Станок 163: 163 Станок токарно-винторезный универсальный. Паспорт, схемы, характеристики, описание

Страница не найдена – Все о ЧПУ

Страница не найдена – Все о ЧПУ

Извините, страница не существует или была удалена…

Самые комментируемые записи

Строим самодельный фрезерный ЧПУ станок

Самодельный ЧПУ фрезерный станок: подробности процесса сборки, обзор нужных комплектов и наборов, личный опыт. Откроем секреты сборки станка своими руками.

Идеи изделий на ЧПУ станке

Получив первые навыки эксплуатации сложного устройства, его владелец, наконец, задумывается: как заработать на станке с ЧПУ, имея стабильную прибыль.

Выбор шпинделя для фрезерного станка с ЧПУ

Как выбрать шпиндель для фрезерного станка с ЧПУ ? ИХ классификация, охлаждение, способы фрезеровки, мощность, и другая полезная информация.

Прямо сейчас смотрят

Вопрос-Ответ

Особенности и принципы обработки на станках с ЧПУ

Применяемая технология обработки деталей на станках с ЧПУ позволяет добиться высокого качества продукции, свести к минимуму время изготовления и, в итоге, трудиться с большим экономическим эффектом.

Вопрос-Ответ

Как выбрать фрезу для ЧПУ обработки

Выбор качественного инструмента для станка с ЧПУ должен основываться на таких свойствах фрезы как износоустойчивость, прочность, сбалансированность.

Вопрос-Ответ

Основы технологии резки фанеры на станках ЧПУ

Резка фанеры на ЧПУ станках – обработка фанерных заготовок на станочном оборудовании с числовым программным управлением с целью быстрого и точного производства.

Лазерный

Изучаем работу лазерного станка с ЧПУ по дереву

Лазерный станок с ЧПУ по дереву используется во многих сферах производства. Поэтому важно знать его устройство, особенности, и преимущества.

Вопрос-Ответ

Делать мебель на ЧПУ станке – проще, чем кажется!

Мебель на ЧПУ – мебельные изделия, изготовленные на станках с числовым программным управлением. При производстве используется компьютерное проектирование.

Вопрос-Ответ

Системы Siemens для ЧПУ станков

ЧПУ Siemens позволяет автоматизировать работу станков. Работа осуществляется на основе числового программного управления, что значительно повышает производительность и эффективность. Данная система позволяет сократить штат сотрудников.

Фрезерный

Как с помощью фрезеровки на ЧПУ обрабатывать стекло, МДФ и другие материалы

Фрезеровка ЧПУ является неоспоримым плюсом в сравнении с другими видами обработки и резки материалов. Отличается высокой скоростью и точностью.

Сверлильный

Какие функции выполняет портально-сверлильный станок с ЧПУ?

Какие преимущества имеет портальный сверлильный станок с ЧПУ по металлу? Как работают портально-сверлильные станки?

Фрезерный

Описание технических характеристик вертикально-фрезерного станка 6Р11

Вертикально-фрезерные станки 6P11 пригодится не только в промышленности, но и в бытовых условиях.

Технические характеристики, назначение, основные части.

Токарный

Технические параметры, виды и сборка своими руками токарных станков по дереву

Токарные станки по дереву и его особенности, технические характеристики. Виды, конструктивные элементы, требования к станкам. Сборка своими руками.

Страница не найдена – Все о ЧПУ

Страница не найдена – Все о ЧПУ

Извините, страница не существует или была удалена…

Самые комментируемые записи

Строим самодельный фрезерный ЧПУ станок

Самодельный ЧПУ фрезерный станок: подробности процесса сборки, обзор нужных комплектов и наборов, личный опыт. Откроем секреты сборки станка своими руками.

Идеи изделий на ЧПУ станке

Получив первые навыки эксплуатации сложного устройства, его владелец, наконец, задумывается: как заработать на станке с ЧПУ, имея стабильную прибыль.

Выбор шпинделя для фрезерного станка с ЧПУ

Как выбрать шпиндель для фрезерного станка с ЧПУ ? ИХ классификация, охлаждение, способы фрезеровки, мощность, и другая полезная информация.

Прямо сейчас смотрят

Гравировальный

Как работает фрезерно-гравировальный станок с ЧПУ по дереву?

Какие операции может выполнять фрезерно-гравировальный станок с ЧПУ по дереву? Технические характеристики оборудования Cutter.

Лазерный

Особенности и сборка своими руками лазерного станка ЧПУ

Качественные лазерные ЧПУ станки: как сделать своими руками в домашних условиях, тонкости настройки и правильная работа на готовом агрегате.

Токарный

Технические данные токарного станка ИЖ 1И611П

Токарный станок ИЖ 1И611П: предназначение, сфера применения. Конструктивные особенности оборудования и технические характеристики. Правила использования.

Токарный

Технические характеристики, классификация и конструкция токарного кулачкового патрона

Патрон токарный кулачковый: описание, схема. Разновидности по типу зажима, фиксации, исполнению, классу точности. Как самостоятельно сделать патрон.

Фрезерный

Описание и характеристика вертикально-фрезерного станка с ЧПУ 6р13ф3

Вертикально-фрезерный станок 6Р13Ф3 предназначается для обработки разнообразных деталей сложного профиля в среднесерийном и мелкосерийном производстве.

Гравировальный

Какие характеристики имеет настольный фрезерно-гравировальный станок с ЧПУ?

Устройство настольных фрезерно-гравировальных станков с ЧПУ. Технические характеристики оборудования.

Токарный

Технические характеристики токарного станка 16У04П, инструкция по эксплуатации

Токарный-винторезный станок повышенной точности16У04П. Назначение, область применения станка. Габаритные размеры рабочего пространства, схемы.

Фрезерный

Процесс фрезеровки печатных плат на станках ЧПУ

Большинство радиолюбителей имеют в арсенале фрезерный станок. Они не пользуются заводскими платами, считая делом чести, чтобы была изготовлена печатная плата на ЧПУ собственноручно – в домашних условиях.

Фрезерный

Как разобраться в выборе фрезерно гравировального станка с ЧПУ

Фрезерно гравировальный станок с ЧПУ эффективен для резки, фрезерования, гравировки заготовок. Как правильно его выбрать, особенности работы.

Вопрос-Ответ

Пошаговая инструкция сборки станка с ЧПУ своими руками

Если у человека появилось желание собрать станки с ЧПУ своими руками, тот должен иметь определённые навыки, уметь ориентироваться в технической документации, и готовность научиться чему-то у других умельцев.

Справочник – 163 Retail Park

СУПЕРМАРКЕТ / ПРОДАВОЧНАЯ МАТЕРИАЛ

Freshan
2F-18

Jaya Grocer
LG1-07

ЕДА И НАПИТКИ

All About Chew
LG1-22

BHC Цыпленок
1F-06

Bisou Bake Shop
GF-07a

Батончики с соком Boost
LG1-23

Caf é Deli от El Mesón
GF-16

CC от Mel
GF-05

Chatterbox HK
2F-19

Choo’s Kitchen
LG1-01

Cocolicious 90 006
LG1-27c

Coffea Coffee
1F-16

Crust by Patty & Pie
1F-17

Fat Delights
LG1-08

Хотпот Fei Fan
1F-09

Hong Kong Ban Джеом
2F-16

Ичибан Рамен
LG1-09

Внутри совок
GF-07

Я люблю Ю!
LG1-11

Kanbe
GF-08

Kenny Hills Coffee
GFK-01

Krispy Kreme Тесто орехи
LG1-27

Лаванда
LG1-19

Lilibet
LG1-20a

Lisette’s Café & Bakery
GF-18

llao llao
LG1-20

Истинно малазийская кухня мадам Кван
GF-01

Mo-Mo Paradise
1F-02

Nguyen’s
1F-15

Остерия Эмилия
GF-19

Paradise Dynasty
1F-19

Пенанг Ньонья
LG1-17

QingHeGu
2F-17

9 0005 Rakuzen
1F-18

ПРАВАЯ СТОРОНА
GF-02

Паста Rebel
1F-10 и 11

Rocket Kitchen
LG1-07a

Savory Kitchen
LG1-27a

Пекарня «Штрудель»
LG1-27b

Stuff’d
LG1-25

Sukiya Tokyo Bowls & Noodles
LG1-10

Tealive
LG1-21

The Brew House
GF-09

Толстая рыба
GF-06

The Fish Bowl Poke Shop
LG1-07b

The Social
GF-17

Tonkatsu by Ma Maison
GF-03

Венчик
GF-10

Венчик
GF-09a

WOK HEY
LG1-28

ЗДОРОВЬЕ И КРАСОТА

1991 Skincare Personal Wellness
2F-15a 9 0008

Aeon Wellness
LG1-15

Мигание
2F-06

Garden Nail Spa
2F-05

Hair +
LG2-07

IMM Carehub
2F-08

Парикмахерская Joesayap
2F-11

KL Стоматология
2F-10a

LAC
LG1-02

Крепление
2F-10

SOUL by MJ Physio & Rehab
M-02

Клиника Murall
2F-09

Национальная аптека
LG2-06

Пурас
LG1-01a

Рестайл
2F-12

SaSa
LG1-13

Sothys
2F-03

Спа-салон Urban Retreat
2F-02

Walking On Sunshine
1F-01

Watsons
GF-13

ДЕТСКОЕ ОБРАЗОВАНИЕ 900 03

Блок Спейс
2Ф-13

Хэппи Фиш
3F-03a

Kids Nation
3F-06, 07 и 08

Mum n Kids Discovery Club
3F-01

FITNESS

FLYPROJECT
3A-02

HIITREBEL
3A-02a

Life Hot Yoga
3A-01

SPECIALTY

AD Sports
GF-12

Blue Ice Skating Каток
3F-03

Bonzour Home
LG1K-01

Cars International
P-01

Cigars Lounge
GF-11

Corgi Fashion
1F-13

9 0004 Cuir
LG1-05

Daiso
LG2-01

Do Arena
R-01

Favory Home & Living
1F-08

Flambe
2F-07

9000 5 GLK Birdnest
2F-11a

Golden Screen Cinemas
3F-02

Kiara Optometry
1F-03a

Кухонный магазин
LG1-16

Kontime
1F-03

Магазин фруктов MBG
LG1-26

Мега Экспресс
LG2-05

Mr DIY
3F-01a

Mr. Professional
LG2-10

MuXinAi 9000 6
1F-05

myMoneyshop
LG1-08a

myNEWS
LG1-18

Pets Wonderland
LG2-02 и 03

R Tech
LG2-09

900 05 Samsung
LG1-12

Видел Подпись
LG1-03

S&J Co.
LG1-06

Игрушки «R» США
2F-01

Веточки
1F-12

9 0005 Городская Республика
GF-15

За Альтера
LG2- 08

Байесовские сетевые классификаторы | SpringerLink

Байесовские сетевые классификаторы

Скачать PDF

Скачать PDF

• Опубликовано: ноябрь 1997 г.

• Нир Фридман ¹ ,
• Дэн Гейгер ² и
• Мойзес Гольдшмидт ³  

Машинное обучение том 29 , страницы 131–163 (1997 г.)Процитировать эту статью

• 28 тыс. обращений

• 3144 Цитаты

• 10 Альтметрический

• Детали показателей

Abstract

Недавняя работа в области обучения с учителем показала, что удивительно простой байесовский классификатор с сильными предположениями о независимости признаков, называемый наивным байесовским классификатором, может конкурировать с самыми современными классификаторами, такими как C4.

5. Этот факт поднимает вопрос о том, может ли классификатор с менее строгими предположениями работать еще лучше. В этой статье мы оцениваем подходы к созданию классификаторов на основе данных, основанные на теории обучения байесовских сетей. Эти сети представляют собой факторизованные представления распределений вероятностей, которые обобщают наивный байесовский классификатор и явно представляют утверждения о независимости. Среди этих подходов мы выделяем метод, который мы называем наивным байесовским методом, дополненным деревом (TAN), который превосходит наивный байесовский подход, но в то же время сохраняет вычислительную простоту (без поиска) и надежность, которые характеризуют наивный байесовский метод. Мы экспериментально проверили эти подходы, используя задачи из репозитория Калифорнийского университета в Ирвине, и сравнили их с C4.5, наивным байесовским методом и методами-оболочками для выбора признаков.

Скачайте, чтобы прочитать полный текст статьи

Ссылки

• Биндер, Дж. , Д. Коллер, С. Рассел и К. Канадзава (1997). Адаптивные вероятностные сети со скрытыми переменными. Машинное обучение , этот выпуск .

• Bouckaert, RR (1994). Свойства алгоритмов обучения байесовских сетей. В R. López de Mantarás & D. Poole (Eds.), Proceedings of the Tenth Conference on Uncertainty in Artificial Intelligence (стр. 102–109). Сан-Франциско, Калифорния: Морган Кауфманн.

  Google Scholar

• Бантин, В. (1991). Уточнение теории на байесовских сетях. В BD D’Ambrosio, P. Smets и PP Bonissone (Eds.), Proceedings of the Seventh Annual Conference on Uncertainty Artificial Intelligence (стр. 52–60). Сан-Франциско, Калифорния: Морган Кауфманн.

  Google Scholar

• Бантин, В. (1996). Путеводитель по литературе по изучению вероятностных сетей по данным. IEEE Trans. по знаниям и инженерии данных , 8 , 195–210.

  Google Scholar

• Честник Б. (1990). Оценка вероятностей: важнейшая задача машинного обучения. В LC Aiello (Ed.), Труды 9-й Европейской конференции по искусственному интеллекту (стр. 147–149). Лондон: Питман.

  Google Scholar

• Чикеринг Д.М. (1995). Изучение байесовских сетей является NP-полным. В Д. Фишер и А. Ленц, Обучение на основе данных . Спрингер-Верлаг.

• Чикеринг, Д. М. и Д. Хекерман (1996). Эффективные приближения предельной вероятности неполных данных для байесовской сети. В E. Horvits & F. Jensen (Eds.), Труды Двенадцатой конференции по неопределенности в искусственном интеллекте (стр. 158–168). Сан-Франциско, Калифорния: Морган Кауфманн.

  Google Scholar

• Чоу, CK & CN Liu (1968). Аппроксимация дискретных распределений вероятностей деревьями зависимостей. IEEE Trans. в информации. Теория , 14 , 462–467.

  Google Scholar

• Купер, Г. Ф. и Э. Херсковиц (1992). Байесовский метод построения вероятностных сетей по данным. Машинное обучение , 9 , 309–347.

  Google Scholar

• Кормен, Т. Х., К. Э. Лейзерсон и Р. Л. Ривест (1990). Введение в алгоритмы . Кембридж, Массачусетс: MIT Press.

  Google Scholar

• Обложка, Т. М. и Дж. А. Томас (1991). Элементы теории информации . Нью-Йорк: Джон Уайли и сыновья.

  Google Scholar

• Давид, А. П. (1976). Свойства распределений диагностических данных. Биометрия , 32 , 647–658.

  Google Scholar

• ДеГрут, М. Х. (1970). Оптимальные статистические решения . Нью-Йорк: Макгроу-Хилл.

  Google Scholar

• Домингос, П. и М. Паццани (1996). За пределами независимости: условия оптимальности простого байесовского классификатора. В Л. Сайтта (ред.), Материалы Тринадцатой международной конференции по машинному обучению (стр. 105–112). Сан-Франциско, Калифорния: Морган Кауфманн.

  Google Scholar

• Догерти, Дж., Р. Кохави и М. Сахами (1995). Контролируемая и неконтролируемая дискретизация непрерывных признаков. В А. Приедитис и С. Рассел (редакторы), Труды Двенадцатой международной конференции по машинному обучению (стр. 194–202). Сан-Франциско, Калифорния: Морган Кауфманн.

  Google Scholar

• Дуда, Р. О. и П. Е. Харт (1973). Классификация шаблонов и анализ сцен . Нью-Йорк: Джон Уайли и сыновья.

  Google Scholar

• Эдзава, К. Дж. и Т. Шуерманн (1995). Обнаружение мошенничества / безнадежной задолженности с использованием системы обучения на основе байесовской сети: редкий двоичный результат со смешанными структурами данных. В П. Беснарда и С. Хэнкса (ред.), Материалы одиннадцатой конференции по неопределенности в искусственном интеллекте (стр. 157–166). Сан-Франциско, Калифорния: Морган Кауфманн.

  Google Scholar

• Файяд, У. М. и К. Б. Ирани (1993). Многоинтервальная дискретизация непрерывных атрибутов для обучения классификации. В Трудах Тринадцатой Международной объединенной конференции по искусственному интеллекту (стр. 1022–1027). Сан-Франциско, Калифорния: Морган Кауфманн.

  Google Scholar

• Фридман, Дж. (1997a). О смещении, дисперсии, потерях 0/1 и проклятии размерности. Интеллектуальный анализ данных и обнаружение знаний , 1 , 55–77.

  Google Scholar

• Фридман, Н. (1997b). Изучение сетей убеждений при наличии пропущенных значений и скрытых переменных. В D. Fisher (Ed.), Proceedings of the Fourteen International Conference on Machine Learning (стр. 125–133). Сан-Франциско, Калифорния: Морган Кауфманн.

  Google Scholar

• Фридман, Н. и М. Гольдшмидт (1996a). Построение классификаторов с использованием байесовских сетей. В материалах Национальной конференции по искусственному интеллекту (стр. 1277–1284). Менло-Парк, Калифорния: AAAI Press.

  Google Scholar

• Фридман, Н. и М. Гольдшмидт (1996b). Дискретизация непрерывных атрибутов при обучении байесовских сетей. В Л. Сайтта (ред.), Материалы Тринадцатой международной конференции по машинному обучению (стр. 157–165). Сан-Франциско, Калифорния: Морган Кауфманн.

  Google Scholar

• Фридман, Н. и М. Гольдшмидт (1996c). Изучение байесовских сетей с локальной структурой. В Э. Хорвитс и Ф. Дженсен (ред.), Труды Двенадцатой конференции по неопределенности в искусственном интеллекте (стр. 252–262). Сан-Франциско, Калифорния: Морган Кауфманн.

  Google Scholar

• Гейгер, Д. (1992). Алгоритм обучения байесовских условных деревьев на основе энтропии. В D. Dubois, MP Wellman, BD D’Ambrosio и P. Smets (Eds.), Proceedings of the Eighth Annual Conference on Uncertainty Artificial Intelligence (стр. 92–97). Сан-Франциско, Калифорния: Морган Кауфманн.

  Google Scholar

• Гейгер, Д. и Д. Хекерман (1996). Представление знаний и вывод в сетях подобия и байесовских мультисетях. Искусственный интеллект , 82 , 45–74.

  Google Scholar

• Гейгер Д., Д. Хекерман и К. Мик (1996). Выбор асимптотической модели для ориентированных графов со скрытыми переменными. В Э. Хорвитс и Ф. Дженсен (ред.), Труды Двенадцатой конференции по неопределенности в искусственном интеллекте (стр. 283–29).0). Сан-Франциско, Калифорния: Морган Кауфманн.

  Google Scholar

• Хекерман, Д. (1991). Вероятностные сети подобия . Кембридж, Массачусетс: MIT Press.

  Google Scholar

• Хекерман, Д. (1995). Учебник по изучению байесовских сетей. Технический отчет MSR-TR–95–06, Microsoft Research.

• Хекерман, Д. и Д. Гейгер (1995). Изучение байесовских сетей: объединение дискретных и гауссовских областей. В P. Besnard & S. Hanks (Eds.), Труды одиннадцатой конференции по неопределенности в искусственном интеллекте (стр. 274–284). Сан-Франциско, Калифорния: Морган Кауфманн.

  Google Scholar

• Хекерман, Д., Д. Гейгер и Д. М. Чикеринг (1995). Изучение байесовских сетей: сочетание знаний и статистических данных. Машинное обучение , 20 , 197–243.

  Google Scholar

• Джон, Г. и Р. Кохави (1997). Обертки для выбора подмножества функций. Искусственный интеллект . Принят к публикации. Предварительная версия появляется в Proceedings of the Eleventh International Conference on Machine Learning , 1994, стр. 121–129, под заголовком «Нерелевантные функции и проблема выбора подмножества».

• Джон, Г. Х. и П. Лэнгли (1995). Оценка непрерывных распределений в байесовских классификаторах. В P. Besnard & S. Hanks (Eds.), Труды одиннадцатой конференции по неопределенности в искусственном интеллекте (стр. 338–345). Сан-Франциско, Калифорния: Морган Кауфманн.

  Google Scholar

• Кохави, Р. (1995). Изучение перекрестной проверки и начальной загрузки для оценки точности и выбора модели. In Материалы четырнадцатой Международной объединенной конференции по искусственному интеллекту (стр. 1137–1143). Сан-Франциско, Калифорния: Морган Кауфманн.

  Google Scholar

• Кохави Р., Г. Джон, Р. Лонг, Д. Мэнли и К. Пфлегер (1994). MLC++: библиотека машинного обучения на C++. В проц. Шестая международная конференция по инструментам с искусственным интеллектом (стр. 740–743). Пресса компьютерного общества IEEE.

• Кононенко И. (1991). Полунаивный байесовский классификатор. В Ю. Кодратов (ред.), Проц. Шестая европейская рабочая сессия по обучению (стр. 206–219). Берлин: Springer-Verlag.

  Google Scholar

• Кульбак, С. и Р. А. Лейблер (1951). Об информативности и достаточности. Анналы математической статистики , 22 , 76–86.

  Google Scholar

• Лам, В. и Ф. Бахус (1994). Изучение байесовских сетей убеждений. Подход, основанный на принципе MDL. Вычислительный интеллект , 10 , 269–293.

  Google Scholar

• Лэнгли, П., В. Иба и К. Томпсон (1992). Анализ байесовских классификаторов. В материалах , Десятая национальная конференция по искусственному интеллекту (стр. 223–228). Менло-Парк, Калифорния: AAAI Press.

  Google Scholar

• Лэнгли, П. и С. Сейдж (1994). Индукция селективных байесовских классификаторов. В Р. Лопес де Мантарас и Д. Пул (ред.), Материалы Десятой конференции по неопределенности в искусственном интеллекте (стр. 399–406). Сан-Франциско, Калифорния: Морган Кауфманн.

  Google Scholar

• Лауритцен, С.Л. (1995). Алгоритм EM для графических ассоциативных моделей с отсутствующими данными. Вычислительная статистика и анализ данных , 19 , 191–201.

  Google Scholar

• Льюис, П. М. (1959). Аппроксимация вероятностных распределений для снижения требований к хранению. Информация и контроль , 2 , 214–225.

  Google Scholar

• Мерфи, П. М. и Д. В. Аха (1995). Репозиторий баз данных машинного обучения UCI. http://www.ics.uci. edu/~mlearn/MLRepository.html.

• Паццани, М. Дж. (1995). Поиск зависимостей в байесовских классификаторах. В Д. Фишер и Х. Ленц (ред.), Материалы пятого Международного семинара по искусственному интеллекту и статистике , Ft. Лодердейл, Флорида.

• Перл, Дж. (1988). Вероятностное мышление в интеллектуальных системах . Сан-Франциско, Калифорния: Морган Кауфманн.

  Google Scholar

• Куинлан, Дж. Р. (1993). C4.5: программы для машинного обучения . Сан-Франциско, Калифорния: Морган Кауфманн.

  Google Scholar

• Рипли, Б.Д. (1996). Распознавание образов и нейронные сети . Кембридж: Издательство Кембриджского университета.

  Google Scholar

• Риссанен, Дж. (1978). Моделирование по кратчайшему описанию данных. Автоматика , 14 , 465–471.

  Google Scholar

• Рубин, Д. Р. (1976). Вывод и недостающие данные. Биометрика , 63 , 581–592.

  Google Scholar

• Сингх, М. и Г.М. Прован (1995). Сравнение алгоритмов индукции для селективных и неселективных байесовских классификаторов. В А. Приедитис и С. Рассел (редакторы), Труды Двенадцатой международной конференции по машинному обучению (стр. 497–505). Сан-Франциско, Калифорния: Морган Кауфманн.

  Google Scholar

• Сингх, М. и Г. М. Прован (1996). Эффективное изучение селективных байесовских сетевых классификаторов. В L. Saitta (Ed.), Материалы тринадцатой Международной конференции по машинному обучению (стр. 453–461). Сан-Франциско, Калифорния: Морган Кауфманн.

  Google Scholar

• Шпигельхальтер, Д. Дж., А. П. Давид, С. Л. Лауритцен и Р. Г. Коуэлл (1993). Байесовский анализ в экспертных системах. Статистические науки , 8 , 219–283.

  Google Scholar

• Судзуки, Дж. (1993). Построение байесовских сетей из баз данных на основе схемы MDL. В Д. Хекерман и А. Мамдани (редакторы), Труды Девятой конференции по неопределенности в искусственном интеллекте (стр. 266–273). Сан-Франциско, Калифорния: Морган Кауфманн.

  Google Scholar

Скачать ссылки

Информация об авторе

Авторы и организации

1. Отдел компьютерных наук Калифорнийского университета, 387 Soda Hall, Berkeley, CA, 94720

   Нир Фридман

2. 90 004 Департамент компьютерных наук, Технион, Хайфа, Израиль, 32000

   Dan Geiger

3. SRI International, 333 Ravenswood Ave.