- 《模式识别与机器学习》第一章
CS_Zero
机器学习人工智能
C1符号含义x\boldxx:向量,曲线拟合问题中的x坐标数值序列。元素个数为N。t\boldtt:向量,曲线拟合问题中的y坐标(target)数值序列。w\boldww:向量,曲线拟合问题中的待估计的参数,即M阶多项式的各阶系数。β\betaβ:标量,协方差的倒数,表示样本的精度。α\alphaα:标量,同上,曲线拟合例子中的先验的精度。多项式曲线拟合E(w)=12∑n=1N{y(xn,w)−t
- 【课程作业_01】国科大2023模式识别与机器学习实践作业
lzl2040
我的笔记python机器学习数据集人工智能
国科大2023模式识别与机器学习实践作业作业内容从四类方法中选三类方法,从选定的每类方法中,各选一种具体的方法,从给定的数据集中选一个数据集(MNIST,CIFAR-10,电信用户流失数据集)对这三种方法进行测试比较。第一类方法::线性方法:线性SVM、LogisticRegression第二类方法:非线性方法:KernelSVM,决策树第三类方法:集成学习:Bagging,Boosting第四类
- 模式识别与机器学习—PCA分析
在下雨599
模式识别复习机器学习人工智能
主成分分析将高维空间线性投影到一个低维空间,希望在这个低维空间能够表征高维空间中的绝大部分信息,即信息损失最小。关键:找到投影方向补充知识:主成分分析(PCA)目标函数1:最小化重建误差主成分分析(PCA)目标函数2:最大投影后的方差
- 国科大模式识别与机器学习2015-2019、2021仅考题
智商欠费,不死也废
期末机器学习人工智能
2015(8)试描述线性判别函数的基本概念,并说明既然有线性判别函,为什么还需要非线性判别函数?假设有两种模式,每类包括6个4维不同的模式,且良好分布。如果他们是线性可分的。问权向量至少需要几个系数分量?假如要建立额尔茨的多项式判别函数,又至少需要几个系数分量?(设模式的良好分布不因模式变化而改变)(8分)简述偏差方差分解及其推导过程,并说明偏差、方差、噪声三部分的内在含义。(8分)试描述用EM算
- 模式识别与机器学习-半监督学习
Kilig*
机器学习机器学习学习人工智能
模式识别与机器学习-半监督学习半监督学习半监督学习的三个假设半监督学习算法自学习算法自学习的步骤:自学习的优缺点:优点:缺点:协同训练多视角学习生成模型半监督SVM谨以此博客作为复习期间的记录半监督学习半监督学习(Semi-SupervisedLearning)是机器学习的一种范式,它利用同时包含标记(有标签)和未标记(无标签)数据的数据集来进行模型训练。相比于监督学习和无监督学习,半监督学习尝试
- 模式识别与机器学习-概率图模型
Kilig*
机器学习机器学习人工智能
模式识别与机器学习-概率图模型概率图模型三大基本问题表示推断学习有向概率图模型例子三种经典的图HMMViterbi算法谨以此博客作为复习期间的记录概率图模型三大基本问题概率图模型通常涉及三个基本问题,即表示(Representation)、推断(Inference)和学习(Learning)。这三个问题是概率图模型中关键的核心概念。表示(Representation):表示问题涉及选择合适的图结构
- 模式识别与机器学习-集成学习
Kilig*
机器学习机器学习集成学习人工智能
集成学习集成学习思想过拟合与欠拟合判断方法K折交叉验证BootstrapBagging随机森林的特点和工作原理:BoostingAdaBoost工作原理:AdaBoost的特点和优点:AdaBoost的缺点:GradientBoosting工作原理:GradientBoosting的特点和优点:GradientBoosting的变种:Bagging和Boosting算法比较Bagging(Boot
- 模式识别与机器学习-无监督学习-降维
Kilig*
机器学习机器学习学习人工智能
模式识别与机器学习-无监督学习-降维为什么要降维维度选择手工移除特征过滤式选择包裹式选择嵌入式选择维度抽取(线性模型)MDSPCA目标1:最小重构误差目标2:最大投影方差SVD思考:为什么保留特征值大的?维度抽取(非线性模型)KPCA流形学习ISOMAP优点:缺点:LLET-SNE谨以此博客作为复习期间的记录为什么要降维消除冗余信息和噪声:原始数据集可能包含大量冗余特征或噪声,这些特征可能对模型训
- 模式识别与机器学习-SVM(带软间隔的支持向量机)
Kilig*
机器学习支持向量机机器学习算法
SVM(带软间隔的支持向量机)软间隔思想的由来软间隔的引入谨以此博客作为复习期间的记录。软间隔思想的由来在上一篇博客中,回顾了线性可分的支持向量机,但在实际情况中,很少有完全线性可分的情况,大部分线性可分的情况都是整体线性可分,个别样本点无法线性分割开。因此就要避免这极个别样本点对分割平面产生的影响。线性可分支持向量机软间隔的引入在分类过程中,允许极个别数据点“越界”,如何在目标函数中体现这一点呢
- 模式识别与机器学习-无监督学习-聚类
Kilig*
机器学习机器学习学习聚类
无监督学习-聚类监督学习&无监督学习K-meansK-means聚类的优点:K-means的局限性:解决方案:高斯混合模型(GaussianMixtureModels,GMM)多维高斯分布的概率密度函数:高斯混合模型(GaussianMixtureModel,GMM)模型形式:EM算法迭代过程:K-means与高斯混合模型(GMM)的对比:K-means:高斯混合模型(GMM):高斯混合模型(GM
- 模式识别与机器学习-SVM(线性支持向量机)
Kilig*
机器学习支持向量机机器学习算法
线性支持向量机线性支持向量机间隔距离学习的对偶算法算法:线性可分支持向量机学习算法线性可分支持向量机例子谨以此博客作为复习期间的记录线性支持向量机在以上四条线中,都可以作为分割平面,误差率也都为0。但是那个分割平面效果更好呢?其实可以看出,黑色的线具有更好的性质,因为如果将黑色的线作为分割平面,将会有更大的间隔距离。其中,分割平面可以用以下式子表示:wx+b=0wx+b=0wx+b=0w和bw\t
- 模式识别与机器学习-SVM(核方法)
Kilig*
机器学习机器学习支持向量机人工智能
SVM(核方法)核方法核技巧在SVM中的应用谨以此博客作为复习期间的记录核方法对解线性分类问题,线性分类支持向量机是一种非常有效的方法.但是,有时分类问题是非线性的,这时可以使用非线性支持向量机,核心思想是通过核方法将低维非线性可分数据转化为高维线性可分数据。非线性问题往往不好求解,所以希望能用解线性分类问题的方法解决这个问题.所采取的方法是进行一个非线性变换,将非线性问题变换为线性问题,通过解变
- 模式识别与机器学习第一章
露(^_^)
模式识别与机器学习python
一、模式的概念广义:存在于时间和空间中可观察的物体。如果可以区别它们是否相同或是否相似,都可以称之为模式。狭义:模式所指的不是事物本身,而是从事物获得的信息,模式往往表现为具有时间和空间分布的信息。模式的直观特性:可观察性、可区分性、相似性。二、模式识别的概念模式识别:直观,无所不在,“人以类聚,物以群分”。目的:利用计算机对物理对象进行分类,在错误概率最小的条件下,使识别的结果尽量与客观物体相符
- 模式识别与机器学习(十二):Stacking
从零开始的奋豆
模式识别与机器学习机器学习人工智能
原理在本次实验中以决策树、svm和随机森林为基学习器,以决策树为元学习器。Stacking的做法是首先构建多个不同类型的一级学习器,并使用他们来得到一级预测结果,然后基于这些一级预测结果,构建一个二级学习器,来得到最终的预测结果。Stacking的动机可以描述为:如果某个一级学习器错误地学习了特征空间的某个区域,那么二级学习器通过结合其他一级学习器的学习行为,可以适当纠正这种错误。具体步骤如下图所
- 模式识别与机器学习(十二):随机森林
从零开始的奋豆
模式识别与机器学习机器学习随机森林人工智能
原理随机森林(RandomForest,RF)是Bagging的一个扩展变体。RF在以决策树为基学习器构建Bagging集成的基础上,在决策树的训练过程中引入随机属性选择。训练每颗决策树时随机选出部分特征作为输入,所以该算法被称为随机森林算法。在RF中,对基决策树的每个结点,先从该结点的属性集合中随机选择一个包含k个属性的子集(假定有d个属性),然后再从这个子集中选择一个最优属性用于划分。参数k控
- 模式识别与机器学习-特征选择和提取
Kilig*
机器学习机器学习人工智能
模式识别与机器学习-特征选择和提取特征选择一些距离测度公式独立特征的选择准则一般特征的散布矩阵准则离散K-L变换谨以此博客作为复习期间的记录。常见分类问题的流程,数据预处理和特征选择提取时机器学习环节中最重要的两个流程。这两个环节直接决定了最终性能的上下限,本部分记录一下特征提取和选择部分(特征工程)特征选择可以表示为:从一个包含n个度量值的集合{x1,x2,…,xn}\{x_1,x_2,\dot
- 模式识别与机器学习第三章
露(^_^)
模式识别与机器学习python
一、线性判别函数1.两类问题的判别函数若这些属于ω1和ω2两类的模式可用一个直线方程d(x)=0来划分,d(x)=w1x1+w2x2+w3=0d(x)称为两类模式的判别函数;d(x)=0称为决策面/判别界面方程。用判别函数进行模式分类依赖的两个因素:(1)判别函数的几何性质:线性的和非线性的函数。(2)判别函数的系数:判别函数的形式确定后,主要就是确定判别函数的系数问题。2.n维线性判别函数的一般
- 【模式识别与机器学习】——2.2正态分布模式的贝叶斯分类器
weixin_30421809
人工智能
出发点:当已知或者有理由设想类概率密度函数P(x|ωi)是多变量的正态分布时,上一节介绍的贝叶斯分类器可以导出一些简单的判别函数。由于正态密度函数易于分析,且对许多重要的实际应用又是一种合适的模型,因此受到很大的重视。(贝叶斯分类规则是基于统计概念的。如果只有少数模式样本,一般较难获得最优的结果)正态分布模式的贝叶斯判别函数具有M种模式类别的多变量正态类密度函数为:其中,每一类模式的分布密度都完全
- 模式识别与机器学习-判别式分类器
Kilig*
机器学习人工智能
模式识别与机器学习-判别式分类器生成式模型和判别式模型的区别线性判别函数多分类情况多分类情况1多分类情况2多分类情况3例题广义线性判别函数实例分段线性判别函数Fisher线性判别感知机算法例:感知机多类别分类谨以此博客作为学习期间的记录生成式模型和判别式模型的区别生成式模型关注如何生成整个数据的分布,而判别式模型则专注于学习如何根据给定输入预测输出标签或数值。在实践中多数判别式模型要优于生成式模型
- 模式识别与机器学习(十一):Bagging
从零开始的奋豆
模式识别与机器学习机器学习
1.原理Bagging[Breiman,1996a]是井行式集成学习方法最著名的代表.从名字即可看出,它直接基于自助采样法(bootstrapsampling)。给定包含m个样本的数据集,我们先随机取出一个样本放入采样集中,再把该样本放回初始数据集,使得下次采样时该样本仍有可能被选中,这样,经过m次随机采样操作,我们得到含m个样本的采样集,初始训练集中有的样本在采样集里多次出现,有的则从未出现,初
- 模式识别与机器学习(十):梯度提升树
从零开始的奋豆
模式识别与机器学习机器学习人工智能
1.原理提升方法实际采用加法模型(即基函数的线性组合)与前向分步算法。以决策树为基函数的提升方法称为提升树(boostingtree)。对分类问题决策树是二叉分类树,对回归问题决策树是二叉回归树。提升树模型可以表示为决策树的加法模型:fM(x)=∑m=1MT(x;θm)f_M(x)=\sum_{m=1}^MT(x;\theta_m)fM(x)=m=1∑MT(x;θm)其中,T(x;θm)T(x;\
- 模式识别与机器学习(九):Adaboost
从零开始的奋豆
模式识别与机器学习机器学习人工智能
1.原理AdaBoost是AdaptiveBoosting(自适应增强)的缩写,它的自适应在于:被前一个基本分类器误分类的样本的权值会增大,而正确分类的样本的权值会减小,并再次用来训练下一个基本分类器。同时,在每一轮迭代中,加入一个新的弱分类器,直到达到某个预定的足够小的错误率或预先指定的最大迭代次数再确定最后的强分类器。1.算法步骤首先,是初始化训练数据的权值分布D1。假设有N个训练样本数据,则
- 模式识别与机器学习(八):决策树
从零开始的奋豆
模式识别与机器学习机器学习决策树人工智能
1.原理决策树(DecisionTree),它是一种以树形数据结构来展示决策规则和分类结果的模型,作为一种归纳学习算法,其重点是将看似无序、杂乱的已知数据,通过某种技术手段将它们转化成可以预测未知数据的树状模型,每一条从根结点(对最终分类结果贡献最大的属性)到叶子结点(最终分类结果)的路径都代表一条决策的规则。一般,一棵决策树包含一个根节点,若干个内部结点和若干个叶结点。叶结点对应于决策结果,其他
- 模式识别与机器学习(七):集成学习
从零开始的奋豆
模式识别与机器学习机器学习集成学习人工智能
集成学习1.概念1.1类型1.2集成策略1.3优势2.代码实例2.1boosting2.2bagging2.3集成1.概念集成学习是一种机器学习方法,旨在通过组合多个个体学习器的预测结果来提高整体的预测性能。它通过将多个弱学习器(个体学习器)组合成一个强学习器,以获得更准确、更稳定的预测结果。在集成学习中,个体学习器可以是同质的(使用相同的学习算法,但在不同的训练集上训练)或异质的(使用不同的学习
- 图像形状及数量识别(matlab实现)
一寸光阴不可轻
matlab计算机视觉图像处理
米粒形状识别文章目录米粒形状识别概述一、图像处理1.图像去噪2.图像锐化3.边缘提取4.特征匹配二、matlab实现三、总程序代码结语概述基于视觉的沙粒形状识别系统模型需要借助计算机对特征的信息处理和分析,实现像人一样的智能识别,所以通常模式识别与机器学习存在着一定的联系。机器识别技术的实现主要分为以下几个步骤:(1)获取图像数据。(2)数据预处理。(3)图像特征提取。(4)设置分类器完成分类。基
- 模式识别与机器学习(六):数据降维
从零开始的奋豆
模式识别与机器学习matlab算法机器学习
1.数据降维数据降维有很多种,这里我们列出几个较为简单的2.PCAPCA是一种基于从高维空间映射到低维空间的映射方法,也是最基础的无监督降维算法,其目标是向数据变化最大的方向投影,或者说向重构误差最小化的方向投影。它由KarlPearson在1901年提出,属于线性降维方法。与PCA相关的原理通常被称为最大方差理论或最小误差理论。这两者目标一致,但过程侧重点则不同。求中心化后样本矩阵的协方差。求协
- 模式识别与机器学习(二):贝叶斯分类matlab实现
从零开始的奋豆
模式识别与机器学习分类人工智能数据挖掘
一.最小错误率step1:估计分类样本的各个属性的概率分布step2:估计先验概率step3:估计属于该类别的概率并取最大值这里以正态分布为例clc;clear;%风险表f=ones(4,4);%读数据X=xlsread('数据.xls');x=X(1:15,2:end);x_test=X(16:end,2:4);x1=x(find(x(:,4)==1),1:3);[n1,~]=size(x1);
- 推荐几本机器学习的书籍
古斯塔夫歼星炮
机器学习人工智能深度学习python开发语言
推荐几本机器学习的书籍:《机器学习》(TomM.Mitchell)、《统计学习方法》(李航)、《深度学习》(IanGoodfellow、YoshuaBengio和AaronCourville)、《模式识别与机器学习》(ChristopherM.Bishop)。
- 模式识别与机器学习(一)——引言
谢欣燕
笔记机器学习模式识别
1.1基本概念模式识别:从数据中识别或发现规律,并加以有效使用。为了进行模式识别,往往要借助计算设备进行编程实现和决策执行,这种设备即机器。机器学习:从计算设备的角度出发,是指机器从不具备某方面能力到具备次能力的学习过程,即发现数据中的规律并加以使用的能力。1.1.1投票选举近邻法集成学习主动学习1.2典型的机器学习系统1.2.1医学图像诊断病理图像:高倍显微镜下看到的将人体组织做成病理切片后的图
- 模式识别与机器学习·第二章——统计判别
谷雨·清明
UCAS模式识别与机器学习模式识别机器学习贝叶斯
模式识别与机器学习·第二章——统计判别统计判别的意义贝叶斯判别贝叶斯最小风险判别两类(M=2)情况的贝叶斯最小风险判别多类(M类)情况的贝叶斯最小风险判别正态分布模式的贝叶斯分类器统计判别的意义模式识别的目的就是要确定某一个给定的模式样本属于哪一类。可以通过对被识别对象的多次观察和测量,构成特征向量,并将其作为某一个判决规则的输入,按此规则来对样本进行分类。在获取模式的观测值时,有些事物具有确定的
- ASM系列四 利用Method 组件动态注入方法逻辑
lijingyao8206
字节码技术jvmAOP动态代理ASM
这篇继续结合例子来深入了解下Method组件动态变更方法字节码的实现。通过前面一篇,知道ClassVisitor 的visitMethod()方法可以返回一个MethodVisitor的实例。那么我们也基本可以知道,同ClassVisitor改变类成员一样,MethodVIsistor如果需要改变方法成员,注入逻辑,也可以
- java编程思想 --内部类
百合不是茶
java内部类匿名内部类
内部类;了解外部类 并能与之通信 内部类写出来的代码更加整洁与优雅
1,内部类的创建 内部类是创建在类中的
package com.wj.InsideClass;
/*
* 内部类的创建
*/
public class CreateInsideClass {
public CreateInsideClass(
- web.xml报错
crabdave
web.xml
web.xml报错
The content of element type "web-app" must match "(icon?,display-
name?,description?,distributable?,context-param*,filter*,filter-mapping*,listener*,servlet*,s
- 泛型类的自定义
麦田的设计者
javaandroid泛型
为什么要定义泛型类,当类中要操作的引用数据类型不确定的时候。
采用泛型类,完成扩展。
例如有一个学生类
Student{
Student(){
System.out.println("I'm a student.....");
}
}
有一个老师类
- CSS清除浮动的4中方法
IT独行者
JavaScriptUIcss
清除浮动这个问题,做前端的应该再熟悉不过了,咱是个新人,所以还是记个笔记,做个积累,努力学习向大神靠近。CSS清除浮动的方法网上一搜,大概有N多种,用过几种,说下个人感受。
1、结尾处加空div标签 clear:both 1 2 3 4
.div
1
{
background
:
#000080
;
border
:
1px
s
- Cygwin使用windows的jdk 配置方法
_wy_
jdkwindowscygwin
1.[vim /etc/profile]
JAVA_HOME="/cgydrive/d/Java/jdk1.6.0_43" (windows下jdk路径为D:\Java\jdk1.6.0_43)
PATH="$JAVA_HOME/bin:${PATH}"
CLAS
- linux下安装maven
无量
mavenlinux安装
Linux下安装maven(转) 1.首先到Maven官网
下载安装文件,目前最新版本为3.0.3,下载文件为
apache-maven-3.0.3-bin.tar.gz,下载可以使用wget命令;
2.进入下载文件夹,找到下载的文件,运行如下命令解压
tar -xvf apache-maven-2.2.1-bin.tar.gz
解压后的文件夹
- tomcat的https 配置,syslog-ng配置
aichenglong
tomcathttp跳转到httpssyslong-ng配置syslog配置
1) tomcat配置https,以及http自动跳转到https的配置
1)TOMCAT_HOME目录下生成密钥(keytool是jdk中的命令)
keytool -genkey -alias tomcat -keyalg RSA -keypass changeit -storepass changeit
- 关于领号活动总结
alafqq
活动
关于某彩票活动的总结
具体需求,每个用户进活动页面,领取一个号码,1000中的一个;
活动要求
1,随机性,一定要有随机性;
2,最少中奖概率,如果注数为3200注,则最多中4注
3,效率问题,(不能每个人来都产生一个随机数,这样效率不高);
4,支持断电(仍然从下一个开始),重启服务;(存数据库有点大材小用,因此不能存放在数据库)
解决方案
1,事先产生随机数1000个,并打
- java数据结构 冒泡排序的遍历与排序
百合不是茶
java
java的冒泡排序是一种简单的排序规则
冒泡排序的原理:
比较两个相邻的数,首先将最大的排在第一个,第二次比较第二个 ,此后一样;
针对所有的元素重复以上的步骤,除了最后一个
例题;将int array[]
- JS检查输入框输入的是否是数字的一种校验方法
bijian1013
js
如下是JS检查输入框输入的是否是数字的一种校验方法:
<form method=post target="_blank">
数字:<input type="text" name=num onkeypress="checkNum(this.form)"><br>
</form>
- Test注解的两个属性:expected和timeout
bijian1013
javaJUnitexpectedtimeout
JUnit4:Test文档中的解释:
The Test annotation supports two optional parameters.
The first, expected, declares that a test method should throw an exception.
If it doesn't throw an exception or if it
- [Gson二]继承关系的POJO的反序列化
bit1129
POJO
父类
package inheritance.test2;
import java.util.Map;
public class Model {
private String field1;
private String field2;
private Map<String, String> infoMap
- 【Spark八十四】Spark零碎知识点记录
bit1129
spark
1. ShuffleMapTask的shuffle数据在什么地方记录到MapOutputTracker中的
ShuffleMapTask的runTask方法负责写数据到shuffle map文件中。当任务执行完成成功,DAGScheduler会收到通知,在DAGScheduler的handleTaskCompletion方法中完成记录到MapOutputTracker中
- WAS各种脚本作用大全
ronin47
WAS 脚本
http://www.ibm.com/developerworks/cn/websphere/library/samples/SampleScripts.html
无意中,在WAS官网上发现的各种脚本作用,感觉很有作用,先与各位分享一下
获取下载
这些示例 jacl 和 Jython 脚本可用于在 WebSphere Application Server 的不同版本中自
- java-12.求 1+2+3+..n不能使用乘除法、 for 、 while 、 if 、 else 、 switch 、 case 等关键字以及条件判断语句
bylijinnan
switch
借鉴网上的思路,用java实现:
public class NoIfWhile {
/**
* @param args
*
* find x=1+2+3+....n
*/
public static void main(String[] args) {
int n=10;
int re=find(n);
System.o
- Netty源码学习-ObjectEncoder和ObjectDecoder
bylijinnan
javanetty
Netty中传递对象的思路很直观:
Netty中数据的传递是基于ChannelBuffer(也就是byte[]);
那把对象序列化为字节流,就可以在Netty中传递对象了
相应的从ChannelBuffer恢复对象,就是反序列化的过程
Netty已经封装好ObjectEncoder和ObjectDecoder
先看ObjectEncoder
ObjectEncoder是往外发送
- spring 定时任务中cronExpression表达式含义
chicony
cronExpression
一个cron表达式有6个必选的元素和一个可选的元素,各个元素之间是以空格分隔的,从左至右,这些元素的含义如下表所示:
代表含义 是否必须 允许的取值范围 &nb
- Nutz配置Jndi
ctrain
JNDI
1、使用JNDI获取指定资源:
var ioc = {
dao : {
type :"org.nutz.dao.impl.NutDao",
args : [ {jndi :"jdbc/dataSource"} ]
}
}
以上方法,仅需要在容器中配置好数据源,注入到NutDao即可.
- 解决 /bin/sh^M: bad interpreter: No such file or directory
daizj
shell
在Linux中执行.sh脚本,异常/bin/sh^M: bad interpreter: No such file or directory。
分析:这是不同系统编码格式引起的:在windows系统中编辑的.sh文件可能有不可见字符,所以在Linux系统下执行会报以上异常信息。
解决:
1)在windows下转换:
利用一些编辑器如UltraEdit或EditPlus等工具
- [转]for 循环为何可恨?
dcj3sjt126com
程序员读书
Java的闭包(Closure)特征最近成为了一个热门话题。 一些精英正在起草一份议案,要在Java将来的版本中加入闭包特征。 然而,提议中的闭包语法以及语言上的这种扩充受到了众多Java程序员的猛烈抨击。
不久前,出版过数十本编程书籍的大作家Elliotte Rusty Harold发表了对Java中闭包的价值的质疑。 尤其是他问道“for 循环为何可恨?”[http://ju
- Android实用小技巧
dcj3sjt126com
android
1、去掉所有Activity界面的标题栏
修改AndroidManifest.xml 在application 标签中添加android:theme="@android:style/Theme.NoTitleBar"
2、去掉所有Activity界面的TitleBar 和StatusBar
修改AndroidManifes
- Oracle 复习笔记之序列
eksliang
Oracle 序列sequenceOracle sequence
转载请出自出处:http://eksliang.iteye.com/blog/2098859
1.序列的作用
序列是用于生成唯一、连续序号的对象
一般用序列来充当数据库表的主键值
2.创建序列语法如下:
create sequence s_emp
start with 1 --开始值
increment by 1 --増长值
maxval
- 有“品”的程序员
gongmeitao
工作
完美程序员的10种品质
完美程序员的每种品质都有一个范围,这个范围取决于具体的问题和背景。没有能解决所有问题的
完美程序员(至少在我们这个星球上),并且对于特定问题,完美程序员应该具有以下品质:
1. 才智非凡- 能够理解问题、能够用清晰可读的代码翻译并表达想法、善于分析并且逻辑思维能力强
(范围:用简单方式解决复杂问题)
- 使用KeleyiSQLHelper类进行分页查询
hvt
sql.netC#asp.nethovertree
本文适用于sql server单主键表或者视图进行分页查询,支持多字段排序。KeleyiSQLHelper类的最新代码请到http://hovertree.codeplex.com/SourceControl/latest下载整个解决方案源代码查看。或者直接在线查看类的代码:http://hovertree.codeplex.com/SourceControl/latest#HoverTree.D
- SVG 教程 (三)圆形,椭圆,直线
天梯梦
svg
SVG <circle> SVG 圆形 - <circle>
<circle> 标签可用来创建一个圆:
下面是SVG代码:
<svg xmlns="http://www.w3.org/2000/svg" version="1.1">
<circle cx="100" c
- 链表栈
luyulong
java数据结构
public class Node {
private Object object;
private Node next;
public Node() {
this.next = null;
this.object = null;
}
public Object getObject() {
return object;
}
public
- 基础数据结构和算法十:2-3 search tree
sunwinner
Algorithm2-3 search tree
Binary search tree works well for a wide variety of applications, but they have poor worst-case performance. Now we introduce a type of binary search tree where costs are guaranteed to be loga
- spring配置定时任务
stunizhengjia
springtimer
最近因工作的需要,用到了spring的定时任务的功能,觉得spring还是很智能化的,只需要配置一下配置文件就可以了,在此记录一下,以便以后用到:
//------------------------定时任务调用的方法------------------------------
/**
* 存储过程定时器
*/
publi
- ITeye 8月技术图书有奖试读获奖名单公布
ITeye管理员
活动
ITeye携手博文视点举办的8月技术图书有奖试读活动已圆满结束,非常感谢广大用户对本次活动的关注与参与。
8月试读活动回顾:
http://webmaster.iteye.com/blog/2102830
本次技术图书试读活动的优秀奖获奖名单及相应作品如下(优秀文章有很多,但名额有限,没获奖并不代表不优秀):
《跨终端Web》
gleams:http