數據分布演算法

❶ 判斷一組數據是否是正態分布的演算法

你靜下心來把概率論里的什麼是正態分布看懂了，自然就能用程序語言寫出這個判斷了，你不要我能把代碼給你寫出來，沒有這個時間。

用遺傳演算法做一下。

❷ 什麼是並行資料庫

並行資料庫系統（Parallel Database System）是新一代高性能的資料庫系統，是在MPP和集群並行計算環境的基礎上建立的資料庫系統。 並行資料庫技術起源於20世紀70年代的資料庫機（Database Machine）研究，，研究的內容主要集中在關系代數操作的並行化和實現關系操作的專用硬體設計上，希望通過硬體實現關系資料庫操作的某些功能，該研究以失敗而告終。80年代後期，並行資料庫技術的研究方向逐步轉到了通用並行機方面，研究的重點是並行資料庫的物理組織、操作演算法、優化和調度策絡。從90年代至今，隨著處理器、存儲、網路等相關基礎技術的發展，並行資料庫技術的研究上升到一個新的水平，研究的重點也轉移到數據操作的時間並行性和空間並行性上。 並行資料庫系統的目標是高性能（High Performance）和高可用性（High Availability），通過多個處理節點並行執行資料庫任務，提高整個資料庫系統的性能和可用性。 性能指標關注的是並行資料庫系統的處理能力，具體的表現可以統一總結為資料庫系統處理事務的響應時間。並行資料庫系統的高性能可以從兩個方面理解，一個是速度提升（SpeedUp），一個是范圍提升（ScaleUp）。速度提升是指，通過並行處理，可以使用更少的時間完成兩樣多的資料庫事務。范圍提升是指，通過並行處理，在相同的處理時間內，可以完成更多的資料庫事務。並行資料庫系統基於多處理節點的物理結構，將資料庫管理技術與並行處理技術有機結合，來實現系統的高性能。 可用性指標關注的是並行資料庫系統的健壯性，也就是當並行處理節點中的一個節點或多個節點部分失效或完全失效時，整個系統對外持續響應的能力。高可用性可以同時在硬體和軟體兩個方面提供保障。在硬體方面，通過冗餘的處理節點、存儲設備、網路鏈路等硬體措施，可以保證當系統中某節點部分或完全失效時，其它的硬體設備可以接手其處理，對外提供持續服務。在軟體方面，通過狀態監控與跟蹤、互相備份、日誌等技術手段，可以保證當前系統中某節點部分或完全失效時，由它所進行的處理或由它所掌控的資源可以無損失或基本無損失地轉移到其它節點，並由其它節點繼續對外提供服務。 為了實現和保證高性能和高可用性，可擴充性也成為並行資料庫系統的一個重要指標。可擴充性是指，並行資料庫系統通過增加處理節點或者硬體資源（處理器、內存等），使其可以平滑地或線性地擴展其整體處理能力的特性。 隨著對並行計算技術研究的深入和SMP、MPP等處理機技術的發展，並行資料庫的研究也進入了一個新的領域，集群已經成為了並行資料庫系統中最受關注的熱點。目前，並行資料庫領域主要還有下列問題需要進一步地研究和解決。 （1）並行體系結構及其應用，這是並行資料庫系統的基礎問題。為了達到並行處理的目的，參與並行處理的各個處理節點之間是否要共享資源、共享哪些資源、需要多大程度的共享，這些就需要研究並行處理的體系結構及有關實現技術。 （2）並行資料庫的物理設計，主要是在並行處理的環境下，數據分布的演算法的研究、資料庫設計工具與管理工具的研究。 （3）處理節點間通訊機制的研究。為了實現並行資料庫的高性能，並行處理節點要最大程度地協同處理資料庫事務，因此，節點間必不可少地存在通訊問題，如何支持大量節點之間消息和數據的高效通訊，也成為了並行資料庫系統中一個重要的研究課題。 （4）並行操作演算法，為提高並行處理的效率，需要在數據分布演算法研究的基礎上，深入研究聯接、聚集、統計、排序等具體的數據操作在多節點上的並行操作演算法。 （5）並行操作的優化和同步，為獲得高性能，如何將一個資料庫處理事務合理地分解成相對獨立的並行操作步驟、如何將這些步驟以最優的方式在多個處理節點間進行分配、如何在多個處理節點的同一個步驟和不同步驟之間進行消息和數據的同步，這些問題都值得深入研究。 （6）並行資料庫中數據的載入和再組織技術，為了保證高性能和高可用性，並行資料庫系統中的處理節點可能需要進行擴充（或者調整），這就需要考慮如何對原有數據進行卸載、載入，以及如何合理地在各個節點是重新組織數據。

❸ 如果數據分布不均勻，怎麼優化二分查找演算法

樓主是不是想求出一個最小半徑的圓，圓內包含所有的點？這個問題很有趣。

尋找這個圓的時候注意一下幾點：
1.這個圓必然穿過圖中某些靠外圍的點，這樣才是最小半徑的圓。
2.幾何中我們知道，三個點可以確定一個圓, 我們就是需要找出這三個點來.

演算法如下：1.先求這些點對應的凸包，已經有現成的演算法。
2.生成凸包後，在看凸包上哪三點確定的圓可以包含凸包。

當然如果樓主討論的不是以上所述，而是模式分類的話，建議看看數據分類方法。可以搜索關鍵字：Gaussian mixtrual model, expectation-maximization algorithm 和 k-mean algorithm 學習下相關的知識。

❹ 大數據hash如何使其分散均勻

這個要根據具體的數據分布來看。不同的數據分布Hash演算法是不同的。
最優的演算法就算計算出的Hash key均勻分布。

❺ 帶你了解數據挖掘中的經典演算法

數據挖掘的演算法有很多，而不同的演算法有著不同的優點，同時也發揮著不同的作用。可以這么說，演算法在數據挖掘中做出了極大的貢獻，如果我們要了解數據挖掘的話就不得不了解這些演算法，下面我們就繼續給大家介紹一下有關數據挖掘的演算法知識。
1.The Apriori algorithm，
Apriori演算法是一種最有影響的挖掘布爾關聯規則頻繁項集的演算法。其核心是基於兩階段頻集思想的遞推演算法。該關聯規則在分類上屬於單維、單層、布爾關聯規則。在這里，所有支持度大於最小支持度的項集稱為頻繁項集，簡稱頻集。這個演算法是比較復雜的，但也是十分實用的。
2.最大期望演算法
在統計計算中，最大期望演算法是在概率模型中尋找參數最大似然估計的演算法，其中概率模型依賴於無法觀測的隱藏變數。最大期望經常用在機器學習和計算機視覺的數據集聚領域。而最大期望演算法在數據挖掘以及統計中都是十分常見的。
3.PageRank演算法
PageRank是Google演算法的重要內容。PageRank里的page不是指網頁，而是創始人的名字，即這個等級方法是以佩奇來命名的。PageRank根據網站的外部鏈接和內部鏈接的數量和質量倆衡量網站的價值。PageRank背後的概念是，每個到頁面的鏈接都是對該頁面的一次投票，被鏈接的越多，就意味著被其他網站投票越多。這個就是所謂的「鏈接流行度」，這個標准就是衡量多少人願意將他們的網站和你的網站掛鉤。PageRank這個概念引自學術中一篇論文的被引述的頻度——即被別人引述的次數越多，一般判斷這篇論文的權威性就越高。
3.AdaBoost演算法
Adaboost是一種迭代演算法，其核心思想是針對同一個訓練集訓練不同的分類器，然後把這些弱分類器集合起來，構成一個更強的最終分類器。其演算法本身是通過改變數據分布來實現的，它根據每次訓練集之中每個樣本的分類是否正確，以及上次的總體分類的准確率，來確定每個樣本的權值。將修改過權值的新數據集送給下層分類器進行訓練，最後將每次訓練得到的分類器最後融合起來，作為最後的決策分類器。這種演算法給數據挖掘工作解決了不少的問題。
數據挖掘演算法有很多，這篇文章中我們給大家介紹的演算法都是十分經典的演算法，相信大家一定可以從中得到有價值的信息。需要告訴大家的是，我們在進行數據挖掘工作之前一定要事先掌握好數據挖掘需呀掌握的各類演算法，這樣我們才能在工總中得心應手，如果基礎不牢固，那麼我們遲早是會被淘汰的。職場如戰場，我們一定要全力以赴。