SilenceHell
SilenceHell

机器学习实战学习笔记一

一.误差
机器学习实战学习笔记一_第1张图片

机器学习实战学习笔记一_第2张图片
机器学习实战学习笔记一_第3张图片

机器学习实战学习笔记一_第4张图片

讲的很不错，我最初学机器学习就是看吴恩达的课程，当初他就讲了平方项误差是由高斯分布通过极大似然求得的，当时还不是特别理解，之后很多的教材也没有对这方面进行解释，没想到这里给推导了一遍，很不错。

机器学习实战学习笔记一_第5张图片
这张幻灯片有一个问题， X θ X\theta Xθ都是列变量是不能相乘的，这里应该有一个转置。
注意：能用这个方式直接求出结果的条件很苛刻那就是 X T X X^TX XTX必须是非奇异矩阵，大部分实际条件下，这个条件并不满足，所以我们并不这样用。

机器学习实战学习笔记一_第6张图片
这里的评估方法没有直接使用残差平方和，而使用了一个比值。

二.梯度下降
机器学习实战学习笔记一_第7张图片

机器学习实战学习笔记一_第8张图片

机器学习实战学习笔记一_第9张图片

机器学习实战学习笔记一_第10张图片

梯度下降算法这部分没有讲好，并没有讲梯度下降算法是怎么推导出来的，在机器学习基石视屏里面这个有详细的推导。

三.逻辑回归
机器学习实战学习笔记一_第11张图片

机器学习实战学习笔记一_第12张图片
机器学习实战学习笔记一_第13张图片
机器学习实战学习笔记一_第14张图片
机器学习实战学习笔记一_第15张图片
上面这几张图虽然精简但是将逻辑回归讲的非常全面了

以上图片来自：唐宇迪大数据分析与机器学习
侵删

你可能感兴趣的:(机器学习实战学习笔记)

  • 机器学习实战——分类及性能测量完整案例（建议收藏慢慢品） Dream丶Killer 机器学习数据挖掘机器学习人工智能python大数据
    文章目录1.获取数据2.训练二元分类器3.性能测量3.1交叉验证测量准确率3.2混淆矩阵3.3精度和召回率3.4F1F_1F1分数3.5精度/召回率权衡3.6ROC曲线4.多类分类器5.误差分析6.多标签分类7.多输出分类写在前面参考书籍：Hands-OnMachineLearningwithScikit-Learn,Keras,andTensorFlow❤本文为机器学习实战学习笔记，主要内容为第
  • 【机器学习实战学习笔记】基于概率论的分类方法——朴素贝叶斯 JYNjyn666 机器学习实战学习笔记机器学习python
    朴素贝叶斯基本思想特点一般过程示例1基本思想朴素贝叶斯的基本思想就是选择高概率对应的类别，即如果有两类，若p1(x,y)>p2(x,y)，则分类类别为1若p1(x,y)
  • 机器学习实战学习笔记（十）使用Apriori算法进行关联分析 Hold_My_Own 机器学习Apriori机器学习
    PS：该系列数据都可以在图灵社区（点击此链接）中随书下载中下载（如下）  从大规模数据集中寻找物品间的隐含关系被称作关联分析（associationanalysis）或者关联规则学习（associationrulelearning）。1关联分析Apriori算法优点：易编码实现。缺点：在大数据集上可能较慢。使用数据类型：数值型或者标称型数据。  关联分析是一种在大规模数据集中寻找有趣关系的任务。这
  • 机器学习实战学习笔记（九）K-均值聚类算法 Hold_My_Own 机器学习K-Means聚类机器学习
    PS：该系列数据都可以在图灵社区（点击此链接）中随书下载中下载（如下）  聚类是一种无监督的学习，它将相似的对象归到同一个簇中。它有点像全自动分类，聚类方法几乎可以应用于所有对象，簇内的对象越相似，聚类的效果越好。K-均值（K-means）聚类算法，之所以称之为K-均值是因为它可以发现k个不同的簇，且每个簇的中心采用簇中所含值的均值计算而成。  簇识别（clusteridentification）
  • Peter 机器学习实战学习笔记（1） Liker79 机器学习学习矩阵
    shape的简单理解一、shape可以获取数组或矩阵的大小信息（矩阵的行数，列数，数组每一维的元素个数）在矩阵中shape[0]可以获取行数，shape[1]可以获取列数二、numpy中的tilenp.tile()本着函数取名必有所依的原理，博主百度了一下tile的英文意思，发现tile有平铺的意思。1.沿X轴复制在numpy中，np.tile（a,(2)）函数的作用就是将函数将函数沿着X轴扩大两
  • 机器学习实战学习笔记（七）预测数值型数据：回归 Hold_My_Own 机器学习回归预测数值型数据机器学习
    PS：该系列数据都可以在图灵社区（点击此链接）中随书下载中下载（如下）1用线性回归找到最佳拟合直线线性回归优点：结果易于理解，计算上不复杂。缺点：对非线性的数据拟合不好。适用数据类型：数值型和标称型数据。  假定输入数据存放在矩阵XXX中，而回归系数存放在向量www中。那么对于给定的数据X1X_1X1，预测结果将会通过Y1=X1TwY_1=X_1^TwY1=X1Tw给出。我们常用的方法极速找出使误
  • 机器学习实战学习笔记11——FP-growth 算法 飞鸟2010 python学习笔记python机器学习FP-growth
    1.FP-growth算法概述1.1FP-growth算法介绍FP-Growth算法是韩家炜等人在2000年提出的关联分析算法，它采取分治策略：将提供频繁项集的数据库压缩到一棵频繁模式树（FP-tree），但仍保留项集关联信息。1.2FP-growth算法原理FP-growth算法使用了一种称为频繁模式树（FrequentPatternTree）的数据结构。FP-tree是一种特殊的前缀树，由频繁
  • 机器学习实战学习笔记（五）支持向量机 Hold_My_Own 机器学习
    PS：该系列数据都可以在图灵社区（点击此链接）中随书下载中下载（如下）1基于最大间隔分隔数据支持向量机（SupportVectorMachines,SVM）优点：泛化错误率低，计算开销不大，结果易于解释。缺点：对参数调节和核函数的选择敏感，原始分类器不加修改仅适用于处理二类问题。使用数据类型：数值型和标称型数据。  假设给定一个特征空间上的训练数据集T={(x1,y1),(x2,y2),...,(
  • 机器学习实战学习笔记4——奇异值分解（SVD） 飞鸟2010 python学习笔记机器学习
    1.SVD算法概述1.1SVD算法介绍奇异值分解（SingularValueDecomposition）算法，可以将数据映射到低维空间，常用于从有噪声数据中抽取相关特征。1.2SVD算法原理（1）先利用SVD从数据中构建一个主题空间；（2）然后在该空间下计算相似度；1.3SVD算法优缺点（1）优点：简化数据，去除噪声，提高算法的结果（2）缺点：数据的转换可能难以理解（3）应用：最优化问题、特征值问
  • 【机器学习实战学习笔记(1-2)】k-近邻算法应用实例python代码 进击的AI小白 机器学习
    文章目录1.改进约会网站匹配效果1.1准备数据：从文本文件中解析数据1.2分析数据：使用Matplotlib创建散点图1.3准备数据：归一化特征1.4测试算法：作为完整程序验证分类器1.5使用算法：构建完成可用系统2.手写识别系统2.1准备数据：将图像转换为测试向量2.2测试算法：使用k-近邻算法识别手写数字在上一篇文章中我们得到了基于欧式距离、多数表决规则，实现方法采用线性搜索法的k-近邻法cl
  • 机器学习实战学习笔记（十三）利用SVD简化数据 Hold_My_Own 机器学习svd机器学习
    PS：该系列数据都可以在图灵社区（点击此链接）中随书下载中下载（如下）1SVD的应用奇异值分解优点：简化数据，去除噪声，提高算法的结果。缺点：数据的转换可能难以理解。适用数据类型：数值型数据。1.1隐形语义索引  最早的SVD应用之一就是信息检索。我们称利用SVD的方法为隐性语义索引（LatentSemanticIndex,LSI）或隐性语义分析（LatentSemanticAnalysis，LS
  • 机器学习实战学习笔记（十二）利用PCA来简化数据 Hold_My_Own 机器学习
    PS：该系列数据都可以在图灵社区（点击此链接）中随书下载中下载（如下）1降维技术  对数据进行简化的原因：使得数据集更易使用；降低很多算法的计算开销；去除噪声；使得结果易懂。  主成分分析（PrincipalComponentAnalysis，PCA）：在PCA中，数据从原来的坐标系转换到了新的坐标系，新坐标系的选择是由数据本身决定的。第一个新坐标轴选择的是原始数据中方差最大的方向，第二个新坐标轴
  • 机器学习实战学习笔记（十一）使用FP-growth算法来高效发现频繁项集 Hold_My_Own 机器学习
    PS：该系列数据都可以在图灵社区（点击此链接）中随书下载中下载（如下）  FP-growth算法：比Apriori算法要快。它基于Apriori构建，但是在完成相同任务时采用了一些不同的技术。这里的任务是将数据集存储在一个特定的称作FP树的结构之后发现频繁项集或者频繁相对，即常在一块出现的元素项的集合FP树。这个算法能够更有效地挖掘数据。这种算法虽然能更为高效地发现频繁项集，但不能用于发现关联规则
  • 机器学习实战学习笔记（一） sakurakdx
    1.KNN算法描述简单来说：k-近邻算法(knn)采用测量不同特征值之间的距离算法进行分类优点：精度高、对异常值不敏感、无数据输入假定缺点：计算复杂度高、空间复杂度高适用数据范围：数值型和标称型工作原理：存在一个训练样本集，样本集中每个数据都存在标签。输入没有标签的新数据后，将新数据的每个特征与样本集中数据对应的特征进行比较，然后算法提取样本集中特征最相似（最近邻）的分类标签。一般来说，只选择样本
  • 机器学习实战学习笔记 ---- K-Means（K-均值）聚类算法 杨鑫newlfe MachineLearning
    聚类是一种无监督的学习，它将相似的对象归到一个簇中，将不相似的对象归到不同的簇中。相似这一概念取决于所选择的相似度计算方式。K-Means是发现给定数据集的K个簇的聚类算法，之所以称之为“K-均”值是因为它可以发现K个不同的簇，且每个簇的中心采用的所含值的均值计算而成。簇个数K是用户指定的，每一个簇通过其质心(centroid)，即簇中所有点的中心来描述。聚类与分类算法的最大区别在于，分类的目标类
  • 【机器学习实战学习笔记(2-2)】决策树python3.6实现及简单应用 siplifyit
    文章目录1.ID3及C4.5算法基础1.1计算香农熵1.2按照给定特征划分数据集1.3选择最优特征1.4多数表决实现2.基于ID3、C4.5生成算法创建决策树3.使用决策树进行分类4.存储决策树通过决策树原理及相关概念细节我们知道，决策树的学习算法主要包括3个步骤：特征选择、决策树生成算法、决策树剪枝，我们按照这个思路来一一实现相关功能。本文的实现目前主要涉及特征选择、ID3及C4.5算法。剪枝及
  • 【机器学习实战学习笔记(2-1)】决策树原理及相关概念细节 siplifyit
    文章目录1.决策树概述1.1基本概念1.2决策树学习概述2.特征选择2.1信息增益(informationgain)2.1.1熵(entropy)2.1.2条件熵(conditionalentropy)2.1.3信息增益计算2.2信息增益比(informationgainration)3.决策树的生成3.1ID3算法3.2C4.5算法4.决策树的剪枝1.决策树概述决策树(decisiontree)
  • 机器学习实战学习笔记 suuunnnyoy 学习笔记
    目录统计学习基本概念统计学习三要素1模型2策略（评价准则）损失函数和风险函数经验风险最小化和结构风险最小化一、分类1.K近邻1.1算法概述1.2算法一般流程：1.3算法要素1.3.1距离度量1.3.2k值的选择1.3.3分类决策规则1.4k近邻法的实现：kd树1.4.1构造kd树1.4.2搜索kd树1.5额外的2.决策树2.1算法概述2.2算法流程2.3特征选择2.3.1信息增益2.3.2信息增益
  • 机器学习实战学习笔记一 SilenceHell 机器学习实战学习笔记
    一.误差讲的很不错，我最初学机器学习就是看吴恩达的课程，当初他就讲了平方项误差是由高斯分布通过极大似然求得的，当时还不是特别理解，之后很多的教材也没有对这方面进行解释，没想到这里给推导了一遍，很不错。这张幻灯片有一个问题，XθX\thetaXθ都是列变量是不能相乘的，这里应该有一个转置。注意：能用这个方式直接求出结果的条件很苛刻那就是XTXX^TXXTX必须是非奇异矩阵，大部分实际条件下，这个条件
  • 机器学习实战学习笔记（二） 三年二班周杰伦 机器学习
    决策树。后面的CART会涉及到剪枝和回归。那个才是重点。这里就简单贴一下代码。frommathimportlog importoperator defcreateDataset(): dataSet=[[1,1,'yes'],[1,1,'yes'],[1,0,'no'],[0,1,'no'],[0,1,'no']] labels=['nosurfacing','flippers'] return
  • 机器学习实战学习笔记（一） 三年二班周杰伦 机器学习
    shape的用法numpy.tile()函数numpy.sum()的用法KNN算法和kmeans算法的异同numpy.argsort()字典的get方法python中iteritems()函数一开始看问题还是蛮多的，看python的基础语法看完就忘了，只有到真正需要用的时候才会了解到相应的用法。下面是带注释的代码。fromnumpyimport* importoperator fromosimpo
  • 机器学习实战学习笔记 infinitezechan 机器学习实战
    Chapter1机器学习基础NumPy函数库基础random.rand(4,4)上述命令构造了4*4的随机数组>>>random.rand(4,4) array([[0.0418002,0.20941796,0.68781548,0.32148814],[0.39318817,0.46766914,0.49318351,0.65444726],[0.33036255,0.70759215,0.59
  • 机器学习实战学习笔记（三）：朴素贝叶斯 test103 机器学习
    贝叶斯原理之所以称之为“朴素”，是因为整个形式化过程只做最原始、最简单的假设。优缺点-优点：在数据较少的情况下仍然有效，可以处理多类别问题。-确定：对于输入数据的准备方式比较敏感。-适用数据类型：标称型数据。入门示例二维坐标中，如果p1(x,y)>p2(x,y)，那么(x,y)属于类别1，否则属于类别2.共有7块石头，3块灰色的，4块黑色的p(gray)=3/7p(black)=4/7现在将7块石
  • 机器学习实战学习笔记（四）：Logistic回归 test103 机器学习
    逻辑回归逻辑回归分类的主要思想是：根据现有数据对分类边界线建立回归公式，以此进行分类。优缺点优点：计算代价不高，易于理解和实现。确定：容易欠拟合，分类精度可能不高。适用数据类型：数值型和标称型数据。核心概念sigma函数最大释然估计应用——从疝气病预测病马的死亡率这章不详细描述，请参考书中描述及这篇博客，写的很好（http://sbp810050504.blog.51cto.com/2799422
  • 机器学习实战学习笔记（二）：决策树 test103 机器学习
    决策树优缺点优点：计算复杂度不高，输出结果易于理解，对中间值的确实不敏感，可以处理不相关特征数据。缺点：可能会产生过度匹配问题。适用数据类型：数值型和标称型。原理树结构信息增益在划分数据集之前之后信息发生的变化称为信息增益。香农商集合信息的度量方式称为香农熵或者简称为熵，这个名字来源于信息论之父克劳德.香农。例子略实际中的应用——预测隐形眼镜类型隐形眼镜数据集是非常著名的数据集。构造树结构。
  • 机器学习实战学习笔记9——Logistic回归 飞鸟2010 python学习笔记机器学习
    1.logistic回归概述1.1logistic回归介绍Logistic回归是一种广义的线性回归分析模型,是研究二分类观察结果y与一些影响因素(x_1,x_2,…,x_n)之间关系的一种多变量分析方法。通常研究某些因素条件下某个结果是否发生，比如医学中根据症状来判断病人是否患有某种疾病。1.2Logistic回归原理Logistic回归进行分类的主要思想是：根据现有数据对分类边界线建立回归公式。
  • 机器学习实战学习笔记8——朴素贝叶斯 飞鸟2010 python学习笔记机器学习
    1.朴素贝叶斯概述1.1朴素贝叶斯介绍朴素贝叶斯（NaïveBayesian）是基于贝叶斯定理与特征条件独立假设的分类方法。朴素贝叶斯分类器基于一个简单的假设：给定目标值之间属性相互独立。1.2朴素贝叶斯工作原理假设有一个数据集，由两类组成，对于每个样本的分类，都是已知的。现在有一个新的点new_point(x,y),其分类未知。我们可以用p1(x,y)来表示数据点(x,y)属于类别1的概率；用p
  • 机器学习实战学习笔记7——Kmeans 飞鸟2010 python学习笔记机器学习
    1.Kmeans算法概述1.1Kmeans算法介绍Kmeans是发现给定数据集的K个簇的算法。簇个数K是用户给定的，每一个簇通过其质心，即簇中所有点的中心来描述。1.2Kmeans算法工作流程（1）创建K个质点作为起始质心；（2）当任意一个点的簇分配结果发生改变时：对数据集中的每个数据点对每个质心计算质心与数据点之间的距离将数据点分配到距其最近的簇对每一个簇，计算簇中所有点的均值并将均值作为质心1
  • 机器学习实战学习笔记6——AdaBoost 飞鸟2010 python学习笔记机器学习
    1.AdaBoost概述1.1AdaBoost介绍AdaBoost是一种迭代算法，其核心思想是针对同一训练集训练不同的分类器（弱分类器），然后把这些分类器集合起来，构成一个最终的强分类器。1.2AdaBoost优缺点（1）优点：泛化错误率低，易编码，可以应用在大部分分类器上，无需参数调整。（2）缺点：对离群点敏感。
  • 机器学习实战学习笔记3——支持向量机 飞鸟2010
    1.SVM算法概述1.1SVM简介支持向量机（SupportVectorMachine），是90年代中期发展起来的基于统计学习理论的一种机器学习方法，通过寻求结构化风险最小来提高学习机泛化能力，实现经验风险和置信范围的最小化，从而达到在统计样本量较少的情况下，亦能获得良好统计规律的目的。本身是一种监督式学习的方法，广泛应用于统计分类以及回归分析中。1.2SVM工作原理它使用非线性映射，将原训练数据
  • 对股票分析时要注意哪些主要因素？ 会飞的奇葩猪 股票 分析 云掌股吧
    　　众所周知，对散户投资者来说，股票技术分析是应战股市的核心武器，想学好股票的技术分析一定要知道哪些是重点学习的，其实非常简单，我们只要记住三个要素：成交量、价格趋势、振荡指标。     一、成交量 　　大盘的成交量状态。成交量大说明市场的获利机会较多，成交量小说明市场的获利机会较少。当沪市的成交量超过150亿时是强市市场状态，运用技术找综合买点较准；
  • 【Scala十八】视图界定与上下文界定 bit1129 scala
    Context Bound，上下文界定，是Scala为隐式参数引入的一种语法糖，使得隐式转换的编码更加简洁。   隐式参数 首先引入一个泛型函数max，用于取a和b的最大值 def max[T](a: T, b: T) = { if (a > b) a else b }  因为T是未知类型，只有运行时才会代入真正的类型，因此调用a >
  • C语言的分支——Object-C程序设计阅读有感 darkblue086 applec框架cocoa
    自从1972年贝尔实验室Dennis Ritchie开发了C语言，C语言已经有了很多版本和实现，从Borland到microsoft还是GNU、Apple都提供了不同时代的多种选择，我们知道C语言是基于Thompson开发的B语言的，Object-C是以SmallTalk-80为基础的。和C++不同的是，Object C并不是C的超集，因为有很多特性与C是不同的。 Object-C程序设计这本书
  • 去除浏览器对表单值的记忆 周凡杨 html记忆autocompleteform浏览
                                       &n
  • java的树形通讯录 g21121 java
    最近用到企业通讯录，虽然以前也开发过，但是用的是jsf，拼成的树形，及其笨重和难维护。后来就想到直接生成json格式字符串，页面上也好展现。 // 首先取出每个部门的联系人 for (int i = 0; i < depList.size(); i++) { List<Contacts> list = getContactList(depList.get(i
  • Nginx安装部署 510888780 nginxlinux
    Nginx ("engine x") 是一个高性能的 HTTP 和 反向代理 服务器，也是一个 IMAP/POP3/SMTP 代理服务器。 Nginx 是由 Igor Sysoev 为俄罗斯访问量第二的 Rambler.ru 站点开发的，第一个公开版本0.1.0发布于2004年10月4日。其将源代码以类BSD许可证的形式发布，因它的稳定性、丰富的功能集、示例配置文件和低系统资源
  • java servelet异步处理请求 墙头上一根草 ｊａｖａ异步返回ｓｅｒｖｌｅｔ
    servlet3.0以后支持异步处理请求，具体是使用AsyncContext ，包装httpservletRequest以及httpservletResponse具有异步的功能，        final AsyncContext ac = request.startAsync(request, response);   ac.s
  • 我的spring学习笔记8-Spring中Bean的实例化 aijuans Spring 3
    在Spring中要实例化一个Bean有几种方法： 1、最常用的（普通方法） <bean id="myBean" class="www.6e6.org.MyBean" /> 使用这样方法，按Spring就会使用Bean的默认构造方法，也就是把没有参数的构造方法来建立Bean实例。 （有构造方法的下个文细说） 2、还
  • 为Mysql创建最优的索引 annan211 mysql索引
    索引对于良好的性能非常关键，尤其是当数据规模越来越大的时候，索引的对性能的影响越发重要。 索引经常会被误解甚至忽略，而且经常被糟糕的设计。 索引优化应该是对查询性能优化最有效的手段了，索引能够轻易将查询性能提高几个数量级，最优的索引会比 较好的索引性能要好2个数量级。 1 索引的类型 (1) B-Tree 不出意外，这里提到的索引都是指 B-
  • 日期函数 百合不是茶 oraclesql日期函数查询
      ORACLE日期时间函数大全 TO_DATE格式(以时间:2007-11-02 13:45:25为例) Year: yy two digits 两位年 显示值:07 yyy three digits 三位年 显示值:007
  • 线程优先级 bijian1013 javathread多线程java多线程
    多线程运行时需要定义线程运行的先后顺序。 线程优先级是用数字表示，数字越大线程优先级越高，取值在1到10，默认优先级为5。 实例： package com.bijian.study; /** * 因为在代码段当中把线程B的优先级设置高于线程A,所以运行结果先执行线程B的run()方法后再执行线程A的run()方法 * 但在实际中，JAVA的优先级不准，强烈不建议用此方法来控制执
  • 适配器模式和代理模式的区别 bijian1013 java设计模式
    一.简介        适配器模式：适配器模式（英语：adapter pattern）有时候也称包装样式或者包装。将一个类的接口转接成用户所期待的。一个适配使得因接口不兼容而不能在一起工作的类工作在一起，做法是将类别自己的接口包裹在一个已存在的类中。      &nbs
  • 【持久化框架MyBatis3三】MyBatis3 SQL映射配置文件 bit1129 Mybatis3
     SQL映射配置文件一方面类似于Hibernate的映射配置文件，通过定义实体与关系表的列之间的对应关系。另一方面使用<select>,<insert>,<delete>，<update>元素定义增删改查的SQL语句， 这些元素包含三方面内容 1. 要执行的SQL语句 2. SQL语句的入参，比如查询条件 3. SQL语句的返回结果
  • oracle大数据表复制备份个人经验 bitcarter oracle大表备份大表数据复制
    前提：    数据库仓库A（就拿oracle11g为例）中有两个用户user1和user2,现在有user1中有表ldm_table1,且表ldm_table1有数据5千万以上，ldm_table1中的数据是从其他库B（数据源）中抽取过来的，前期业务理解不够或者需求有变，数据有变动需要重新从B中抽取数据到A库表ldm_table1中。    
  • HTTP加速器varnish安装小记 ronin47 http varnish 加速
    上午共享的那个varnish安装手册，个人看了下，有点不知所云，好吧~看来还是先安装玩玩！ 苦逼公司服务器没法连外网，不能用什么wget或yum命令直接下载安装，每每看到别人博客贴出的在线安装代码时，总有一股羡慕嫉妒“恨”冒了出来。。。好吧，既然没法上外网，那只能麻烦点通过下载源码来编译安装了！ Varnish 3.0.4下载地址： http://repo.varnish-cache.org/
  • java-73-输入一个字符串，输出该字符串中对称的子字符串的最大长度 bylijinnan java
    public class LongestSymmtricalLength { /* * Q75题目：输入一个字符串，输出该字符串中对称的子字符串的最大长度。 * 比如输入字符串“google”，由于该字符串里最长的对称子字符串是“goog”，因此输出4。 */ public static void main(String[] args) { Str
  • 学习编程的一点感想 Cb123456 编程感想Gis
           写点感想，总结一些，也顺便激励一些自己.现在就是复习阶段，也做做项目.      本专业是GIS专业，当初觉得本专业太水，靠这个会活不下去的，所以就报了培训班。学习的时候，进入状态很慢，而且当初进去的时候，已经上到Java高级阶段了，所以.....，呵呵，之后有点感觉了，不过，还是不好好写代码，还眼高手低的，有
  • [能源与安全]美国与中国 comsci 能源
         现在有一个局面：地球上的石油只剩下N桶，这些油只够让中国和美国这两个国家中的一个顺利过渡到宇宙时代，但是如果这两个国家为争夺这些石油而发生战争，其结果是两个国家都无法平稳过渡到宇宙时代。。。。而且在战争中，剩下的石油也会被快速消耗在战争中，结果是两败俱伤。。。       在这个大
  • SEMI-JOIN执行计划突然变成HASH JOIN了 的原因分析 cwqcwqmax9 oracle
    甲说： A B两个表总数据量都很大，在百万以上。 idx1  idx2字段表示是索引字段 A B 两表上都有 col1字段表示普通字段 select xxx from A where A.idx1 between mmm and nnn      and exists (select 1 from B where B.idx2 =
  • SpringMVC-ajax返回值乱码解决方案 dashuaifu AjaxspringMVCresponse中文乱码
      SpringMVC-ajax返回值乱码解决方案   一：（自己总结，测试过可行） ajax返回如果含有中文汉字，则使用：（如下例：） @RequestMapping(value="/xxx.do")       public @ResponseBody void getPunishReasonB
  • Linux系统中查看日志的常用命令 dcj3sjt126com OS
    因为在日常的工作中，出问题的时候查看日志是每个管理员的习惯，作为初学者，为了以后的需要，我今天将下面这些查看命令共享给各位 cat tail -f 日 志 文 件 说 明 /var/log/message 系统启动后的信息和错误日志，是Red Hat Linux中最常用的日志之一 /var/log/secure 与安全相关的日志信息 /var/log/maillog 与邮件相关的日志信
  • [应用结构]应用 dcj3sjt126com PHPyii2
    应用主体 应用主体是管理 Yii 应用系统整体结构和生命周期的对象。 每个Yii应用系统只能包含一个应用主体，应用主体在 入口脚本中创建并能通过表达式 \Yii::$app 全局范围内访问。 补充: 当我们说"一个应用"，它可能是一个应用主体对象，也可能是一个应用系统，是根据上下文来决定[译：中文为避免歧义，Application翻译为应
  • assertThat用法 eksliang JUnitassertThat
    junit4.0  assertThat用法 一般匹配符1、assertThat( testedNumber, allOf( greaterThan(8), lessThan(16) ) ); 注释： allOf匹配符表明如果接下来的所有条件必须都成立测试才通过，相当于“与”（&&） 2、assertThat( testedNumber, anyOf( g
  • android点滴2 gundumw100 应用服务器android网络应用OSHTC
    如何让Drawable绕着中心旋转？ Animation a = new RotateAnimation(0.0f, 360.0f, Animation.RELATIVE_TO_SELF, 0.5f, Animation.RELATIVE_TO_SELF,0.5f); a.setRepeatCount(-1); a.setDuration(1000); 如何控制Andro
  • 超简洁的CSS下拉菜单 ini htmlWeb工作html5css
    效果体验：http://hovertree.com/texiao/css/3.htmHTML文件： <!DOCTYPE html> <html xmlns="http://www.w3.org/1999/xhtml"> <head> <title>简洁的HTML+CSS下拉菜单-HoverTree</title>
  • kafka consumer防止数据丢失 kane_xie kafkaoffset commit
    kafka最初是被LinkedIn设计用来处理log的分布式消息系统，因此它的着眼点不在数据的安全性（log偶尔丢几条无所谓），换句话说kafka并不能完全保证数据不丢失。   尽管kafka官网声称能够保证at-least-once，但如果consumer进程数小于partition_num，这个结论不一定成立。   考虑这样一个case，partiton_num=2
  • @Repository、@Service、@Controller 和 @Component mhtbbx DAOspringbeanprototype
    @Repository、@Service、@Controller 和 @Component 将类标识为Bean Spring 自 2.0 版本开始，陆续引入了一些注解用于简化 Spring 的开发。@Repository注解便属于最先引入的一批，它用于将数据访问层 (DAO 层 ) 的类标识为 Spring Bean。具体只需将该注解标注在 DAO类上即可。同时，为了让 Spring 能够扫描类
  • java 多线程高并发读写控制 误区 qifeifei java thread
    先看一下下面的错误代码，对写加了synchronized控制，保证了写的安全，但是问题在哪里呢？ public class testTh7 { private String data; public String read(){ System.out.println(Thread.currentThread().getName() + "read data "
  • mongodb replica set(副本集)设置步骤 tcrct javamongodb
    网上已经有一大堆的设置步骤的了，根据我遇到的问题，整理一下，如下： 首先先去下载一个mongodb最新版，目前最新版应该是2.6 cd /usr/local/bin wget http://fastdl.mongodb.org/linux/mongodb-linux-x86_64-2.6.0.tgz tar -zxvf mongodb-linux-x86_64-2.6.0.t
  • rust学习笔记 wudixiaotie 学习笔记
    1.rust里绑定变量是let，默认绑定了的变量是不可更改的，所以如果想让变量可变就要加上mut。 let x = 1; let mut y = 2; 2.match 相当于erlang中的case，但是case的每一项后都是分号，但是rust的match却是逗号。 3.match 的每一项最后都要加逗号，但是最后一项不加也不会报错，所有结尾加逗号的用法都是类似。 4.每个语句结尾都要加分
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他