแกรมที่จะดำเนินการลำดับอนันต์ของการคำนวณและคิดว่าที่การคำนวณจะใช้เวลา1 / 2 ฉันวินาทีให้เสร็จสมบูรณ์ จากนั้นคอมพิวเตอร์เครื่องนี้สามารถทำการคำนวณจำนวนอนันต์ในเวลา จำกัดithithi^\text{th}1/2i1/2i1/2^i ทำไมเป็นไปไม่ได้ มีขอบเขตล่างหรือไม่ว่าต้องใช้เวลานานเท่าใดในการคำนวณที่ไม่สำคัญ?

10 computability  computation-models 

คำถามนี้ค่อนข้างจะสนทนากับคำถามก่อนหน้านี้ในชุดที่เกิดขึ้นจากการดำเนินงานชุดในชุดสมบูรณ์ NP: หากชุดที่เป็นผลมาจากการรวมกันการแยกหรือผลิตภัณฑ์คาร์ทีเซียนของสองชุด decidable และเป็น NP-complete อย่างน้อยหนึ่งL_1, L_2จำเป็นต้อง NP-hard หรือไม่ ฉันรู้ว่าพวกเขาทั้งคู่ไม่สามารถอยู่ใน P (สมมติว่า P! = NP) เนื่องจาก P ถูกปิดภายใต้การดำเนินการที่กำหนดไว้เหล่านี้ ฉันก็รู้ว่าเงื่อนไขของ "decidable" และ "NP-hard" เป็นสิ่งจำเป็นเนื่องจากถ้าเราพิจารณาชุด NP ที่สมบูรณ์LและชุดBอื่นนอก NP (ไม่ว่าจะเป็น NP-hard หรือ undecidable) เราสามารถสร้างสองรูปแบบใหม่ได้ ชุด NP-hard ไม่ได้อยู่ใน NP ซึ่งเป็นจุดตัดของ NP-complete ตัวอย่างเช่น: L_1 = 01L \ ถ้วย 11BและL_2 = 01L \ ถ้วย 00B …

10 complexity-theory  np-hard  np  np-intermediate 

ฉันต้องการที่จะเข้าใจทฤษฎีประเภท แต่ฉันต้องรู้ก่อนว่าฉันจะสามารถนำไปใช้ได้อย่างไร อาจมีการประยุกต์ใช้ทฤษฎีชนิดไม่ชัดเจนมากขึ้นนอกเหนือจากในระบบชนิดในการเขียนโปรแกรมหรือไม่? อาจมีแอปพลิเคชั่นอื่น ๆ สมมติว่ามีการทำโปรไฟล์บุคลิกภาพและสิ่งที่ชอบ?

10 type-theory  applied-theory 

ฉันกำลังอ่าน "วิญญาณของเครื่องใหม่" ของเทรซี่คิดเดอร์ที่ทีมงาน Data Data ออกแบบเครื่องใหม่ (ชื่อรหัส "Eagle" ซึ่งต่อมาชื่อว่า MV / 8000) มันเป็นส่วนขยาย 32 บิตของสถาปัตยกรรมก่อนหน้า (Eclipse 16 บิต) หนึ่งในชุดรูปแบบที่หมุนเวียนได้ดูเหมือนว่าพวกเขาไม่ต้องการสร้างเครื่องด้วยโหมดบิตและประสบความสำเร็จในสิ่งนี้ อย่างไรก็ตามมันทำให้เข้าใจได้ว่าเทคนิคนี้ประสบความสำเร็จได้อย่างไรและมันก็ไม่ได้อธิบายว่าทำไมมันถึงดึงดูดใจในการสร้างเครื่องโดยไม่ต้องบิตโหมด หนังสือเล่มนี้ไม่ใช่หนังสือทางเทคนิคดังนั้นจึงอาจเป็นไปได้ว่ารายละเอียดถูกบิดเบือนอย่างใด อย่างไรก็ตามคุณได้รับความรู้สึกในการอ่านหนังสือเล่มนั้นว่าวิธีการแก้ปัญหา "โหมดบิต" นั้นเป็นเรื่องปกติ (และเป็นไปได้) ในเวลานั้น แต่ก็ถือว่าวิศวกรไม่น่าสนใจด้วยเหตุผลด้านความงาม หนังสือเล่มนี้ยังทำให้ดูเหมือนเป็นงานที่ยากอย่างมากในการสร้างการออกแบบโดยไม่ต้องบิตโหมดซึ่งบางทีมก็เอาชนะมันได้ ฉันพบคำอธิบายเกี่ยวกับความสำเร็จ: http://people.cs.clemson.edu/~mark/330/kidder/no_mode_bit.txt ดูเหมือนว่าโดยทั่วไปจะเกี่ยวกับการใช้พื้นที่ opcode ที่ไม่ได้ใช้ก่อนหน้านี้สำหรับคำแนะนำใหม่ ฉันต้องยอมรับว่าฉันผิดหวังเล็กน้อยว่ามันเป็น "แค่นั้น" นอกจากนี้ฉันคิดว่าสิ่งนี้ยังคงทิ้งคำถามไว้บ้าง ประการแรกกระบวนการ 16 บิตอาศัยอยู่ในพื้นที่ที่อยู่แบบ 32 บิตอย่างไร เพราะฉันคิดว่านี่เป็นความท้าทายหลักในการสร้างส่วนขยาย 32 บิต "โดยไม่ต้องใช้โหมดบิต" การขยายชุดคำสั่งในทางกลับกันเป็นกิจการที่ค่อนข้างทั่วไป เนื่องจากไม่มีคำอธิบายว่าเกิดขึ้นได้อย่างไรสมมติว่ารหัส 16 บิตเข้าถึงหน่วยความจำอย่างที่เคยทำบางทีมันอาจจะเห็นหน่วยความจำเสมือน / …

10 computer-architecture