咸鱼Chen
咸鱼Chen

统计机器学习


第一篇 优化算法


001 梯度下降（GradientDescent）小结
002 最小二乘法小结


第二篇 模型优化参数


003 交叉验证(CrossValidation)原理小结
004 精确率与召回率，RoC曲线与PR曲线


第三篇 线性回归


005 线性回归原理小结
006 scikit-learn和pandas基于windows单机机器学习环境的搭建
007 用scikit-learn和pandas学习线性回归
008 Lasso回归算法：坐标轴下降法与最小角回归法小结
009 用scikit-learn和pandas学习Ridge回归
010 scikit-learn线性回归算法库小结


第三篇 逻辑回归


011 逻辑回归原理小结
012 scikit-learn逻辑回归类库使用小结


第四篇 感知机


013 感知机原理小结
014 机器学习算法的随机数据生成


第五篇 决策树


015 决策树算法原理(上)
016 决策树算法原理(下)
017 scikit-learn决策树算法类库使用小结


第六篇 K近邻法(KNN)


018 K近邻法(KNN)原理小结
019 scikit-learnK近邻法类库使用小结


第七篇 朴素贝叶斯算法


020 朴素贝叶斯算法原理小结
021 scikit-learn朴素贝叶斯类库使用小结


第八篇 最大熵模型


022 最大熵模型原理小结


第九篇 支持向量机


023 支持向量机原理(一)线性支持向量机
024 支持向量机原理(二)线性支持向量机的软间隔最大化模型
025 支持向量机原理(三)线性不可分支持向量机与核函数
026 支持向量机原理(四)SMO算法原理
027 支持向量机原理(五)线性支持回归
028 scikit-learn支持向量机算法库使用小结
029 支持向量机高斯核调参小结


第十篇 集成学习


030 集成学习原理小结
031 集成学习之Adaboost算法原理小结
032 scikit-learnAdaboost类库使用小结
033 梯度提升树(GBDT)原理小结
034 scikit-learn梯度提升树(GBDT)调参小结
035 Bagging与随机森林算法原理小结
036 scikit-learn随机森林调参小结
037 XGBoost算法原理小结
038 XGBoost类库使用小结


第十一篇 无监督学习


039 K-Means聚类算法原理
040 用scikit-learn学习K-Means聚类
041 BIRCH聚类算法原理
042 用scikit-learn学习BIRCH聚类
043 DBSCAN密度聚类算法
044 用scikit-learn学习DBSCAN聚类
045 谱聚类（spectralclustering）原理总结
046 用scikit-learn学习谱聚类


第十二篇 降维算法


047 主成分分析（PCA）原理总结
048 用scikit-learn学习主成分分析(PCA)
049 线性判别分析LDA原理总结
050 用scikit-learn进行LDA降维
051 奇异值分解(SVD)原理与在降维中的应用
052 局部线性嵌入(LLE)原理总结
053 用scikit-learn研究局部线性嵌入(LLE)


第十三篇 推荐算法


054 典型关联分析(CCA)原理总结
055 Apriori算法原理总结
056 FPTree算法原理总结
057 PrefixSpan算法原理总结
058 用Spark学习FPTree算法和PrefixSpan算法
059 协同过滤推荐算法总结
060 矩阵分解在协同过滤推荐算法中的应用
061 SimRank协同过滤推荐算法
062 用Spark学习矩阵分解推荐算法
063 分解机(FactorizationMachines)推荐算法原理
064 EM算法原理总结


第十四篇 特征工程


065 特征工程之特征选择
066 特征工程之特征表达
067 特征工程之特征预处理


第十四篇 贝叶斯个性化排序(BPR)算法


068 贝叶斯个性化排序(BPR)算法小结
069 用tensorflow学习贝叶斯个性化排序(BPR)


第十五篇 用PMML实现机器学习模型的跨平台上线


070 用PMML实现机器学习模型的跨平台上线


第十六篇 异常点检测算法


071 异常点检测算法小结


第十七篇 推荐阅读


072 Python从入门到放弃（目录）
073 十天快速入门Python（目录）
074 统计机器学习（目录）
075 TensorFlow2（目录）
076 机器学习（目录）
077 Python能干啥（目录）
078 我真的还是18岁的那个我
079 大数据分析和人工智能科普
080 博客园自动发布/更新博客系统
081 201907TIOBE编程语言排行榜-Python坐稳第三

你可能感兴趣的:(统计机器学习)

  • 统计机器学习-感知机 又双叒叕苟了一天
    感知机是二分类的线性分类模型，即通过一个超平面将数据集分割在两侧，同在一个侧的为同一个分类，一般上侧的为正例，下侧的为负例。感知机的定义假设输入空间（特征空间）是，输出空间是。输入表示实例的特征向量，对应于输入空间（特征空间）的点；输出表示实例的类别。由输入空间到输出空间的如下函数称为感知机。其中，和为感知机模型参数，叫做权值或权值向量，叫做偏置，表示和的内积。是符号函数，即并且假设数据是完全线性
  • 二、自然语言处理发展历程 智享AI 深度学习自然语言处理
    1.自然语言处理发展历程自然语言处理的发展历程经历了兴起阶段、符号主义、连接主义和深度学习阶段。兴起阶段：自然语言处理的萌芽期，代表人物包括图灵和香农。符号主义：自然语言处理的发展器，代表任务是乔姆斯基和他的生成文法。连接主义：自然语言处理的发展器，代表方法为统计机器学习。深度学习：自然语言处理的鼎盛期，代表人物为深度学习三巨头：YoshuaBengio、YannLeCun、GeoffreyHin
  • 机器学习和深度学习检测网络安全课题：DDOS检测、恶意软件、恶意流量检测课题资料 三更科技公社 机器学习深度学习web安全
    开源的DDOS检测工具https://github.com/equalitie/learn2ban基于KDDCUP99数据集预测DDoS攻击基于谱分析与统计机器学习的DDoS攻击检测技术研究基于机器学习的分布式拒绝服务攻击检测方法研究DDoSAttacksUsingHiddenMarkovModelsandCooperativeReinforcementLearning*恶意软件检测https:/
  • 神经网络：深度学习优化方法 是Dream呀 神经网络深度学习神经网络人工智能
    1.有哪些方法能提升CNN模型的泛化能力采集更多数据：数据决定算法的上限。优化数据分布：数据类别均衡。选用合适的目标函数。设计合适的网络结构。数据增强。权值正则化。使用合适的优化器等。2.BN层面试高频问题大汇总BN层解决了什么问题？统计机器学习中的一个经典假设是“源空间（sourcedomain）和目标空间（targetdomain）的数据分布（distribution）是一致的”。如果不一致，
  • 【期末复习向】文本理解与数据挖掘-名词解释 诺坎普的风间 数据挖掘人工智能文本理解深度学习名词解释
    （一）什么是自然语言处理1.自然语言处理（NLP）从最广泛的意义上说，NLP指的是任何自动处理人类语言的程序（二）一系列自然语言处理问题2.NLP常用方法基于规则的方法（基于人工标注的规则和字典，覆盖度低）统计机器学习方法（被学术界和工业界采用；使用概率模型，包括训练数据、特征工程、在参数上训练模型、将模型应用与测试数据）联结主义方法（深度学习崛起，包括没有语言特征、采用大量原始数据训练、参数量大
  • zxl-机器学习-01 米米吉吉 Python机器学习
    文章目录机器学习一.定义：二.计算机三阶段三.基本要求四.统计机器学习五.基本问题六.机器学习的方法作者：zstarling机器学习网络算法机器优化概率统计数据矩阵信息模型推理知识靠学习一.定义：机器学习是把数据变成知识的和过程。计算机和数学的结合。统计提供建模的框架framework。数据挖掘和机器学习本质上无区别，机器学习更偏数学。区别：ML机器学习STAT统计学networks,graphs
  • 多重共线性 7ccc099f4608
    最近碰到个有有意思的问题：在传统统计机器学习（lr）中，相关性检测(VIF等)防止多重共线性非常重要；但是在实际的机器学习应用中，多重共线性似乎不用考虑。参考这个回答：https://stats.stackexchange.com/questions/168622/why-is-multicollinearity-not-checked-in-modern-statistics-machine-l
  • 参数估计 Xwei1226 paperreading参数估计
    大学期间学习数理统计这门课程的时候，没有特别用心。说实话统计学还是挺枯燥的，而且当时也没有太多的学习意识，不知道为什么要学这些貌似八竿子打不着的东西。现在想想，当时真是toosimple，sometimesnaive啊。。等到越往后面深入，发现需要用的数学知识尤其是统计学知识越来越多，因为现在机器学习里发展最成熟应用最广泛的一部分就是统计机器学习，自然离不开统计学的方方面面。而且随着研究的逐步深入
  • 图神经网络--论文精读 无盐薯片 图神经网络神经网络机器学习人工智能
    论文精读图神经网络论文精读摘要介绍问题定义学习表示算法代码实战加载百科词条，构建无向图训练Word2Vec模型摘要DeepWalk用于学习隐式表征的表示学习方法，将节点在图中的连接关系进行编码，形成稠密低维连续的向量空间，可用于统计机器学习在多类别网络分类任务上表现不错，例如BlogCatalog、Flickr和YouTubeDeepWalk基于随机游走的，适用于稀疏标注的场景介绍背景：传统机器学
  • 贝叶斯变分方法：初学者指南--平均场近似 无水先生 #贝叶斯理论人工智能人工智能数学模型
    EricJang:ABeginner'sGuidetoVariationalMethods:Mean-FieldApproximation(evjang.com)一、说明变分贝叶斯(VB)方法是统计机器学习中非常流行的一系列技术。VB方法允许我们将统计推断问题（即，给定另一个随机变量的值来推断随机变量的值）重写为优化问题（即，找到最小化某些目标函数的参数值），本文将阐述这种精妙模型。二、文章绪论2
  • 机器学习实战 梯度上升 数学推导_机器学习-白板推导系列(二)-数学基础笔记 weixin_39644377 机器学习实战梯度上升数学推导
    视频如下：机器学习-白板推导系列(二)-数学基础_哔哩哔哩(゜-゜)つロ干杯~-bilibiliwww.bilibili.com一、概率-高斯分布1-极大似然估计高斯分布在统计机器学习中占据重要的地位。本节内容主要是利用极大似然估计计算高斯分布下的最优参数。Data:假设数据中有个样本，每个样本为维数据（含有个feature）所有的样本都独立同分布于高斯分布MLE：极大似然估计MLE：求最优的使得
  • 2018年8月9日 真昼之月
    早上提前于闹钟醒来，希望以后也能一直这样。坐地铁时再度挤成狗，早出门和地铁人不多果然是无法兼得的吗……再次久违（？）地来到公司并打扫工位，学长继续出差中，但是休产假的另一个同事倒是回来了……上午闲着没事看了看李航的统计机器学习，超困，中午睡了半个小时午觉后好了点。下午又看了一会儿书之后开始自己找正事干，写评分卡模型的操作说明写到一半。晚上大部分时间都在KFC摸鱼打鬼岛，面对Rider红鬼掏出了好久
  • 浅谈从机器学习到深度学习 江小北 机器学习机器学习
    机器学习分为频率派和贝叶斯派。频率派发展成统计机器学习，贝叶斯派发展成概率图模型。频率派有“四化”，如图所示，正则化有很多种，在损失函数后面加一个惩罚项，比如线性回归里面的L1和L2正则化，每个模型的正则化项不一定相同；核化用处非常多，常见的有kernelSVM，另外在降维也有用到，比如kernelPCA。集成方法现在非常多，bagging代表是随机森林，boosting代表有AdaBoost,G
  • 概率论入门之《统计机器学习导论》阅读笔记（第一，二章） 生而为弟
    第一章统计机器学习第一章主要介绍了机器学习的分类：监督学习，非监督学习，强化学习。然后介绍了监督学习的三大主要任务：回归，分类，排序，以及非监督学习的聚类。最后稍稍介绍了一下机器学习中的其它技术：集成学习，张量学习，在线学习，迁移学习，度量学习。当然这些与概率论关系不大，因此笔者在此略过。下面着重记录第二章的阅读笔记。第二章随机变量与概率分布2.1数学基础imageimageimageimage以
  • 监督学习方法与无监督学习方法总结 daisyxyr 李航统计学习方法笔记学习机器学习算法
    （一）监督学习10种监督学习方法特点的概括汇总如下表：（二）无监督学习八种常用的统计机器学习方法，即聚类方法（包括层次聚类与k均值聚类）、奇异值分解（SVD）、主成分分析（PCA）、潜在语义分析（LSA）、概率潜在语义分析（PLSA）、马尔可夫链蒙特卡罗法（MCMC）、潜在狄利克雷分配（LDA）、PageRank算法还有另外三种常用的统计机器学习方法，即非负矩阵分解（NMF）、变分推理、幂法这些方
  • 【统计机器学习】考核标准 + 课堂练习题汇总 MorleyOlsen 专业选修课系列机器学习人工智能
    写在前面1：上课老师是：付学谦老师及其博士助教。上课带纸笔和人就行。2：上课的内容和作业量相比于其他选修课较为轻松，且只有大作业和论文报告，没有考试！！！基本上最后会留20min给同学们写课堂练习题。3：最好拍下每张ppt，指不定哪道题就用上了。以及现在是GPT时代，善用工具会事半功倍。4：平时分而言，我个人觉得挺玄学的，每次课都做前排且上课听讲并回答问题，最后也只拿了B+。5：所以，只是为了刷成
  • 《统计机器学习》学习笔记第三章之K近邻 资料加载中 机器学习统计学习方法
    本文完全转载于https://www.cnblogs.com/pinard/p/6061661.html标记了一些自己认为比较重要的句子，同时自己为了以后回顾方便就搬了过来。这是一个关于统计机器学习的系列笔记。K近邻法(k-nearestneighbors,KNN)是一种很基本的机器学习方法了，在我们平常的生活中也会不自主的应用。比如，我们判断一个人的人品，只需要观察他来往最密切的几个人的人品好坏
  • 李航老师《统计学习方法》第1章阅读笔记 Chen_Chance 学习方法笔记人工智能
    1.1统计学习统计学习的特点统计学习：计算机基于数据构建概率统计模型并运用模型对数据进行预测与分析现在人们提及机器学习时，往往指统计机器学习，所以可以认为本书介绍的是机器学习方法统计学习的对象统计学习研究的对象是数据(data)，统计学习关于数据的基本假设是同类数据具有一定的统计规律性，这是统计学习的前提。e.g.用随机变量描述数据的特征，用概率分布描述数据的统计规律在统计学习中，以变量或变量组表
  • 从统计语言模型到预训练语言模型---统计语言模型 hanscalZheng 大语言模型语言模型人工智能自然语言处理
    语言模型从历史上来看，自然语言处理的研究范式变化是从规则到统计，从统计机器学习到基于神经网络的深度学习，这同时也是语言模型发展的历史。要了解语言模型的发展历史，首先我们需要认识什么是语言模型。语言模型的目标是建模自然语言的概率分布，即确定语言中任意词序列的概率，它提供了从概率统计角度建模语言文字的独特视角。语言模型在自然语言处理中用广泛的应用，在语音识别、语法纠错、机器翻译、语言生成等任务中均发挥
  • 统计机器学习（二）-- 概率（3、4、5、6） 雪茸川
    概率1.1概率空间和事件样本空间是实验所有可能结果的空间，,是一个元素或者实现事件是样本空间的子集测度论相关巴拉巴拉随机变量离散随机变量(0-1)分布数学期望二项分布数学期望性质函数n:整数推广NegativeBinomialDistribution几何分布数学期望比如丢硬币得到一次正面所需要的次数泊松分布泊松定理注意：意味着当n很大的时候必定很小可能场景：一本书中一页的印刷错误，一天内病人的人数
  • 【AI】机器学习——绪论 AmosTian AI#机器学习人工智能机器学习AI
    文章目录1.1机器学习概念1.1.1定义统计机器学习与数据挖掘区别机器学习前提1.1.2术语1.1.3特点以数据为研究对象目标方法——基于数据构建模型SML三要素SML步骤1.2分类1.2.1参数化/非参数化方法1.2.2按算法分类1.2.3按模型分类概率模型非概率模型逻辑斯蒂回归1.2.4基本分类监督学习分类符号表示形式化特征无监督模型特征符号表示形式化强化学习半监督学习主动学习1.2.5按技巧
  • 统计机器学习 -- 目录 雪茸川
    概率基础随机变量1随机变量2高斯分布连续分布例子scalemixturepisribarinjeffreypriorstatisticinterenceLaplace变换多元分布定义概率变换jacobianwedgeproduction统计量多元正态分布Wishart分布矩阵元Beta分布统计量充分统计量指数值分布共轭先验性质EntropyKLdistanceproperties概率不等式1概率不
  • 1.统计学习及监督学习概论 徴徴南风
    1.1统计学习统计学习是关于计算机基于数据构建概率统计模型并运用模型对数据进行预测与分析的一门学科。统计学习也称为统计机器学习。统计学习的前置知识：工科数学（高等数学），线性代数，概率论，一门基础编程语言（python）统计学习的步骤:有限数据-》假设空间-》学习策略-》实现算法-》选择最优-》预测新数据1.2统计学习的分类基本分类：监督学习，无监督学习，半监督学习，强化学习监督学习：监督学习的本
  • 人工智能之数学（概率方面） aidh123 人工智能之数学概率贝叶斯
    我们经常使用的统计机器学习算法，或者是神经网络模型中，数学作为最基础的根基，融合了高等数学中的微分学、概率、线性代数、凸优化等方面，每一个方面深入后都是有很多的益处，但是本着先实用，在进行学习的原则。所以主要是理解相关数学符号，理解统计学习中一些和概率相关的算法推导，即可。基础概率：一件事情发生的概率，等于该事件发生的数目除以所发生的数目。例如电影院观影人数为100人，女生50人，男士50人，你看
  • 统计学习方法学习笔记（一）————统计学习方法概论 阿波拉 统计学习方法李航统计学习数据监督学习特征空间
    1.统计学习（1）统计学习概念统计学习(statisticallearning)是关于计算机基于数据构建概率统计模型并运用模型对数据进行预测与分析的一门学科。统计学习也称为统计机器学习(statisticalmachinelearning)。（2）统计学习的特点统计学习以计算机及网络为平台，是建立在计算机及网络之上的。统计学习以数据为研究对象，是数据驱动的学科。统计学习的目的是对数据进行预测与分析
  • 2022-04-29 《当产品经理遇到人工智能》读书笔记07 自然语言处理的产品应用 May_1013
    自然语言处理产品应用在人工智能领域，会将所有人类使用的语言视为“自然”语言。自然语言处理NaturalLanguageProcessing，NLP技术可以让机器更加懂得人类的自然语言，理解人类通过语言所表达的含义。一、认识NLP1、常见自然语言处理的两种方法1）基于规则来理解自然语言，即通过制定一系列的规则来设计一个程序，然后通过这个程序来解决自然语言交流的问题2）基于统计机器学习来理解自然语言，
  • 《统计学习方法》学习笔记1：以方法为中心 王同学LM Machinelearning学习方法学习笔记
    统计学习，也称统计机器学习，什么是学习，如果一个系统能够通过执行某个过程改进它的性能，就说这个系统可以学习。按此定义，统计机器学习，就是计算机系统通过运行数据及统计方法提高系统性能的机器学习。它以计算机和网络为平台，以数据为研究对象，目的是对数据进行预测与分析。统计学习以方法为中心，方法构建模型，再应用模型去预测与分析。1.统计学习建立在计算机和网络之上自不必说。2.之所以以数据为研究对象，是因为
  • 基于weka手工实现逻辑斯谛回归（Logistic回归） 非妃是公主 机器学习数据挖掘人工智能分类算法机器学习
    一、logistic回归模型逻辑斯谛回归模型其实是一种分类模型，这里实现的是参考李航的《统计机器学习》以及周志华的《机器学习》两本教材来整理实现的。假定我们的输入为xxx，xxx可以是多个维度的，我们想要根据xxx去预测yyy，y∈{0,1}y\in\{0,1\}y∈{0,1}。逻辑斯谛的模型如下：p(Y=1∣x)=exp(w⋅x)1+exp(w⋅x)(1)p(Y=1|x)=\frac{exp(w
  • 大作业(文本分类系统的设计与实现) 沃洛德.辛肯 分类机器学习深度学习自然语言处理
    文本分类系统的设计与实现文本分类系统是一种利用计算机自动将文本数据分配到预先定义的类别的应用系统。文本分类系统可以广泛应用于情感分析、话题标记、新闻分类、问答系统等领域，具有重要的理论价值和实际意义。本文介绍了一个基于统计机器学习方法和深度学习方法的文本分类系统的设计与实现，主要包括以下几个方面：项目目标本项目的目标是实现一个文本分类系统，能够对输入的文本进行有效的分类，并且能够在给定的数据集或者
  • 23 前馈神经网络——Feedforward Neural Network hanhan不是很憨憨 机器学习-白板推导神经网络机器学习深度学习
    文章目录23前馈神经网络——FeedforwardNeuralNetwork23.1神经网络背景23.2解决非线性问题的三种方法23前馈神经网络——FeedforwardNeuralNetwork23.1神经网络背景神经网络也是从机器学习中拓展而出。回顾之前的机器学习，我们可以将内容如下划分：频率派——统计机器学习正则化：通过给lossfuntion加上惩罚项修正结果核化：通过引入核方法解决更多类
  • rust的指针作为函数返回值是直接传递，还是先销毁后创建？ wudixiaotie 返回值
     这是我自己想到的问题，结果去知呼提问，还没等别人回答， 我自己就想到方法实验了。。 fn main() { let mut a = 34; println!("a's addr:{:p}", &a); let p = &mut a; println!("p's addr:{:p}", &a
  • java编程思想 -- 数据的初始化 百合不是茶 java数据的初始化
      1.使用构造器确保数据初始化      /* *在ReckInitDemo类中创建Reck的对象 */ public class ReckInitDemo { public static void main(String[] args) { //创建Reck对象 new Reck(); } }
  • [航天与宇宙]为什么发射和回收航天器有档期 comsci
           地球的大气层中有一个时空屏蔽层,这个层次会不定时的出现,如果该时空屏蔽层出现,那么将导致外层空间进入的任何物体被摧毁,而从地面发射到太空的飞船也将被摧毁...        所以,航天发射和飞船回收都需要等待这个时空屏蔽层消失之后,再进行 &
  • linux下批量替换文件内容 商人shang linux替换
    1、网络上现成的资料 　　格式: sed -i "s/查找字段/替换字段/g" `grep 查找字段 -rl 路径` 　　linux sed 批量替换多个文件中的字符串 　　sed -i "s/oldstring/newstring/g" `grep oldstring -rl yourdir` 　　例如：替换/home下所有文件中的www.admi
  • 网页在线天气预报 oloz 天气预报
    网页在线调用天气预报 <%@ page language="java" contentType="text/html; charset=utf-8" pageEncoding="utf-8"%> <!DOCTYPE html PUBLIC "-//W3C//DTD HTML 4.01 Transit
  • SpringMVC和Struts2比较 杨白白 springMVC
    1. 入口 spring mvc的入口是servlet，而struts2是filter（这里要指出，filter和servlet是不同的。以前认为filter是servlet的一种特殊），这样就导致了二者的机制不同，这里就牵涉到servlet和filter的区别了。 参见：http://blog.csdn.net/zs15932616453/article/details/8832343 2
  • refuse copy, lazy girl! 小桔子 copy
           妹妹坐船头啊啊啊啊！都打算一点点琢磨呢。文字编辑也写了基本功能了。。今天查资料，结果查到了人家写得完完整整的。我清楚的认识到： 1.那是我自己觉得写不出的高度 2.如果直接拿来用，很快就能解决问题 3.然后就是抄咩~~ 4.肿么可以这样子，都不想写了今儿个，留着作参考吧！拒绝大抄特抄，慢慢一点点写！  
  • apache与php整合 aichenglong php apache web
    一  apache web服务器 1 apeche web服务器的安装   1)下载Apache web服务器   2)配置域名(如果需要使用要在DNS上注册)   3)测试安装访问http://localhost/验证是否安装成功 2 apache管理   1)service.msc进行图形化管理   2)命令管理，配
  • Maven常用内置变量 AILIKES maven
    Built-in properties ${basedir} represents the directory containing pom.xml ${version} equivalent to ${project.version} (deprecated: ${pom.version}) Pom/Project properties Al
  • java的类和对象 百合不是茶 JAVA面向对象 类 对象
    java中的类：     java是面向对象的语言，解决问题的核心就是将问题看成是一个类，使用类来解决   java使用 class 类名   来创建类 ，在Java中类名要求和构造方法，Java的文件名是一样的   创建一个A类： class A{ }   java中的类：将某两个事物有联系的属性包装在一个类中，再通
  • JS控制页面输入框为只读 bijian1013 JavaScript
    在WEB应用开发当中，增、删除、改、查功能必不可少，为了减少以后维护的工作量，我们一般都只做一份页面，通过传入的参数控制其是新增、修改或者查看。而修改时需将待修改的信息从后台取到并显示出来，实际上就是查看的过程，唯一的区别是修改时，页面上所有的信息能修改，而查看页面上的信息不能修改。因此完全可以将其合并，但通过前端JS将查看页面的所有信息控制为只读，在信息量非常大时，就比较麻烦。  
  • AngularJS与服务器交互 bijian1013 JavaScriptAngularJS$http
            对于AJAX应用（使用XMLHttpRequests）来说，向服务器发起请求的传统方式是：获取一个XMLHttpRequest对象的引用、发起请求、读取响应、检查状态码，最后处理服务端的响应。整个过程示例如下： var xmlhttp = new XMLHttpRequest(); xmlhttp.onreadystatechange
  • [Maven学习笔记八]Maven常用插件应用 bit1129 maven
    常用插件及其用法位于：http://maven.apache.org/plugins/   1. Jetty server plugin 2. Dependency copy plugin 3. Surefire Test plugin 4. Uber jar plugin           1. Jetty Pl
  • 【Hive六】Hive用户自定义函数(UDF) bit1129 自定义函数
    1. 什么是Hive UDF Hive是基于Hadoop中的MapReduce，提供HQL查询的数据仓库。Hive是一个很开放的系统，很多内容都支持用户定制，包括： 文件格式：Text File，Sequence File 内存中的数据格式： Java Integer/String, Hadoop IntWritable/Text 用户提供的 map/reduce 脚本：不管什么
  • 杀掉nginx进程后丢失nginx.pid，如何重新启动nginx ronin47 nginx 重启 pid丢失
    nginx进程被意外关闭，使用nginx -s reload重启时报如下错误：nginx: [error] open() “/var/run/nginx.pid” failed (2: No such file or directory)这是因为nginx进程被杀死后pid丢失了，下一次再开启nginx -s reload时无法启动解决办法：nginx -s reload 只是用来告诉运行中的ng
  • UI设计中我们为什么需要设计动效 brotherlamp UIui教程ui视频ui资料ui自学
    随着国际大品牌苹果和谷歌的引领，最近越来越多的国内公司开始关注动效设计了，越来越多的团队已经意识到动效在产品用户体验中的重要性了，更多的UI设计师们也开始投身动效设计领域。 但是说到底，我们到底为什么需要动效设计？或者说我们到底需要什么样的动效？做动效设计也有段时间了，于是尝试用一些案例，从产品本身出发来说说我所思考的动效设计。 一、加强体验舒适度 嗯，就是让用户更加爽更加爽的用你的产品。
  • Spring中JdbcDaoSupport的DataSource注入问题 bylijinnan javaspring
    参考以下两篇文章： http://www.mkyong.com/spring/spring-jdbctemplate-jdbcdaosupport-examples/ http://stackoverflow.com/questions/4762229/spring-ldap-invoking-setter-methods-in-beans-configuration Sprin
  • 数据库连接池的工作原理 chicony 数据库连接池
           随着信息技术的高速发展与广泛应用，数据库技术在信息技术领域中的位置越来越重要，尤其是网络应用和电子商务的迅速发展，都需要数据库技术支持动 态Web站点的运行，而传统的开发模式是：首先在主程序（如Servlet、Beans）中建立数据库连接；然后进行SQL操作，对数据库中的对象进行查 询、修改和删除等操作；最后断开数据库连接。使用这种开发模式，对
  • java 关键字 CrazyMizzz java
    关键字是事先定义的，有特别意义的标识符，有时又叫保留字。对于保留字，用户只能按照系统规定的方式使用，不能自行定义。 Java中的关键字按功能主要可以分为以下几类：    （1）访问修饰符       public,private,protected       p
  • Hive中的排序语法 daizj 排序hiveorder byDISTRIBUTE BYsort by
    Hive中的排序语法 2014.06.22 ORDER BY hive中的ORDER BY语句和关系数据库中的sql语法相似。他会对查询结果做全局排序，这意味着所有的数据会传送到一个Reduce任务上，这样会导致在大数量的情况下，花费大量时间。 与数据库中 ORDER BY 的区别在于在hive.mapred.mode = strict模式下，必须指定 limit 否则执行会报错。
  • 单态设计模式 dcj3sjt126com 设计模式
      单例模式（Singleton）用于为一个类生成一个唯一的对象。最常用的地方是数据库连接。 使用单例模式生成一个对象后，该对象可以被其它众多对象所使用。 <?phpclass Example{    // 保存类实例在此属性中    private static&
  • svn locked dcj3sjt126com Lock
    post-commit hook failed (exit code 1) with output: svn: E155004: Working copy 'D:\xx\xxx' locked svn: E200031: sqlite: attempt to write a readonly database svn: E200031: sqlite: attempt to write a
  • ARM寄存器学习 e200702084 数据结构C++cC#F#
    无论是学习哪一种处理器，首先需要明确的就是这种处理器的寄存器以及工作模式。     ARM有37个寄存器，其中31个通用寄存器，6个状态寄存器。 1、不分组寄存器（R0-R7）     不分组也就是说说，在所有的处理器模式下指的都时同一物理寄存器。在异常中断造成处理器模式切换时，由于不同的处理器模式使用一个名字相同的物理寄存器，就是
  • 常用编码资料 gengzg 编码
    List<UserInfo> list=GetUserS.GetUserList(11); String json=JSON.toJSONString(list); HashMap<Object,Object> hs=new HashMap<Object, Object>(); for(int i=0;i<10;i++) {
  • 进程 vs. 线程 hongtoushizi 线程linux进程
    我们介绍了多进程和多线程，这是实现多任务最常用的两种方式。现在，我们来讨论一下这两种方式的优缺点。 首先，要实现多任务，通常我们会设计Master-Worker模式，Master负责分配任务，Worker负责执行任务，因此，多任务环境下，通常是一个Master，多个Worker。 如果用多进程实现Master-Worker，主进程就是Master，其他进程就是Worker。 如果用多线程实现
  • Linux定时Job：crontab -e 与 /etc/crontab 的区别 Josh_Persistence linuxcrontab
    一、linux中的crotab中的指定的时间只有5个部分：* * * * * 分别表示：分钟，小时，日，月，星期，具体说来： 第一段 代表分钟 0—59 第二段 代表小时 0—23 第三段 代表日期 1—31 第四段 代表月份 1—12 第五段 代表星期几，0代表星期日 0—6   如： */1 * * * *   每分钟执行一次。 *
  • KMP算法详解 hm4123660 数据结构C++算法字符串KMP
         字符串模式匹配我们相信大家都有遇过，然而我们也习惯用简单匹配法（即Brute-Force算法)，其基本思路就是一个个逐一对比下去，这也是我们大家熟知的方法，然而这种算法的效率并不高，但利于理解。       假设主串s="ababcabcacbab",模式串为t="
  • 枚举类型的单例模式 zhb8015 单例模式
    E.编写一个包含单个元素的枚举类型[极推荐]。代码如下： public enum MaYun {himself; //定义一个枚举的元素，就代表MaYun的一个实例private String anotherField;MaYun() {//MaYun诞生要做的事情//这个方法也可以去掉。将构造时候需要做的事情放在instance赋值的时候：/** himself = MaYun() {*
  • Kafka+Storm+HDFS ssydxa219 storm
    cd /myhome/usr/stormbin/storm nimbus &amp;bin/storm supervisor &amp;bin/storm ui &amp;Kafka+Storm+HDFS整合实践kafka_2.9.2-0.8.1.1.tgzapache-storm-0.9.2-incubating.tar.gzKafka安装配置我们使用3台机器搭建Kafk
  • Java获取本地服务器的IP 中华好儿孙 javaWeb获取服务器ip地址
    System.out.println("getRequestURL:"+request.getRequestURL()); System.out.println("getLocalAddr:"+request.getLocalAddr()); System.out.println("getLocalPort:&quo
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他