本章主要介绍组合体视图的画法、组体的尺寸标注以及看懂组合体视图的方法。 通过对本章的学习,应达到以下基本要求

AutoCADAutodesk是由美国公司开发的通用计算机辅助设计(Computer Aided Design,CAD)软件,具有易于掌握使用方便、体系结构开放等优点 ,能够绘制二维图形与三维图形、标注尺寸、渲染图形以及打印输出图纸,目 前已广泛应用于机械、建筑、电子、航天、造船、石油化工、土木工程、冶金 、地质、气象、纺织、轻工、商业等领域。 AutoCAD2007是 Auto CAD系列软件的最新版本,与 Auto CAD先前的版本相比 ,它在性能和功能方面都有较大的增强,同时保证与低版本完全兼容

本章主要内容包括绘制组合体视图、阅读组合体视图、组合体的尺寸标注以及掌握组合体的分析方法。通过读图和绘图掌握本课程的重点和难点，便于提高空间分析以及空间想象能力。通过对组合体的学习，为后续章节内容奠定基础

第一节 装配图的作用与内容 第二节 装配图的表达方法 第三节 装配图的尺寸标注 第四节 装配图的零件编号和明细栏 第五节 装配结构的合理性 第六节 装配图的画法和步骤

第一节 零件图概述 第二节 零件图视图的选择 第三节 零件图的尺寸标注 第四节 画零件图的步骤和方法 第五节 零件图上的技术要求 第六节 零件图的看图方法与步骤

本文介绍了根据非标设计的特点,在Auto CAD 11.0环境下开发的一套用户菜单,可顺利地完成图纸初始化,即图形标注、简单标准零件的参数化设计及有效利用已形成的图库

词义消歧的特征来源于上下文.日文兼有中英文的语言特性,特征抽取更为复杂.针对日文特点,在词义消歧逻辑模型基础上,利用最大熵模型优良的信息融合性能,采用深层特征抽取方法,引入语义、句法类特征用于消解歧义.同时,为避免偏斜指派,采用BeamSearch算法进行词义序列标注.实验结果表明,与仅使用表层词法类特征方法相比,本文构造的日文词义消歧系统的消歧精度提高2%～3%,动词消歧精度获得5%的改善

电信客户信用风险等级评估是对电信客户的信用风险进行等级分类.针对建立客户信用风险等级分类模型时,大量带有类标注数据难以获得的问题,提出了基于主动学习的分类器建模方法,并对基于QBC(委员会投票选择)的主动学习算法进行改进以提高分类器的预测精度.通过对实际电信客户数据进行信用风险等级建模实验,结果表明:应用新算法,分类器使用了较少的带类标签样本数据,达到了与被动学习相同的精度,大大降低了信用专家评估数据的工作量

 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）

本文把物理学中的万有引力定律引入推荐系统,提出一种个性化推荐算法,即基于万有引力的个性化推荐算法.算法把用户使用的标签看作用户喜欢物体的组成颗粒,标注项目的标签被看作项目物体的组成颗粒,社会标签的类型就是颗粒的类型,由此构建了用户喜好物体模型和项目物体模型.喜好物体和项目物体间存在着万有引力,并且引力大小遵循万有引力定律.计算喜好物体和项目物体间的万有引力,并把该引力大小作为二者的相似度度量,引力越大,二者的相似度就越高,对应的项目物体就越有可能被用户喜欢.实验结果证明本文提出的算法可以获得好的推荐性能