🧚 Express-Yourself before join the team
Please pick one you're interested in, and send me your solution or attempt.
Tokenization
对于一个文本序列X，现有的tokenization方法（分词方法）有很多种，比如byte-pair encoding、SentencePiece、jieba。以下面3个例子为例，展示不同tokenization方法对于X的不同结果；并用最简单的语言和方式展示不同tokenization方法的逻辑和你的计算过程。
X = "ABCDABCDBCDBCDDABCDEFEFBCDCDEFEF"
X = "面对三体、面对地球文明前所未有的危局，人类组建起庞大的太空舰队。同时行星防御理事会（PDC）利用三体人思维透明的特点，制定了面壁计划。"
X = "Around this time he also began to develop, and has since been considered a founder of, algorithmic complexity theory – often referred to as Kolmogorov complexity theory."
蛋白质序列中的
梯元分布
选定5个物种，将它的所有蛋白序列取出（如果所有序列太多的话，只取一部分，但是总长度需大于1MB）。数据可以从这里查 https://www.uniprot.org/
用梯径计算出你取出的这些序列的梯元，然后画出梯元的数量分布（横坐标是梯元的长度，纵坐标是这些梯元的频率，log-log scale）。
这里面有一些问题需要注意和讨论：1. 找到梯元后，怎么去数它们出现的频率；2. 梯径分析中，每个梯元会对应一个重数，这个重数和频率会有什么关系。
Alumni & Visiting Students
张泽成（生物学）
Daniel Hjerpe（应用数学）
唐绍华（系统分析与集成）
牛晓杰（教育技术学）🏡
蔡雅琪（智能科学与技术）
吴鑫霖（系统科学）
肖辉（系统科学）
汪显意（系统科学）
董佳欣（系统科学）
刘冰宁（数学）
张译方（数学）
朱应俊（统计学）
许卓莹（统计学）
阙林婕（数学）
彭韵茹（大数据&物理学）
Having Fun
