分类目录归档：algorithm
TOPSIS (Technique for Order Preference by Similarity to an Ideal Solution) ，也称优劣解距离法，是一种常用的组内综合评价方法，能充分利用原始数据的信息，其结果能精确地反映各评价方案之间的差距
针对多标准/多目标决策问题（MCDM/MCDA），决策者需要面对多种决策标准和可行决策方案，TOPSIS 的作用就是帮助决策者综合考虑多个决策标准，在多个可行决策方案之间找到最优解
TOPSIS 示例：评估 5 所研究生院的教育质量
5 所研究生院的评估数据及其权重如下：
| 院校 | 人均专著 $x_1$ (本/人) |
|---|
UMAP 算法
UMAP 定义的概念解释与补充：
t-SNE 算法
算法过程概述：
调查问卷分析的一般流程：
LSH（locality sensitivity Hashing，局部敏感性哈希）算法
以相似文档检索为例，说明 LSH 的算法过程
Shingling，文档进行向量化表示
Min-Hashing，对文档信息进行降维
前置知识：1_study/DeepLearning/基础神经网络/词嵌入表示 Embeddings#TF-IDF
BM25（Best Matching 25），一种经典的信息检索方法
给定查询 $Q={q_1,..,q_i,...,q_n}$ 和文档
Mean Shift 算法，又称为均值漂移算法
核心思想：
算法流程：
$$ S_h\left(x\right)=\left(y\mid\left(y-x\right)\left(y-x\right)^T\leqslant h^2\right) $$ 2. 计算该
MD5：32 位，单向哈希，不可逆，速度快，破解难度低
SHA256：256 位，单向哈希，不可逆，速度较快，破解难度中等
BCrypt：可变位数，单向哈希，不可逆，速度慢，破解难度高
PBKDF2：可变位数，单向哈希，不可逆，速度可调，破解难度可调
Scrypt：可变位数，单向哈希，不可逆，速度慢，破解难度高
加盐，在输入信息中随机添加字符串（salt）以提高哈希算法的安全性
MD5 消息摘要算法（英语：MD5 Message-Digest Algorithm），一种被广泛使用的密码散列函数，可以
PageRank 是早期 Google 搜索的核心算法，决定了搜索结果中的网页展示顺序
PageRank 算法最初用于网页权重的计算，它将每个网作为一个节点，网页间的超链接作为边，而最终的网页 X 权重描述了以 X 为起点，通过超链接进行随机游走 $N$ 次后，再次返回网页 X 的概率。同时为了防止随机游走进入死循环，每次随机游走还有概率 $=\alpha$ 的情况随机跳转到任意网页，不同网页的随机跳转概率是相等的
PageRank 核心思想：
背景故事：啤酒与尿布
Aprior 算法的 3 个关键评价指标：
$$ Support(X,Y) = P(XY) = \frac{number(XY)}{num(All Samples)} $$ 2. 置信度（Confidence）：商品 Y 出现后，商品 X 出现的概率 $$ Confidence(X \Leftarrow Y) = P(X|Y)=P(XY)/P(Y) $$ 3. 提升度（Lift）：商品 X 出现的情况中，商品 Y 也出现的概率 $$ Lift(X \Leftarrow Y) = P(X|Y)