(window.slotbydup=window.slotbydup || []).push({
id: '2081942',
container: s,
size: '1000,60',
display: 'inlay-fix'数据挖掘、机器学习、自然语言处理这三者是什么关系？这几个怎么入门啊？国内到底是阿里还是百度大数据最好？
本人菜鸟一枚，本科学机器学习、数据挖掘、自然语言处理零基础，目前正在学统计学习方法，由于英语比较差，吴恩达的课听不下去，所以有点无从下手，希望有经验的大牛们给指点迷津，指导下这些怎么学习。ps:本人对算法和数据分析比较感兴趣，机器学习、数据挖掘、自然语言处理哪一个更适合？这三个哪一个更有发展潜力？
按投票排序
题主的问题太多了，每个展开都可以讲很多~作为自然语言处理（NLP）方向的研究生，我来回答一下题主关于自然语言处理如何入门的问题吧，最后再YY一下自然语言处理的前途~有点话我想说在前头：不管学什么东西，都要跟大牛去学，真正的大牛可以把一件事解释的清清楚楚。If you can't explain it simply, you don't understand it well enough.跟大牛学东西，你不会觉得难，一切都觉得很自然，顺利成章的就掌握了整套的知识。不过很遗憾，大牛毕竟是少数，愿意教别人的大牛更少，所以如果遇到，就不要强求语言了吧~开始进入正题，我将介绍如何从零基础入门到基本达到NLP前沿：----------NLP零基础入门----------首推资料以及唯一的资料：Columbia University, Micheal Collins教授的自然语言课程链接&& Michael Collins，绝对的大牛，我心目中的偶像，这门课是我见过讲NLP最最最清楚的！尤其是他的讲义！Collins的讲义，没有跳步，每一步逻辑都无比自然，所有的缩写在第一次出现时都有全拼，公式角标是我见过的最顺眼的（不像有的论文公式角标反人类啊），而且公式角标完全正确（太多论文的公式角标有这样那样的错标，这种时候真是坑死人了，读个论文跟破译密码似的），而且几乎不涉及矩阵表示……（初学者可能不习惯矩阵表示吧）。最关键的是，Collins的语言措辞真是超级顺畅，没有长难句，没有装逼句，没有语法错误以及偏难怪的表示（学术圈大都是死理工科宅，语文能这么好真实太难得了）。《数学之美》的作者吴军博士在书中评价Collins的博士论文语言如小说般流畅，其写作功底可见一般。举两个例子，如果有时间，不妨亲自体验下，静下心来读一读，我相信即使是零基础的人也是能感受到大师的魅力的。1.语言模型（Language Model）2.隐马尔可夫模型与序列标注问题(Tagging Problems and Hidden Markov Models)现在Michael Collins在coursera上也开了公开课，视频免费看链接&& 比看讲义更清晰，虽然没有字幕，但是不妨一试，因为讲的真的好清楚。其在句法分析与机器翻译部分的讲解是绝对的经典。如果能把Collins的课跟下来，讲义看下来，那么你已经掌握了NLP的主要技术与现状了。应该可以看懂部分论文了，你已经入门了。----------NLP进阶----------Collins的NLP课程虽然讲的清晰，不过有些比较重要的前沿的内容没有涉及（应该是为了突出重点做了取舍），比如语言模型的KN平滑算法等。此外，Collins的课程更注重于NLP所依赖的基础算法，而对于这些算法的某些重要应用并没涉及，比如虽然讲了序列标注的算法隐马尔可夫模型，条件随机场模型，最大熵模型，但是并没有讲如何用这些算法来做命名实体识别、语义标注等。Stanford NLP组在coursera的这个课程很好的对Collins的课进行了补充。链接&& 本课程偏算法的应用，算法的实现过的很快，不过上完Collins的课后再上感觉刚刚好~（这两门课是Coursera上仅有的两门NLP课，不得不佩服Coursera上的课都是精品啊！）----------进阶前沿----------上完以上两个课后，NLP的主要技术与实现细节就应该都清楚了， 离前沿已经很近了，读论文已经没问题了。想要继续进阶前沿，就要读论文了。NLP比起其它领域的一个最大的好处，此时就显现出来了，NLP领域的所有国际会议期刊论文都是可以免费下载的！而且有专人整理维护，每篇论文的bibtex也是相当清晰详细。链接&& 关于NLP都有哪些研究方向，哪些比较热门，可以参考：NLP是会议主导，最前沿的工作都会优先发表在会议上。关于哪个会议档次比较高，可以参考谷歌给出的会议排名：也可以参考各个会议的录稿率（一般来说越低表示会议档次越高）：基本上大家公认的NLP最顶级的会议为ACL，可以优先看ACL的论文。-------------------------最后简单谈一下这三者哪个更有发展潜力……作为一个NLP领域的研究生，当然要说NLP领域有潜力啦！这里YY几个未来可能会热门的NLP的应用：语法纠错目前文档编辑器（比如Word）只能做单词拼写错误识别，语法级别的错误还无能为力。现在学术领域最好的语法纠错系统的正确率已经可以接近50%了，部分细分错误可以做到80%以上，转化成产品的话很有吸引力吧~无论是增强文档编辑器的功能还是作为教学软件更正英语学习者的写作错误。结构化信息抽取输入一篇文章，输出的是产品名、售价，或者活动名、时间、地点等结构化的信息。NLP相关的研究很多，不过产品目前看并不多，我也不是研究这个的，不知瓶颈在哪儿。不过想象未来互联网信息大量的结构化、语义化，那时的搜索效率绝对比现在翻番啊~语义理解这个目前做的并不好，但已经有siri等一票语音助手了，也有watson这种逆天的专家系统了。继续研究下去，虽然离人工智能还相去甚远，但是离真正好用的智能助手估计也不远了。那时生活方式会再次改变。即使做不到这么玄乎，大大改进搜索体验是肯定能做到的~搜索引擎公司在这方面的投入肯定会是巨大的。机器翻译这个不多说了，目前一直在缓慢进步中~我们已经能从中获益，看越南网页，看阿拉伯网页，猜个大概意思没问题了。此外，口语级别的简单句的翻译目前的效果已经很好了，潜在的商业价值也是巨大的。不过……在可预见的近几年，对于各大公司发展更有帮助的估计还是机器学习与数据挖掘，以上我YY的那些目前大都还在实验室里……目前能给公司带来实际价值的更多还是推荐系统、顾客喜好分析、股票走势预测等机器学习与数据挖掘应用~
机器学习比较偏底层，也比较偏理论，机器学习本身不够炫酷，结合了具体的自然语言处理以及数据挖掘的问题才能炫酷。机器学习好像内力一样，是一个武者的基础，而自然语言和数据挖掘的东西都是招式。如果你内功足够深厚，招式对你来说都是小意思。但机器学习同时也要求很高的数学基础，基本上我读到自然语言处理的博士，看机器学习顶会有些论文还是如读天书。而现在如果我们只讲，工程实现，有很多开源工具可以使用，你所需要的只是知道这些工具都是干嘛用的就好~~~我不知道为什么，很多中国本科生对机器学习特别特别特别的狂热，但对矩阵，概率论又有着老纸早他妈不想念这门课了，终于过了的思想。我一直觉得，如果你真的矩阵，概率，微积分学的不好，早日勤动手，多编程，对日后找工作很有利！！！这三不管你学啥，一定不要舍本逐末的放弃了程序员最基础的编程功夫。最后：人工智能就是有多少人工就有多少智能。不要被百度，谷歌等吹牛逼的软文迷惑了双眼。。。我希望每个本科生：会一门脚本语言，熟悉java，了解c++ == 。。。
自己动手做过一个完整的网站，一个完整的移动App。上个OJ，AC上百题~~~
数学之类的不读博士没知乎上吹的这么重要。好好努力，勤动手，还有希望你学好英语，早日放弃百度知道，投奔stackoverflow，这样一定是你挑百度或者阿里~~
先去国内前20，米国前100的学校混一个数学/统计/计算机，并且和数据相关的学位在说吧机器学习的职位，目前供需严重不平衡。很多人调过一两个库的几个算法就堂而皇之的把机器学习加到简历里面去了，滥竽充数的现象很严重。所以对于新人来说，没有学历基本上就是被秒刷的命。
《统计学习方法》是指李航那本？不适合初学者，术语太多，干货满满，在introduction那一章连个例子都舍不得举，简直看不下去（我没说这本书不好，只是不适合初学者，等你学的差不多了以后再来看这本书会有长进的）。Andrew Ng的课指的是什么？网易公开课还是Coursera上的公开课？前者上不下去的话正常。后者比前者压缩掉了很多内容，把长视频切成了短视频，还有作业等互动环节，听不懂可以开字幕。要是这样你都听不下去，要么说明你该学英语了，要么说明你该学数学了：把机器学习的三驾马车——高等数学、线性代数、概率统计——好好补一补吧。我不知道机器学习、数据挖掘、自然语言处理哪一个更有潜力，但我觉得你得先把数学和英语学好才能有潜力。
机器学习有两个基础非常重要：英语和数学
基本上没有这两个基础寸步难行，而且NG在Coursera上的课可以说是基础的基础了，课后作业等也非常简单，如果这个都看不下去的话，那真的是无缘了，Coursera还有一门台大的《机器学习基石》可以作为NG的课的进阶，其实公开课和书籍只能作为基础，最重要的是看论文看文献。
你好, andrew ng 在 coursera 上的课 Machine Learning
其实相当简单
而且那门课带中文字幕的 只要会最基本的矩阵运算规则和微积分就能碾压作业
建议沉下心去看看 我觉得你基本找不到比它跟简单的介绍材料, 看不懂就放弃吧. 是的 那门课其实根本算不上入门, 只能算介绍...
一点小建议：作为一个业内人士，首先我的建议就是放弃“我的英语比较差”这个想法。作为母语非英语的所有人都不是天生英语就比较好的。程序员还好，题主所说的3门学问，如果不能熟练的阅读英文材料，将寸步难行。如果有强烈的兴趣甚至要考虑出国读书。下面就题主问的三项来解答：“机器学习、数据挖掘、自然语言”首先要认识到这三项并不是独立的选项，机器学习需要数据挖掘和自然语处理的支撑，自然语处理需要数据挖掘的支撑，数据挖掘需要大数据的支撑。最终所有的根源都要落实在大数据上，而这一切的顶点就是人工智能。从这个层面上来看数据挖掘是比较基础的部分，目前也有比较成熟的解决方案，只要你有数据不愁找不到工具。各种数据库（mongodb，Hive，Pig，HBase，RedShift），分布式系统（Hadoop， Spark），编程语言（Python和R）都是为其开发的或者擅长处理大数据。所谓学习数据挖掘已经逐渐变成熟练掌握这些工具的过程了。当然如果有兴趣，也可以参与各种分布式系统的开发，不过基本上你能想到的所有好用的算法，前人都已经写好了集成进去了。自然语处理，在这个世界上除了谷歌，苹果，微软，IBM还没有其他能够挑战此领域并且获得受人瞩目的成就的公司。因为现在自然语处理就是方法很落后，手段很暴力。基本上常用的技术在10几20年前就出现了，只不过那时候没有谁拥有上万台计算机来处理自然语，现在倒是有了。可离实用还有很长的路要走（可以看一下IBM的沃特森，基本上也就代表现阶段最强的自然语处理的水平了）。最后就是机器学习了，这一点除了我之外已经有很多人强调过了——“机器学习只是被过度神话了！”。说白了现在的机器学习技术就是“战五渣”，谁上谁后悔。目前除了以“深度学习”为代表的人工神经网络之外其他的大部分常用的学习方法都是统计学习。不仅要喂足了料，还要精心调教，还不一定出货，出了也基本上不准。如果恰好结果符合预期，只能说“运气真好”。不过也正是因为这样，机器学习才作为一项前沿学科，很多科学家去研究，据我目测，这一波深度学习热应该已经过去了吧。按这个节奏，不知道10年之后又会有什么技术点燃机器学习的热情也说不定。好了吐槽完了，我觉得题主可能先试试数据挖掘看看，挺好玩的～
知乎首答，写个短的。本人现在大三，计算机本科。目前在国立台湾大学做交换生。第一个和第三个问题我不懂，坐等大牛回答。我只结合自己的情况说一下第二个问题。NG的课程我以前看过一部分，讲的风格我觉得在干货之前都比较好懂（笑）。但是天朝的学子接受起来可能有困难。台湾大学的林轩田老师的machine learning至少在本科生教育上做的很好。他们有个team经常去各种比赛上刷奖。我目前在修他的机器学习课程，觉得质量不错。现在coursera上也有同步课程。传送门：个人觉得机器学习的很多方法都是从统计学上借鉴过来的，所以现在在补统计学的知识。同时作为一个理论性比较强的领域，线性代数和高等数学的知识起码是要具备的（至少人家用矩阵写个公式再做梯度下降你要看明白是在干嘛）。我在大陆的mentor是做机器翻译的。我说我感觉这个领域现在是步履维艰，结果被我mentor教育了。现在微博数据好像挺好用的，数据抓过来跑一跑能出点票房预测什么的（其实非常吊了，反正我不会QAQ）。记得有本Python自然语言处理，NLTK还自带语料库，用来入门不错。起码要熟悉正则语言，再学个脚本语言。虽然Python已经很好用了，你要不要考虑下linux shell。以后混不下去了可以去给运维打下手。这东西又不是C语言，入门又没什么用，所以没什么30天精通NLP之类。而且自己研究NLP也面临着许多问题。首先你自己没有可研究的问题，没有动力。其次，研究资料也不算好找（虽然好像有免费的）。去年mentor给了我个5M的树库，还嘱咐我说是有版权的，不能给别人。(笑)其实我自己都怀疑读研的时候要不要换个方向（请行里行外的师兄来劝我两句，要不要去做别的啊！！QAQ）最后说一句，机器学习之类我觉得是国内大学所谓计算机专业比较偏向CS而不是CE的部分了。虽然工程性很重要，但是和软件工程什么的比起来Science的成分总要更大一些。我是比较喜欢理学才来学这个东西。当然我的认识可能不对，我姑妄说之。Talk is cheap, 我还是去code吧...
改成 数据、挖掘机器学习、自然语言处理就好学了。
talk is cheap，show me the code你的问题在于，读的书不多，想得却太多＝ ＝ 发现这些热语都可以评论这个问题。。。数据挖掘相对简单。吴恩达的课已经很简单了，本科低年级的学生都可以完成。看3遍统计学习方法，然后把所有算法实现。ok，然后你再来问，自己是去百度，还是阿里。
问题太多，先回答最后一个。看百度和阿里的大数据，不能简单的问哪一个好。。。你应该问各在哪一个领域比较好。在BAT三者里，都非常重视大数据的研究。但是所谓大数据研究，首先你得有数据让你研究，并且这个数据量要很大。不然怎么叫大数据呢？？显然，阿里和百度都符合。但是，两者所拥有的数据来自的领域不同，阿里是电商开始，因此在电子商务（购物行为，浏览行为，甚至个人信息）上的数据量很大，百度是搜索引擎起价起家，自然在搜索上获得的数据量（网页，搜索行为之类）很大。所以，阿里拼不过百度的搜索引擎数据，百度也拼不过阿里的电商数据。此外，有了数据，就得看研发平台和技术团队了。大数据既然大了，就不能几台电脑就能搞定，必须是一个大的集群来分析，好的数据仓库来存储。两者都有云，很难说哪个好吧。技术团队也一样，很难比较。百度有Andrew Ng，但是不是加个科学家它家就一定是好一点的。关键还是看有哪个领域的数据，数据量有多大，公司烧多少钱支持搞大数据研究~~
我把题目脑补成了挖掘机、编程。。。
大数据在没有证明自己改变世界之前，无法说明人工智能的正确方向是大数据。简单来说即便现在的Google 走的方向也很有可能完全错到底了。你看狗粉再瞧不起Apple ，也没法否认Google 的市值被Apple 狠狠踩在脚下。这从侧面反映了Google 现在在人工智能和机器学习领域的成就。我是侯世达理论的支持者。如果是对人工智能方向感兴趣，可以看看GEB如果百度的大数据能准确预言下一个改变世界的方向、技术、公司，它现在的市值绝对不止700亿，保守估计至少是Apple 的几倍。
我以前也跟你差不多心想是Stanford 去读phd还是去CMU读phd，结果后来发现自己想多了
机器学习的传统定义不就是小样本吗数据挖掘是大样本或全量数据的机器学习NLP这种艺术话题我会说？
本人初学者，看法是ML和NLP的比较多的公式方法都和概率统计，线性代数之类的数学知识有关，比如说二者都很重要的马尔可夫假设和贝叶斯公式。而统计上的东西需要大量的训练集作为支撑，也就是需要数据挖掘的地方了。这应该就是三者的关系了。入门的话个人觉得也没有什么捷径可走，就是干。阿里和百度哪个好我不清楚，不过最近我在CIKM（conference of information and knowledge management，二区会议）上听了丁姐夫（Jeff Dean）的关于大规模深度学习的报告，基本上就是把题主提到的三者结合起来说了一下，事后看到阿里的工程师和丁姐夫讨论了一下，表示好像没有看到百度工程师
机器学习是个广义的概念，非常广。用到计算机视觉中，即计算机视觉中的机器学习；用到信号处理中，即信号处理中的机器学习；用到自动控制中，即自动控制中的机器学习；用到自然语言处理中，即自然语言处理中的机器学习。。。
机器学习和数据挖掘的关系，引：
当然是百度最好，你看着效果
已有帐号？
无法登录？
社交帐号登录MSN中文首页
机器人时代来临
还没享受在线语言服务吗
作者：互联网
　　在国内几万家制造企业的生产线上，数万台工业机器人正在流水线上工作。除大量的工业机器人外，家庭自主清洁吸尘器、医疗外壳机器人、迎宾与送餐机器人等服务机器人已经不止于概念。谁也不敢想象，哪天闭眼再睁眼，好莱坞大片里面的个人智能机器人已经遍布我们的生活。
　　视线拉回现实，我们还在2015年，互联网/移动互联网时代，也是全球化进程迅速推进的年代，地球村民正在通过各种各样的工具进行信息交换，语言服务还必须是跨语言沟通的先驱。国际商务会议、跨境旅游生活、多语言学习……全球化的办公和生活节奏，我们需要的语言服务已经越来越多。在社交化信息爆炸式增长的推波助澜下，快速、高频、个性化语言服务的需求相信不只仅限于你我会发出。那么问题来了：
　　怎么快速找到译员?
　　怎么快速找到供应商?
　　怎么快速得到服务?
　　得益于时代赋予的技术进步及模式创新，作为一个互联网时代的用户，你已经可以摆脱传统线下译员到场的翻译服务获取模式，转而由互联网、移动互联网及电话网络随时随地获取实时语言服务。
　　译云旗下译云翻译服务平台是一个对接译员和客户的门户，它将原有线下的语言服务流程线上化。登入网站后，用户可以选择自己的身份(客户、独立译员和翻译机构)，之后就可以进入平台，完成从客户下单、译员接单、译员翻译、交付译稿到交易后的支付和评价整个流程。在以译云翻译服务平台为核心的互联网 服务版图中，搜索、语言学习、旅游、社交、电子商务等多个领域的知名合作伙伴均已对接译云，如译云百度入口()及译云金山词霸入口()，用户可以在这些平台上的译云入口享受更为个性化的服务。
　　译云翻译服务平台( )
　　通过在这些互联网站群上的快速下单，用户能够以人工在线翻译快速精准地获取想要得到的语言内容。此外，还可以通过手机版译云、微信端“译云翻译助手”及手机APP“找翻译”等移动入口在线下单、接单和查找译员。特别是“找翻译”APP，不仅让用户能够通过时下最热的“打车软件”模式迅速定位到散步于各地的译员，译员也可以通过译云打造的这个移动网络随时接入服务更多用户，双方的选择空间更大更自由。
　　对于许多用户在境外碰到的紧急情况，一键呼叫译云多语言云呼叫中心是比较理智的选择，译云的译员能够帮助用户以语音及时精准的解决跨语言障碍。这种在电话端提供的实时同声传译服务，能够同时满足多方通话，所以对于有地域限制的商务沟通类需求者来说不失为一个更为实惠的选择。
　　当然，在免费模式横行的年代，除了上述服务合集——译云商业平台，译云还不遗余力的打造了免费平台——译库工具平台。在这里，用户可以用在线机器翻译DIY要翻译的内容，还可以用网页翻译插件来轻松浏览外文网站，对影视感兴趣的大众群体还可以用傻瓜式翻译字幕的工具——字幕通来试水专业外文字幕制作，更为专业的用户则可以用免费的计算机辅助翻译工具CAT来加强翻译精准性。
　　译库()
　　在这两大平台之外，你还可以在译云社区找到工作外的归属感，在社区里收获资讯、结得伙伴、组成项目组，还能参与业界盛大赛事的分享。
　　以此，透过译云商业平台、译库工具平台及译云社区等全方位的语言服务平台作为入口，译云能够在线高效地为商业用户、专业译者和语言服务商提供一体化智能语言服务的生态系统。
　　在译云背后，是亿万级语料库，最前沿的自然语言处理技术，智能机器翻译技术和传承40年的高质量翻译和服务经验。从1973年作为中国第一家翻译公司为联合国提供翻译服务，到2013年以全球首个智慧语言云——译云上线，再到2015年译云以全新“互联网+”模式服务全球用户，我们正在为用户打造高效、便捷的在线语言服务平台。如果你还不知道语言服务可以这样获取，请到碗里来。
4月12日，微信发布的《微信外链规范》在业界激起轩然大波，尤其是对于H5的严加管制……
7月27日消息，搜狗今日发布2015年第二季度财报。搜狗第二季度经营利润达1.81亿元，是去年同期3……
未来三年中国大陆包括京东方在内的四家液晶面板企业计划新设7处大型工厂，总投资将达到3万亿日元(约合1500亿人民币)，预计中国大陆液晶面板产能将在2018年超过韩国跃居全球首位。……
十一月份的北京正是浓妆艳抹的时节，虽然天意渐凉，但放眼望去也都是层峦尽染浓妆艳抹的艳丽风光。这个世界正是带上相机踏出家门去“采风”的好时节，我趁着“APEC蓝”的通透空气带上我新入手的佳能PowerShot G7 X相机去北京园博园转转。……
哈苏作为世界著名的中画幅相机厂家，其产品以出色的光学性能和高昂的价格始终是让大部分摄影师望其心叹。而在近期有传闻称哈苏将关闭其在意大利特雷维索设立新的产品设计中心，或许哈苏更期望能够进一步降低成本吧。
全画幅数码单反一直以出色的性能和昂贵的价格“高高在上”，不过随着生产工艺的不断升级以及市场需求的不断变化，以往十分“高贵”的全画幅数码单反相机也随之出现了万元级别的全画幅数码单反产品，作为万元级别的全画幅数码单反相机一直倍受到广大消费者的青睐，无论是其拍摄的性能还是万元上下的价格都无疑让更多的摄影师实现全画幅的梦想。而佳能EOS 6D以及尼康D610一直是大家关注的焦点，今天小编我就为大家带来这两款入门全画幅数码单反对比评测。
画幅顾名思义就是指成像单元的尺寸。在胶片时代就是指底片的尺寸，而在数码时代就是指感光元件的面积。胶片时代的画幅分别有：135画幅、中画幅、大画幅这三大类胶片画幅尺寸，当然中画幅以上的画幅尺寸也都有着更加细致的划分，但整体就是这几大类。在135mm相机系统中标准的画幅尺寸是24mm*36mm，这也就是传统135mm胶卷的尺寸。而在数码时代划分的更加细致，尤其是135画幅以内的画幅尺寸被细分为：全画幅、APS-H、APS-C、1英寸、4/3英寸、1/1.8英寸以及更小的画幅尺寸。……
　2014年无疑是4K电视的里程碑，在今年，4K电视成为电器城里最耀眼的明星产品，消费者选购电视的首选，也是众多家电厂商们争抢的对象。在CES 2014上，三星、LG便将4K超高清电视作为主打产品，相信在CES 2015上，4K电视会有更出色的表现……机器语言浅谈--《电脑知识与技术》2009年21期
机器语言浅谈
【摘要】：当今高级语言流行,介绍机器语言的文章极少。机器语言是计算机的母语,理解了机器语言也就理解了计算机的本质。二进制而不是十进制作为机器语言是历史的必然。机器语言烦琐,难于理解,但依然有它的用武之地,甚至有些情况下必须使用机器语言。
【作者单位】：
【关键词】：
【分类号】：TP313【正文快照】：
现在我们的生活已经离不开电脑了,我们存取款是通过电脑,我们用电脑听歌,看电影,玩游戏,我们上网看新闻,购物,……,可是,电脑只认识两个数字:0和1,也就是说,如此丰富多彩的任务只是利用0和1完成的。计算机发展到今天,软件层出不穷:操作系统软件Windows,办公软件Office,游戏软
欢迎：、、)
支持CAJ、PDF文件格式，仅支持PDF格式
【参考文献】
中国期刊全文数据库
杜宜同;[J];电脑知识与技术;2005年21期
【共引文献】
中国期刊全文数据库
郭玲玲;;[J];安防科技;2010年05期
黄勇;[J];安徽电子信息职业技术学院学报;2004年01期
王勇,张慧慧;[J];北京工业大学学报;2000年01期
江涛;;[J];毕节学院学报;2010年08期
陈如琪,袁宝芸,刘犇;[J];北京印刷学院学报;2004年03期
张志勇;宋阳;;[J];才智;2009年26期
宋阳;张志勇;;[J];才智;2009年28期
张志勇;宋阳;;[J];才智;2009年29期
楚丁;彭宗锦;;[J];成都信息工程学院学报;2007年05期
曲瑞超;;[J];赤峰学院学报(自然科学版);2011年11期
中国重要会议论文全文数据库
叶晓玲;邱晓丹;;[A];教育技术：信息化阶段新发展的研究[C];2007年
王庆友;;[A];全国第20届计算机技术与应用学术会议(CACIS·2009)暨全国第1届安全关键技术与应用学术会议论文集（下册）[C];2009年
中国博士学位论文全文数据库
骆燕燕;[D];河北工业大学;2000年
熊日华;[D];天津大学;2004年
中国硕士学位论文全文数据库
田学军;[D];首都师范大学;2011年
曹玮;[D];天津大学;2010年
陈庆;[D];华中科技大学;2011年
郭腾飞;[D];山西大学;2011年
王风;[D];电子科技大学;2012年
杨勇;[D];东北大学;2010年
潘洪湘;[D];华北电力大学（北京）;2004年
王勇;[D];吉林大学;2004年
谢霞冰;[D];南京理工大学;2004年
栾劲松;[D];华中科技大学;2002年
【相似文献】
中国期刊全文数据库
郭晓伟;;[J];中国科技信息;2006年03期
高克强;;[J];程序员;2003年06期
陈燕俐;张晨晖;洪龙;;[J];计算机工程与设计;2006年20期
李宪策;;[J];才智;2009年06期
沈文伟;;[J];软件导刊;2006年07期
陶龙芳;[J];中国远程教育;1985年03期
陈静;;[J];淮北职业技术学院学报;2009年01期
孟庆志;;[J];通信技术;1982年01期
曹来发;;[J];铁道勘察;1988年02期
赖永钦;;[J];科技信息(学术研究);2008年15期
中国重要会议论文全文数据库
徐冰;张英涛;方连众;史先俊;;[A];高教科研2006（中册：教学改革）[C];2006年
刘月华;栾爱东;;[A];2004空调器、电冰箱（柜）及压缩机学术交流会论文集[C];2004年
黄渊;何涛;李爱波;;[A];全国第4届信号和智能信息处理与应用学术会议论文集[C];2010年
陶春;;[A];全国中外近现代文化学术研讨会论文集[C];2004年
梁敏华;黄德天;杨华;;[A];2010中国仪器仪表学术、产业大会（论文集2）[C];2010年
杨海涛;于久恩;马彦恒;;[A];中国仪器仪表学会第三届青年学术会议论文集（下）[C];2001年
朱明慧;;[A];中国航空学会信号与信息处理专业全国第八届学术会议论文集[C];2004年
张银发;丁震;;[A];中国航空学会信号与信息处理专业全国第八届学术会议论文集[C];2004年
陈建孝;赵芜野;;[A];2005全国计算机程序设计类课程教学研讨会论文集[C];2005年
蔡启先;王智文;陈志成;;[A];广西计算机学会2008年年会论文集[C];2008年
中国重要报纸全文数据库
电脑虎;[N];中国电脑教育报;2005年
WQS;[N];电脑报;2003年
许义景;[N];电子报;2004年
纪丽莉;[N];中国电脑教育报;2004年
左仪;[N];电子报;2007年
平兴中　倪敏芝
胡春雷;[N];中国妇女报;2011年
纪丽莉;[N];中国电脑教育报;2004年
刘留;[N];电脑报;2002年
林宗辉;[N];电子资讯时报;2007年
;[N];电脑报;2010年
中国博士学位论文全文数据库
郭宇;[D];中国科学技术大学;2007年
项森;[D];中国科学技术大学;2006年
李隆;[D];中国科学技术大学;2008年
李兆鹏;[D];中国科学技术大学;2008年
吴艳霞;[D];哈尔滨工程大学;2008年
韩以伦;[D];太原理工大学;2003年
付明;[D];中国科学技术大学;2009年
王伟;[D];中国科学技术大学;2011年
包红强;[D];上海大学;2005年
吴冬梅;[D];哈尔滨工程大学;2010年
中国硕士学位论文全文数据库
王启明;[D];西安电子科技大学;2009年
王松;[D];沈阳工业大学;2006年
田丰;[D];合肥工业大学;2007年
李科学;[D];昆明理工大学;2008年
韩冬;[D];西南交通大学;2009年
周正;[D];合肥工业大学;2006年
彭文俊;[D];重庆大学;2008年
余进;[D];中南大学;2009年
张华;[D];四川大学;2004年
赵军;[D];浙江大学;2006年
&快捷付款方式
&订购知网充值卡
400-819-9993
《中国学术期刊（光盘版）》电子杂志社有限公司
同方知网数字出版技术股份有限公司
地址：北京清华大学 84-48信箱 知识超市公司
出版物经营许可证 新出发京批字第直0595号
订购热线：400-819-82499
服务热线：010--
在线咨询：
传真：010-
京公网安备74号