1 Introduction Problem Definition Existing Methods 2 Isotropic Hashing Model Learning Experiment 3 Multiple-Bit Quantization Double-Bit Quantization Manhattan Quantization 4 Conclusion 5 Reference

1 Introduction Problem Definition Existing Methods 2 Scalable Graph Hashing with Feature Transformation Motivation Model and Learning Experiment 3 Conclusion 4 Reference

《人工智能、机器学习与大数据》课程教学资源（参考文献）Discrete Latent Factor Model for Cross-Modal Hashing

 3.1 Learning Problems  3.2 The least square method (LSM)  3.3 Linear regression analysis  1 Simple Linear Regression  2 Multiple Regression  3 Understanding the Regression Output  4 Coefficient of Determination R2  5 Validating the Regression Model

• MSC.EASY5 Overview • Getting Started • Help and Documentation • Model Building & Simulation • Operating Point and Steady State Analysis • Linear Analyses • Data Tables and the Matrix Editor • Analysis Tools & Methodology • Simulation and Integration • Interactive Simulation • Miscellaneous Topics • MSC.EASY5 Architecture • Writing Code in MSC.EASY5 • Summary

《网络与系统安全》教学参考文献：A Novel Hybrid Model for Task Dependent Scheduling in Container-based Edge Computing

计算机科学与技术（参考文献）AirContour - Building Contour-based Model for in-Air Writing Gesture Recognition

电子科技大学：《大数据时代商业模式创新 Business Model Innovation in the Times of Big Data》研究生课程教学资源（教学大纲，杜义飞）

 自然语言处理概述 ◼ 什么是自然语言处理 ◼ 自然语言处理的典型应用 ◼ 自然语言处理的基本任务 ◼ 自然语言处理的基本策略和实现方法 ◼ 自然语言处理的难点 ◼ 自然语言处理所涉及的学科  基于规则（知识工程）的自然语言处理方法（理性方法，传统方法） ◼ 基于词典和规则的形态还原（英语）、词性标注以及分词（汉语、日语） ◼ 基于CFG（上下文无关文法）和扩充的CFG（复杂特征集、合一运算）的句法分析 ◼ 基于逻辑形式和格语法的句义分析 ◼ 基于规则的机器翻译  基于语料库（数据）的自然语言处理方法（经验方法） ◼ 语言模型（N元文法） ◼ 分词、词性标注（序列化标注模型） ◼ 句法分析（概率上下文无关模型、移进-规约分析器） ◼ 文本分类（朴素贝叶斯模型、最大熵模型） ◼ 情感分析 ◼ 机器翻译 (IBM Model等) ◼ ......（基于神经网络的深度学习方法）

《网络与系统安全》教学参考文献：An adaptive trust model based on recommendation filtering algorithm for the Internet of Things systems