UEVOLIshy
UEVOLIshy

周志华西瓜书第三章学习笔记

第三章学习笔记

文章目录

  • 第三章学习笔记
    • 1.知识脉络
    • 2.我的笔记
  • 参考

1.知识脉络

周志华西瓜书第三章学习笔记_第1张图片

2.我的笔记

这一章公式推导实在太多了，需要补充的推导过程也有很多，就不写电子档了。扩展公式推导和LDA部分补充详见文末的参考
周志华西瓜书第三章学习笔记_第2张图片
周志华西瓜书第三章学习笔记_第3张图片
周志华西瓜书第三章学习笔记_第4张图片
周志华西瓜书第三章学习笔记_第5张图片
周志华西瓜书第三章学习笔记_第6张图片
周志华西瓜书第三章学习笔记_第7张图片
周志华西瓜书第三章学习笔记_第8张图片
周志华西瓜书第三章学习笔记_第9张图片
周志华西瓜书第三章学习笔记_第10张图片
周志华西瓜书第三章学习笔记_第11张图片
周志华西瓜书第三章学习笔记_第12张图片
周志华西瓜书第三章学习笔记_第13张图片

参考

周志华. (2016). 机器学习. 清华大学出版社, 北京
线性判别分析LDA原理总结
南瓜书PumpkinBook

你可能感兴趣的:(西瓜书学习笔记)

  • 西瓜书学习笔记——低维嵌入（公式推导+举例应用） Nie同学 机器学习学习笔记机器学习
    文章目录算法介绍实验分析算法介绍低维嵌入（Low-DimensionalEmbedding）是一种降低高维数据维度的技术，目的是在保留数据特征的同时减少数据的复杂性。这种技术常用于可视化、特征学习、以及数据压缩等领域。低维嵌入的目标是将高维数据映射到一个低维空间，以便更好地理解和可视化数据。在kkk近邻学习中，随着数据维度的增加，样本之间的距离变得更加稀疏，导致KNN算法性能下降。这是因为在高维空
  • 西瓜书学习笔记——核化线性降维（公式推导+举例应用） Nie同学 机器学习学习笔记机器学习
    文章目录算法介绍实验分析算法介绍核化线性降维是一种使用核方法（KernelMethods）来进行降维的技术。在传统的线性降维方法中，例如主成分分析（PCA）和线性判别分析（LDA），数据被映射到一个低维线性子空间中。而核化线性降维则通过使用核技巧，将数据映射到一个非线性的低维空间中。核技巧的核心思想是通过一个非线性映射将原始数据转换到一个高维的特征空间，然后在该特征空间中应用线性降维方法。这种映射
  • 西瓜书学习笔记——k近邻学习（公式推导+举例应用） Nie同学 机器学习学习笔记机器学习
    文章目录算法介绍实验分析算法介绍K最近邻（K-NearestNeighbors，KNN）是一种常用的监督学习算法，用于分类和回归任务。该算法基于一个简单的思想：如果一个样本在特征空间中的kkk个最近邻居中的大多数属于某个类别，那么该样本很可能属于这个类别。KNN算法不涉及模型的训练阶段，而是在预测时进行计算。以下是KNN算法的基本步骤：选择K值：首先，确定用于决策的邻居数量K。K的选择会影响算法的
  • 西瓜书学习笔记——主成分分析（公式推导+举例应用） Nie同学 机器学习学习笔记机器学习降维
    文章目录算法介绍实验分析算法介绍主成分分析（PrincipalComponentAnalysis，PCA）是一种常用的降维技术，用于在高维数据中发现最重要的特征或主成分。PCA的目标是通过线性变换将原始数据转换成一组新的特征，这些新特征被称为主成分，它们是原始特征的线性组合。对于一个正交属性空间（各个属性之间是线性无关的）中的样本点，存在以下两个性质的超平面可对所有样本点进行恰当的表达：最近重构性
  • 西瓜书学习笔记——层次聚类（公式推导+举例应用） Nie同学 机器学习学习笔记聚类
    文章目录算法介绍实验分析算法介绍层次聚类是一种将数据集划分为层次结构的聚类方法。它主要有两种策略：自底向上和自顶向下。其中AGNES算法是一种自底向上聚类算法，用于将数据集划分为层次结构的聚类。算法的基本思想是从每个数据点开始，逐步合并最相似的簇，直到形成一个包含所有数据点的大簇。这个过程被反复执行，构建出一个层次化的聚类结构。这其中的关键就是如何计算聚类簇之间的距离。但实际上，每个簇都是一个集合
  • 西瓜书学习笔记——密度聚类（公式推导+举例应用） Nie同学 机器学习学习笔记聚类
    文章目录算法介绍实验分析算法介绍密度聚类是一种无监督学习的聚类方法，其目标是根据数据点的密度分布将它们分组成不同的簇。与传统的基于距离的聚类方法（如K均值）不同，密度聚类方法不需要预先指定簇的数量，而是通过发现数据点周围的密度高度来确定簇的形状和大小。我们基于DBSCAN算法来实现密度聚类。DBSCAN是基于一组邻域参数(ϵ,MinPts)(\epsilon,MinPts)(ϵ,MinPts)来刻
  • 【机器学习·西瓜书学习笔记·线性模型】线性回归——最小二乘法（least square method） 慈善区一姐 机器学习学习线性回归
    线性模型的基本形式给定由个属性描述的实例,其中是在第个属性上的取值，线性模型（linearmodel）试图学得一个通过属性的线性组合来进行预测的函数，即一般用向量形式写成：和确定后，模型就得以确定参数查阅表把数据集表示为一个m*（d+1）大小的矩阵，其中每行对应于一个实例，每行前d个元素对应于实例的d个属性值，最后一个元素恒置于1，即（一）均方误差（meansquarederror）基于欧几里得距
  • 西瓜书学习笔记——原型聚类（公式推导+举例应用） Nie同学 机器学习学习笔记聚类
    文章目录k均值算法算法介绍实验分析学习向量量化（LVQ）算法介绍实验分析高斯混合聚类算法介绍实验分析总结k均值算法算法介绍给定样本集D={x1,x2,...,xm}D=\{x_1,x_2,...,x_m\}D={x1,x2,...,xm}，k均值算法针对聚类算法所得簇划分C={C1,C2,...,Ck}\mathcal{C}=\{C_1,C_2,...,C_k\}C={C1,C2,...,Ck}最
  • 西瓜书学习笔记——Boosting（公式推导+举例应用） Nie同学 机器学习学习笔记boosting
    文章目录引言AdaBoost算法AdaBoost算法正确性说明AdaBoost算法如何解决权重更新问题？AdaBoost算法如何解决调整下一轮基学习器样本分布问题？AdaBoost算法总结实验分析引言Boosting是一种集成学习方法，旨在通过整合多个弱学习器来构建一个强学习器。其核心思想是迭代训练模型，关注之前被错误分类的样本，逐步提升整体性能。Boosting的代表算法包括AdaBoost、G
  • 【DW 11月-西瓜书学习笔记】Task01：绪论、模型评估与选择 以身外身做梦中梦
    第一章绪论让我们的机器学习之旅从挑选一个好瓜开始。只绪论介绍基本术语、机器学习的发展，我只记录一些特殊的术语。1.1机器学习的定义计算机通过学习经验数据得到模型，面对新情况时做出有效判断。还有一种解释：假设：P：计算机程序在某任务类T上的性能。T：计算机程序希望实现的任务类。E：表示经验，即历史的数据集。若该计算机程序通过利用经验E在任务T上获得了性能P的改善，则称该程序对E进行了学习。1.2机器
  • 【机器学习】西瓜书学习笔记（一） hypc9709 机器学习人工智能分类
    最近开始机器学习经典教材-西瓜书的学习，为了方便以后查看，在此记录下来。什么是机器学习通过计算的手段，利用经验来改善系统性能。机器学习所研究的内容，是如何在计算机上从数据中产生模型的算法，即“学习算法”。机器学习任务划分根据训练样本是否有标签，可分为：监督学习分类：预测离散值，如二分类任务回归：预测连续值无监督学习聚类：训练样本没有标记信息，通过了解数据内在规律自动分类，常用于数据分析学习效果的评
  • 西瓜书学习笔记(2021-12-28开始，进行中) N刻后告诉你 读书笔记机器学习
    西瓜书1绪论1.1引言1.2基本术语1.3假设空间1.4归纳偏好2模型评估与选择2.1经验误差与过拟合1绪论1.1引言机器学习致力于研究“如何通过计算的方式，利用数据(经验)来改善系统自身的性能”。机器学习形式化的定义：假设用PPP来评估计算机程序在某任务类上的性能，若一个程序通过利用经验EEE在TTT中任务上获得了性能改善，则我们就说关于TTT和PPP，该程序对EEE进行了学习1.2基本术语数据
  • 西瓜书学习笔记7-贝叶斯分类器 weixin_41872340 西瓜书
    chapter7贝叶斯分类器7.1贝叶斯决策论贝叶斯决策论是概率框架下实施决策的基本方法，对分类任务来说，在所有相关概率都已知的理想情形下，贝叶斯决策论考虑如何基于概率和误判损失来选择最优的类别标记，以多分类为例解释原理：假设分类问题有N种可能的类别，λij是将真实标记为j的样本误分类为i所产生的损失，基于==后验概率P（ci丨x）==可获得将样本x分类为ci所产生的期望损失，即在样本x上的“条件
  • 西瓜书学习笔记day2 机智的冷露 西瓜书学习笔记学习深度学习机器学习
    模型评估与选择一、经验误差与过拟合错误率：分类错误的样本数占样本总数的比例。在m个样本中共有a个样本分类错误，则错误率E=a/m。精度：1-a/m误差：学习器实际预测输入与样本的真实输出之间的差异定义为误差。在训练集中的误差被称为训练误差，在新样本上的误差被称为泛化误差。过拟合：当学习器把训练样本学的“太好了”的时候，很可能会把训练样本的特性当作所有潜在样本所拥有的共性，从而模型的泛化性能下降，这
  • 西瓜书学习笔记day1 机智的冷露 西瓜书学习笔记学习机器学习算法
    一、基本术语①示例/样本：对一个事件或对象的描述，也被称为一个特征向量。②属性：反映事件或者对象在某方面的表现或性质的事项。③属性值：属性的取值④属性空间/样本空间：属性张成的空间⑤数据集：样本的集合⑥维数：令D={x1,x2…xm}表示包含m个示例的数据集，每个示例由d个属性描述，则每个示例xi=（xi1,xi2,xi3…xid）是d维样本空间X上的一个向量。d称为样本空间的“维数”⑦训练/学习
  • 西瓜书学习笔记（第一章） 丿October 二狗编程入门之路机器学习
    基本术语数据集(dataset):所有数据的集合样本(sample):描述某个事件或对象的记录属性(attribute):事件或对象的某个性质属性值(attributevalue):性质的取值属性空间(attributespace):性质所有取值的集合特征向量(featurevector):由多个性质组成的一条记录训练数据(trainingdata):训练过程中使用的数据训练样本(training
  • 西瓜书学习笔记 第1章 绪论 二三TP 读书笔记机器学习
    目录第1章绪论1.3假设空间1.4归纳偏好参考文献本文仅针对个人不熟知识点进行整理，已知内容或过于简单的就不整理了。第1章绪论1.3假设空间假设空间：所有假设组成的空间版本空间：现实问题中我们常面临很大的假设空间，但学习过程是基于有限样本训练集进行的，因此，可能有多个假设与训练集一致，即存在着一个与训练集一致的假设集合，我们称之为版本空间(versionspace)。也就是说这多个假设的集合就是假
  • 西瓜书学习笔记 第二章 程序圆圆圆 机器学习
    2.1经验误差与过拟合m个样本中有a个样本分类错误错误率（errorrate）：E=a/m精度（accuracy）=1-错误率=1-E=1-a/m误差（误差期望）：学习器的预测输出与样本的真实输出的差异；训练误差（trainingerror）或经验误差（empiricalerror）:学习器在训练集上的误差；泛化误差（generalizationerror）:学习器在新样本上的误差。泛化性能过拟合
  • 西瓜书学习笔记第九章聚类 UEVOLIshy 西瓜书学习笔记聚类西瓜书第九章
    文章目录1知识脉络2内容补充9.1节聚类任务9.2节性能度量9.3节距离计算9.4节原型聚类9.4.1k均值算法9.4.2学习向量量化9.4.3高斯混合聚类9.5节密度聚类9.6节层次聚类9.7节阅读材料3课后题4代码实现5参考1知识脉络2内容补充9.1节聚类任务9.2节性能度量9.3节距离计算9.4节原型聚类9.4.1k均值算法9.4.2学习向量量化9.4.3高斯混合聚类9.5节密度聚类9.6节
  • 西瓜书学习笔记-第二章 模型评估与选择 Dove_Dan 西瓜书笔记机器学习
    第二章模型评估与选择2.1经验误差与过拟合错误率(errorrate)：分类错误的样本数占样本总数的比例m个样本中有a个样本分类错误，则错误率E=a/m1-a/m称为精度(accuracy)，即精度=1-错误率，精度常写为百分比形式误差(error)：学习器的实际预测输出与样本的真实输出之间的差异学习器在训练集上的误差称为“训练误差”(trainingerror)/“经验误差”(empirical
  • 西瓜书学习笔记（第一、二章） weixin_44613018 学习笔记学习
    本博客是用来记录个人认为的重要的知识点，但因为知识点繁多而复杂，因此大多数情况下知识在这里列一个提纲，或者在这里写自己的理解第一章绪论（此部分来自南瓜书）一些概念“算法”产出的结果称为“模型”，通常是具体的函数或者可抽象地看作为函数样本：也称为“示例”，是关于一个事件或对象的描述，一般是把事物或对象抽象为某种数学形式，常见于抽象成线性代数中的向量（因为任何事物都可以由若干“特征”——或称为“属性”
  • 【机器学习——线性模型】 只想快乐 笔记机器学习
    机器学习——线性模型西瓜书学习笔记广义线性模型对数几率回归多分类学习西瓜书学习笔记广义线性模型广义线性模型通过单调可微函数(联系函数linkfunction)将数据的真实标记y与线性回归模型的预测值联系起来：y=g-1(wTx+b)对数几率回归对数几率回归中采用的是对数几率函数（logisticfunction）作为广义线性模型中的联系函数。对数几率函数：y=1/(1+e-x)多分类学习OVR(每
  • 西瓜书学习笔记——第十六章：强化学习 Andrewings 西瓜书学习笔记
    16.强化学习16.强化学习16.1任务与奖赏16.2K摇摆赌博机16.2.1ε-贪心16.2.2Softmax16.3有模型学习16.3.1策略评估16.3.2策略改进16.3.3策略迭代与值迭代16.4免模型学习蒙特卡罗强化学习16.5模仿学习16.强化学习强化学习是机器学习的一个重要分支。在强化学习中包含两种基本元素：状态与动作，在某个状态下执行某种动作，这便是一种策略。学习器要做的是不断地
  • 西瓜书学习笔记——task01 zhaoaxi 学习python
    西瓜书学习笔记第一章基本术语数据集：所有瓜样本/示例：一个瓜的描述（属性描述）属性：瓜皮颜色属性值：青绿属性空间"(attributespace)/“样本空间”(samp1espace)/“输入空间：属性张成的空间（比如"色泽”“根蒂”"敲声"作为三个坐标轴，则它们张成一个用于描述西瓜的三维空间）特征向量：在属性空间的一个点，对应一个示例维数：属性数量样例：有标记“好瓜”的瓜真相/真实：学得的模型
  • 西瓜书学习笔记——第十三章：半监督学习 Andrewings 西瓜书学习笔记西瓜书机器学习半监督
    13.半监督学习13.1未标记样本13.2生成式方式高斯混合生成式模型其他生成式模型13.3半监督SVMTSVM半监督支持向量机13.4基于分歧的方法13.5半监督聚类约束k均值算法（必连勿连）约束种子k均值算法（少量有标记样本）13.1未标记样本训练样本集D由有标记样本集DlD_lDl和未标记样本集DuD_uDu组成，若使用传统监督学习算法，则只能使用DlD_lDl，DuD_uDu的信息被浪费，
  • 机器学习——西瓜书学习笔记（1）绪论 Charcy阳 python机器学习人工智能深度学习神经网络
    文章目录**1.1引言1.2基本术语（极其重要）1.3假设空间1.4归纳偏好1.5发展历程1.6应用现状1.7习题1.1引言机器学习(machinelearning)的定义：它致力于研究如何通过计算的手段，利用经验来改善系统自身的性能。在计算机系统中，“经验”通常以“数据”的形式存在。ML研究的主要内容：在计算机上、从数据中产生“模型model”的算法。即是：如何通过数据集产生模型？因此机器学习本
  • 西瓜书学习笔记第2章（模型评估与选择） 旋转的油纸伞 西瓜书-机器学习(学习笔记)机器学习面试
    西瓜书学习笔记第2章（模型评估与选择）2.1经验误差与过拟合2.2评估方法2.2.1留出法（hold-out）2.2.2交叉验证法（crossvalidation）2.2.3自助法（bootstrapping）2.2.4调参与最终模型2.3性能度量（performancemeasure）2.3.1错误率与精度2.3.2查准率、查全率与F12.3.3ROC与AUC2.3.4代价敏感错误率与代价曲线2
  • 周志华西瓜书学习笔记----绪论 Ω2πA 》 学习机器学习深度学习
    文章目录前言一、算法处理数据的流程二、假设空间是什么？三、归纳偏好前言这篇文章将记录西瓜书中绪论的学习。一、算法处理数据的流程在我们训练一个模型前我们需要准备一些数据，训练集是历史数据。当我们有一批新的数据时（测试集），我们将这些数据输入训练过的模型来得到每个数据对应的标签。二、假设空间是什么？在我们使用数据集进行机器学习时，我们能用到的数据是有限的，而我们需要利用有限的数据通过算法拟合出一个能够
  • 西瓜书学习笔记——第十一章：特征选择与稀疏学习 Andrewings 西瓜书学习笔记特征选取稀疏学习特征工程
    第十一章：特征选择与稀疏学习11.1子集搜索与评价子集搜索特征子集评价11.2过滤式选择Relief的相关统计量11.3包裹式选择拉斯维加斯方法和蒙特卡罗方法：11.4嵌入式选择与L1正则化11.5稀疏表示与字典学习稀疏性11.6压缩感知11.1子集搜索与评价一般情况下，我们可以用很多属性/特征描述一个示例，而对于特定的学习任务，我们会发现已知的所有属性中，有些特征是与该学习任务的目标无关的（如预
  • 【西瓜书学习笔记】第5章 神经网络 爱学习的猫fly 神经网络人工智能深度学习
    1.M-P神经元模型2.感知机由两层神经元组成，输入层接收外界输入信号后传递给输出层，输出层是M-P神经元，亦称“阈值逻辑单元”，感知机能容易的实际逻辑与、或、非运算，即可以解决线性可分的问题，实现不了异或运算，即无法解决非线性可分问题3.多层前馈神经网络多个神经元构成的神经网络能够分类线性不可分的数据集，且有理论证明（通用近似定理）：只需一个包含足够多神经元的隐层，多层前馈网络（最经典的神经网络
  • 基本数据类型和引用类型的初始值 3213213333332132 java基础
    package com.array; /** * @Description 测试初始值 * @author FuJianyong * 2015-1-22上午10:31:53 */ public class ArrayTest { ArrayTest at; String str; byte bt; short s; int i; long
  • 摘抄笔记--《编写高质量代码：改善Java程序的151个建议》 白糖_ 高质量代码
            记得3年前刚到公司，同桌同事见我无事可做就借我看《编写高质量代码：改善Java程序的151个建议》这本书，当时看了几页没上心就没研究了。到上个月在公司偶然看到，于是乎又找来看看，我的天，真是非常多的干货，对于我这种静不下心的人真是帮助莫大呀。           看完整本书，也记了不少笔记
  • 【备忘】Django 常用命令及最佳实践 dongwei_6688 django
    注意：本文基于 Django 1.8.2 版本   生成数据库迁移脚本（python 脚本） python manage.py makemigrations polls  说明：polls 是你的应用名字，运行该命令时需要根据你的应用名字进行调整   查看该次迁移需要执行的 SQL 语句（只查看语句，并不应用到数据库上）： python manage.p
  • 阶乘算法之一N! 末尾有多少个零 周凡杨 java算法阶乘面试效率
                                     &n
  • spring注入servlet g21121 Spring注入
    传统的配置方法是无法将bean或属性直接注入到servlet中的，配置代理servlet亦比较麻烦，这里其实有比较简单的方法，其实就是在servlet的init()方法中加入要注入的内容： ServletContext application = getServletContext(); WebApplicationContext wac = WebApplicationContextUtil
  • Jenkins 命令行操作说明文档 510888780 centos
    假设Jenkins的URL为http://22.11.140.38:9080/jenkins/ 基本的格式为 java 基本的格式为 java -jar jenkins-cli.jar [-s JENKINS_URL] command [options][args] 下面具体介绍各个命令的作用及基本使用方法 1. &nb
  • UnicodeBlock检测中文用法 布衣凌宇 UnicodeBlock
    /**  * 判断输入的是汉字  */ public static boolean isChinese(char c) {        Character.UnicodeBlock ub = Character.UnicodeBlock.of(c);    
  • java下实现调用oracle的存储过程和函数 aijuans javaorale
    1.创建表：STOCK_PRICES     2.插入测试数据：     3.建立一个返回游标：  PKG_PUB_UTILS   4.创建和存储过程：P_GET_PRICE     5.创建函数：   6.JAVA调用存储过程返回结果集 JDBCoracle10G_INVO
  • Velocity Toolbox antlove 模板toolboxvelocity
    velocity.VelocityUtil package velocity; import org.apache.velocity.Template; import org.apache.velocity.app.Velocity; import org.apache.velocity.app.VelocityEngine; import org.apache.velocity.c
  • JAVA正则表达式匹配基础 百合不是茶 java正则表达式的匹配
      正则表达式;提高程序的性能,简化代码,提高代码的可读性,简化对字符串的操作   正则表达式的用途; 字符串的匹配 字符串的分割 字符串的查找 字符串的替换       正则表达式的验证语法     [a] //[]表示这个字符只出现一次 ,[a] 表示a只出现一
  • 是否使用EL表达式的配置 bijian1013 jspweb.xmlELEasyTemplate
            今天在开发过程中发现一个细节问题，由于前端采用EasyTemplate模板方法实现数据展示，但老是不能正常显示出来。后来发现竟是EL将我的EasyTemplate的${...}解释执行了，导致我的模板不能正常展示后台数据。         网
  • 精通Oracle10编程SQL(1-3)PLSQL基础 bijian1013 oracle数据库plsql
    --只包含执行部分的PL/SQL块 --set serveroutput off begin dbms_output.put_line('Hello,everyone!'); end; select * from emp; --包含定义部分和执行部分的PL/SQL块 declare v_ename varchar2(5); begin select
  • 【Nginx三】Nginx作为反向代理服务器 bit1129 nginx
    Nginx一个常用的功能是作为代理服务器。代理服务器通常完成如下的功能：   接受客户端请求 将请求转发给被代理的服务器 从被代理的服务器获得响应结果 把响应结果返回给客户端 实例 本文把Nginx配置成一个简单的代理服务器 对于静态的html和图片，直接从Nginx获取 对于动态的页面，例如JSP或者Servlet，Nginx则将请求转发给Res
  • Plugin execution not covered by lifecycle configuration: org.apache.maven.plugin blackproof maven报错
    转：http://stackoverflow.com/questions/6352208/how-to-solve-plugin-execution-not-covered-by-lifecycle-configuration-for-sprin   maven报错： Plugin execution not covered by lifecycle configuration:
  • 发布docker程序到marathon ronin47 docker 发布应用
    1 发布docker程序到marathon 1.1 搭建私有docker registry 1.1.1 安装docker regisry docker pull docker-registry docker run -t -p 5000:5000 docker-registry 下载docker镜像并发布到私有registry docker pull consol/tomcat-8.0
  • java-57-用两个栈实现队列&&用两个队列实现一个栈 bylijinnan java
    import java.util.ArrayList; import java.util.List; import java.util.Stack; /* * Q 57 用两个栈实现队列 */ public class QueueImplementByTwoStacks { private Stack<Integer> stack1; pr
  • Nginx配置性能优化 cfyme nginx
    转载地址：http://blog.csdn.net/xifeijian/article/details/20956605   大多数的Nginx安装指南告诉你如下基础知识——通过apt-get安装，修改这里或那里的几行配置，好了，你已经有了一个Web服务器了。而且，在大多数情况下，一个常规安装的nginx对你的网站来说已经能很好地工作了。然而，如果你真的想挤压出Nginx的性能，你必
  • [JAVA图形图像]JAVA体系需要稳扎稳打,逐步推进图像图形处理技术 comsci java
         对图形图像进行精确处理，需要大量的数学工具，即使是从底层硬件模拟层开始设计，也离不开大量的数学工具包，因为我认为，JAVA语言体系在图形图像处理模块上面的研发工作，需要从开发一些基础的，类似实时数学函数构造器和解析器的软件包入手，而不是急于利用第三方代码工具来实现一个不严格的图形图像处理软件......   &nb
  • MonkeyRunner的使用 dai_lm androidMonkeyRunner
    要使用MonkeyRunner，就要学习使用Python，哎 先抄一段官方doc里的代码 作用是启动一个程序（应该是启动程序默认的Activity），然后按MENU键，并截屏 # Imports the monkeyrunner modules used by this program from com.android.monkeyrunner import MonkeyRun
  • Hadoop-- 海量文件的分布式计算处理方案 datamachine mapreducehadoop分布式计算
    csdn的一个关于hadoop的分布式处理方案，存档。 原帖：http://blog.csdn.net/calvinxiu/article/details/1506112。     Hadoop 是Google MapReduce的一个Java实现。MapReduce是一种简化的分布式编程模式，让程序自动分布到一个由普通机器组成的超大集群上并发执行。就如同ja
  • 以資料庫驗證登入 dcj3sjt126com yii
    以資料庫驗證登入 由於 Yii 內定的原始框架程式, 採用綁定在UserIdentity.php 的 demo 與 admin 帳號密碼:    public function authenticate()    {        $users=array( &nbs
  • github做webhooks：[2]php版本自动触发更新 dcj3sjt126com githubgitwebhooks
    上次已经说过了如何在github控制面板做查看url的返回信息了。这次就到了直接贴钩子代码的时候了。 工具/原料 git github 方法/步骤   在github的setting里面的webhooks里把我们的url地址填进去。   钩子更新的代码如下： error_reportin
  • Eos开发常用表达式 蕃薯耀 Eos开发Eos入门Eos开发常用表达式
    Eos开发常用表达式 >>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>> 蕃薯耀 2014年8月18日 15:03:35 星期一     &
  • SpringSecurity3.X--SpEL 表达式 hanqunfeng SpringSecurity
    使用 Spring 表达式语言配置访问控制，要实现这一功能的直接方式是在<http>配置元素上添加 use-expressions 属性：   <http auto-config="true" use-expressions="true"> 这样就会在投票器中自动增加一个投票器：org.springframework
  • Redis vs Memcache IXHONG redis
    1. Redis中，并不是所有的数据都一直存储在内存中的，这是和Memcached相比一个最大的区别。 2. Redis不仅仅支持简单的k/v类型的数据，同时还提供list，set，hash等数据结构的存储。 3. Redis支持数据的备份，即master-slave模式的数据备份。 4. Redis支持数据的持久化，可以将内存中的数据保持在磁盘中，重启的时候可以再次加载进行使用。 Red
  • Python - 装饰器使用过程中的误区解读 kvhur JavaScriptjqueryhtml5css
    大家都知道装饰器是一个很著名的设计模式，经常被用于AOP(面向切面编程)的场景，较为经典的有插入日志，性能测试，事务处理，Web权限校验， Cache等。 原文链接：http://www.gbtags.com/gb/share/5563.htm Python语言本身提供了装饰器语法（@），典型的装饰器实现如下：   @function_wrapper de
  • 架构师之mybatis-----update 带case when 针对多种情况更新 nannan408 case when
    1.前言.    如题. 2. 代码.   <update id="batchUpdate" parameterType="java.util.List"> <foreach collection="list" item="list" index=&
  • Algorithm算法视频教程 栏目记者 Algorithm算法
    课程：Algorithm算法视频教程 百度网盘下载地址： http://pan.baidu.com/s/1qWFjjQW 密码: 2mji 程序写的好不好,还得看算法屌不屌！Algorithm算法博大精深。 一、课程内容： 课时1、算法的基本概念 + Sequential search 课时2、Binary search 课时3、Hash table 课时4、Algor
  • C语言算法之冒泡排序 qiufeihu c算法
    任意输入10个数字由小到大进行排序。 代码： #include <stdio.h> int main() { int i,j,t,a[11]; /*定义变量及数组为基本类型*/ for(i = 1;i < 11;i++){ scanf("%d",&a[i]); /*从键盘中输入10个数*/ } for
  • JSP异常处理 wyzuomumu Webjsp
    1.在可能发生异常的网页中通过指令将HTTP请求转发给另一个专门处理异常的网页中: <%@ page errorPage="errors.jsp"%>   2.在处理异常的网页中做如下声明： errors.jsp: <%@ page isErrorPage="true"%>，这样设置完后就可以在网页中直接访问exc
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他