书写邮件的一些注意事项
1. 一定不要空白标题,一方面这是最失礼的,另一方面不利于收件人关注到你的邮件。 2. 无论正文多少,正文一定要写,不要把你要表达的内容放在主题上。 3. 一定要注明发件人,尤其是在这个火星文、网名泛滥的时代。 4. 如果是重要邮件,尤其是需要对方回复的。开头第一段直接表明该邮件目的哈。This email is to… 或者 I am writing to … 等。 »
1. 一定不要空白标题,一方面这是最失礼的,另一方面不利于收件人关注到你的邮件。 2. 无论正文多少,正文一定要写,不要把你要表达的内容放在主题上。 3. 一定要注明发件人,尤其是在这个火星文、网名泛滥的时代。 4. 如果是重要邮件,尤其是需要对方回复的。开头第一段直接表明该邮件目的哈。This email is to… 或者 I am writing to … 等。 »
本文转自科学网 作者:张士宏 写这部分是因为每次为新生改写论文时,都要花些时间为他们讲解这个问题。现在写在这里,可以给他们提前看看,或者我自己在讲解前也预习一下,因为记忆力下降,有时说着说着就断了思路,不知讲哪里了。 常常改写论文或审稿时,都会发现一些研究生不会写论文的“引言”(Introduction)。过去,国内中文期刊也不重视这个问题,写法千奇百怪。多数问题是,写得很短,或只写了课题背景。大多数不知道要对参考文献进行评述,而是随意将参考文献引到某几句话里。 论文第一部分一般称为“引言(Introduction) »
转载公众号:社科学术圈 微信号:shkxquan 读文献一定不要心浮气躁,要沉下心来大量阅读。在读的过程中有的文献看懂了,但是看不懂的文献也可能会居多。看懂的认真学习借鉴,看不懂的深入探索,实在不行就暂时放下,过一段时间,随着知识和能力的提高慢慢也就弄明白了一些。即使还是看不懂,但是心里知道有那么回事,为将来的继续深造做了铺垫。千万不要只是为看文献而看文献,我们看的目的是为了能为我们自己的科研所用,所以看的过程中一定要和你自己的数据相结合,当看完一篇文献后,要好好总结,如果用自己的数据,又该怎么样解释。还有一些牛刊物上的文章,不但要学习文章里面的知识,还要学习牛人写文章的文风。 »
Author:Kane(李明召) Source From: Paper Submission Guidelines of IEEE Vis / EuroVis / PacificVis A VIS paper typically falls into one of five categories: technique, system, design »
Splatting the Lines in Parallel Coordinates 1. Tree Colors: Color Schemes for Tree-Structured Data 主要内容: 传统对于层次数据例如地理区域,经济活动等的展现采用层次可视化技术,然而通过有效的颜色方案可以更有效的反应数据中隐藏的层次性。本文提出一种新的配色方案Tree Colors,该方案用于用颜色来映射树形结构,采用的颜色空间为HCL(符合人们颜色感知)。通过该方法,不仅能点链式的树状结构更有优势,还能发现非层次可视化中隐藏的树状结构。 »
阳春三月,莺飞草长。新学期伊始,实验室的论文研读即将拉开帷幕。本学期,我推荐的五篇论文如下: 一、论文一: 1、题目:VAET: A Visual Analytics Approach for E-transactions Time-Series 2、链接:http://ieeexplore.ieee.org/xpl/articleDetails. »
在现今的推荐技术和算法中,最被大家广泛认可和采用的就是基于协同过滤的推荐方法。本文将带你深入了解协同过滤的秘密。下面直接进入正题 1 什么是协同过滤 协同过滤是利用集体智慧的一个典型方法。要理解什么是协同过滤 (Collaborative Filtering, 简称 CF),首先想一个简单的问题,如果你现在想看个电影,但你不知道具体看哪部,你会怎么做?大部分的人会问问周围的朋友,看看最近有什么好看的电影推荐, 而我们一般更倾向于从口味比较类似的朋友那里得到推荐。这就是协同过滤的核心思想。 换句话说,就是借鉴和你相关人群的观点来进行推荐,很好理解。 2 协同过滤的实现 要实现协同过滤的推荐算法, »
结巴分词是国内程序员用python开发的一个中文分词模块, 源码已托管在github, 地址在: https://github.com/fxsjy/jieba 作者的文档写的不是很全, 只写了怎么用, 有一些细节的文档没有写. 以下是作者说明文件中提到的结巴分词用到的算法: 基于Trie树结构实现高效的词图扫描,生成句子中汉字所有可能成词情况所构成的有向无环图(DAG) 采用了动态规划查找最大概率路径, 找出基于词频的最大切分组合 对于未登录词,采用了基于汉字成词能力的HMM模型,使用了Viterbi算法 因为最近有点兴趣想了解中文分词, 所以看了大量的资料, 对上面的三条有了一点点理解, 不再是两眼一抹黑了.转载请注明: 本文来自Django梦之队, »