_apache
_apache

机器学习数学基础（二）概率论（下）

复习《概率论与数理统计(浙大 第四版)》笔记整理

目录
- 1.概率论基础
- 2.统计量
- 3.大数定律
- 4.中心极限定理
- 5.最大似然估计

3.大数定律

3.1 定义：

设随机变量 X1 , X2 ,…, Xn 相互独立，并且具有相同的期望 μ 和方差 σ2 。取前n个随机变量的平均

Yn=1n∑i=1nXi

则对于任意ε>0，有
limn→∞P{∣∣Yn−μ∣∣<ε}=1

3.2 意义：

当n很大时候，随机变量 X1 , X2 ,…, Xn 的平均值 Yn 在概率意义下无限接近期望 μ

3.3 证明

证明之前先复习一下切比雪夫不等式

切比雪夫不等式定理 设随机变量 X 具有数学期望 E(X)=μ ，方差 D(X)=σ2 ，则对于任意 ε>0 ，不等式

P{∣∣X−μ∣∣≥ε}≤σ2ε2

你可能感兴趣的:(机器学习数学基础)

  • 《机器学习数学基础》补充资料：什么是随机变量 CS创新实验室 机器学习数学基础机器学习人工智能数学概率
    卓永鸿提供本文介绍什么是随机变量及为什么要发展此种概念。我们先来看这个问题：一个边长为aaa的正三角形，CCC为其外接圆，外接圆半径为RRR。若在圆内随机作一弦，则弦长lll大于aaa的概率为何？法1：随机半径法先拉出一条圆半径，然后随机在半径上取一点，再画出通过此点并垂直半径的弦。易知当弦心距小于R/2R/2R/2时，弦长lll大于aaa，故概率为1/21/21/2。法2：随机端点法在圆周上随机
  • 机器学习的一百个概念（12）学习率 Shockang 机器学习的一百个概念机器学习人工智能
    前言本文隶属于专栏《机器学习的一百个概念》，该专栏为笔者原创，引用请注明来源，不足和错误之处请在评论区帮忙指出，谢谢！本专栏目录结构和参考文献请见[《机器学习的一百个概念》ima知识库知识库广场搜索：知识库创建人机器学习@Shockang机器学习数学基础@Shockang深度学习@Shockang思维导图基础概念：学习率在机器学习中的重要性与发展历程|在机器学习这片广袤的领域中，学习率（Learn
  • 机器学习的一百个概念（10）假阳性率 Shockang 机器学习的一百个概念机器学习人工智能
    前言本文隶属于专栏《机器学习的一百个概念》，该专栏为笔者原创，引用请注明来源，不足和错误之处请在评论区帮忙指出，谢谢！本专栏目录结构和参考文献请见[《机器学习的一百个概念》ima知识库知识库广场搜索：知识库创建人机器学习@Shockang机器学习数学基础@Shockang深度学习@Shockang正文1.引言在机器学习的广阔天地中，模型评估指标是我们理解和优化模型的重要工具。其中，假阳性率（Fal
  • AI工程师成长指南：从入门到精通的完整路线图 赛博AI Lewis 人工智能
    AI工程师RoadmapAI工程师成长指南：从入门到精通的完整路线图随着人工智能技术的快速发展，AI工程师已成为全球科技行业的热门职业。本文基于行业标准Roadmap，结合核心技能与实战经验，为你梳理一条清晰的成长路径，助你从零基础迈向专业领域。一、夯实基础：数学、编程与机器学习数学基础线性代数：矩阵运算、特征值分解是深度学习模型（如神经网络）的核心数学工具。概率统计：贝叶斯推断、假设检验为模型评
  • 向量空间与范数 Shockang 机器学习数学通关指南人工智能机器学习数学线性代数
    前言本文隶属于专栏《机器学习数学通关指南》，该专栏为笔者原创，引用请注明来源，不足和错误之处请在评论区帮忙指出，谢谢！本专栏目录结构和参考文献请见《机器学习数学通关指南》ima知识库知识库广场搜索：知识库创建人机器学习@Shockang机器学习数学基础@Shockang深度学习@Shockang正文一、向量空间：机器学习的舞台1.1定义与核心要素️向量空间是机器学习的数学基础，它提供了描述和处理高
  • 互信息详解 Shockang 机器学习数学通关指南机器学习人工智能数学信息论
    前言本文隶属于专栏《机器学习数学通关指南》，该专栏为笔者原创，引用请注明来源，不足和错误之处请在评论区帮忙指出，谢谢！本专栏目录结构和参考文献请见《机器学习数学通关指南》ima知识库知识库广场搜索：知识库创建人机器学习@Shockang机器学习数学基础@Shockang深度学习@Shockang正文互信息：变量间关联性的量化利器互信息(MutualInformation)是信息论中的核心概念，也是
  • 机器学习数学基础：29.t检验 @心都 机器学习人工智能
    一、t检验的定义与核心思想（一）定义t检验（Student’st-test）是一种在统计学领域中广泛应用的基于t分布的统计推断方法。其主要用途在于判断样本均值与总体均值之间，或者两个独立样本的均值之间、配对样本的均值之间是否存在显著差异。例如，在教育研究中，可以通过t检验判断某个班级学生的平均成绩与全校学生的平均成绩是否有显著差异；在医学实验里，可用于比较实验组和对照组的患者某项生理指标的均值是否
  • 机器学习数学基础：32.复本信度 @心都 机器学习算法人工智能
    复本信度（Parallel-FormsReliability）深度详解教程专为小白打造，零基础也能轻松掌握一、深度解读复本信度复本信度，也被称为“平行测验信度”，其核心要义是借助两个虽然不同但在各方面等效的测验版本，对同一批受测者进行多次测量，然后对测量结果的一致性程度展开评估。从本质上讲，它是衡量测验稳定性的重要指标，能够有效减少因题目重复出现而致使受测者产生练习或记忆效应，进而影响测验结果真实
  • 机器学习数学基础：36.φ相关系数分析 @心都 机器学习人工智能
    用φ相关系数分析性别与心理测验态度关系的教程一、学习目标学会使用φ相关系数分析两个二分变量（如性别男/女、对心理测验态度肯定/否定）之间的关系，并通过卡方检验判断结果是否具有统计学意义。二、数据准备假设我们想研究青年大学生的性别和对心理测验的态度之间的关系，收集到如下2×22×22×2列联表数据（调查了170170170人）：肯定否定合计男生222222888888110110110女生18181
  • 机器学习数学基础：37.偏相关分析 @心都 机器学习人工智能
    偏相关分析教程一、偏相关分析是什么在很多复杂的系统中，比如地理系统，会有多个要素相互影响。偏相关分析就是在这样多要素构成的系统里，不考虑其他要素的干扰，专门去研究两个要素之间关系紧密程度的一种方法。用来衡量这种紧密程度的数值，叫做偏相关系数。举个简单例子，在研究一个地区的房价时，房价会受到很多因素影响，像地段、房屋面积、周边配套设施等。如果我们想知道单纯的房屋面积和房价之间的关系，就可以用偏相关分
  • 机器学习数学基础：22.对称矩阵的对角化 @心都 机器学习矩阵概率论
    一、核心概念详解（一）内积定义与公式：在nnn维向量空间中，对于向量x⃗=(x1,x2,⋯ ,xn)\vec{x}\=(x_1,x_2,\cdots,x_n)x=(x1,x2,⋯,xn)和y⃗=(y1,y2,⋯ ,yn)\vec{y}\=(y_1,y_2,\cdots,y_n)y=(y1,y2,⋯,yn)，内积记作(x⃗,y⃗)(\vec{x},\vec{y})(x,y)，其计算公式为(x⃗,y⃗
  • 机器学习数学基础：34.点二列 @心都 机器学习概率论人工智能
    点二列相关教程一、点二列相关的定义点二列相关是一种统计方法，用于衡量两个变量之间的相关程度。在这种相关分析中，一个变量是正态连续性变量，取值可以是连续的数值，比如身高、体重、考试分数等；另一个是真正的二分名义变量，其两个类别是天然存在、相互独立的，不能再细分，像性别（男/女）、是否吸烟（是/否）、抛硬币的结果（正面/反面）等。二、适用场景点二列相关常用于研究天然二分变量与连续变量之间的关系。例如在
  • 《机器学习数学基础》补充资料：四元数、点积和叉积 CS创新实验室 机器学习数学基础机器学习人工智能机器学习数学基础
    《机器学习数学基础》第1章1.4节介绍了内积、点积的有关概念，特别辨析了内积空间、欧几里得空间；第4章4.1.1节介绍了叉积的有关概念；4.1.2节介绍了张量积（也称外积）的概念。以上这些内容，在不同资料中，所用术语的含义会有所差别，读者阅读的时候，不妨注意，一般资料中，都是在欧几里得空间探讨有关问题，并且是在三维的欧氏空间中，其实质所指即相同。但是，如果不是在欧氏空间中，各概念、术语则不能混用。
  • 《机器学习数学基础》补充资料：求解线性方程组的克拉默法则 CS创新实验室 机器学习数学基础机器学习人工智能机器学习数学基础
    《机器学习数学基础》中并没有将解线性方程组作为重点，只是在第2章2.4.2节做了比较完整的概述。这是因为，如果用程序求解线性方程组，相对于高等数学教材中强调的手工求解，要简单得多了。本文是关于线性方程组的拓展，供对此有兴趣的读者阅读。1.线性方程组的解位于一条直线不失一般性，这里讨论三维空间的情况，对于多维空间，可以由此外推，毕竟三维空间便于想象和作图说明。设矩阵A=[124135]\pmb{A}
  • 机器学习数学基础：21.特征值与特征向量 @心都 机器学习概率论人工智能
    一、引言在现代科学与工程的众多领域中，线性代数扮演着举足轻重的角色。其中，特征值、特征向量以及相似对角化的概念和方法，不仅是线性代数理论体系的核心部分，更是解决实际问题的有力工具。无论是在物理学中描述系统的振动模式，还是在计算机科学里进行数据降维与图像处理，它们都发挥着关键作用。本教程将深入且全面地对这些内容展开讲解，旨在帮助读者透彻理解并熟练运用相关知识。二、基础知识准备（一）对角矩阵的高次幂计
  • 书籍-《机器学习数学基础》 机器学习深度学习数学
    书籍：MathematicsforMachineLearning作者：MarcPeterDeisenroth，A.AldoFaisal，ChengSoonOng出版：CambridgeUniversityPress编辑：陈萍萍的公主@一点人工一点智能下载：书籍下载-《机器学习数学基础》01书籍介绍理解机器学习所需的基本数学工具包括线性代数、解析几何、矩阵分解、向量微积分、最优化、概率论和统计学。这
  • 机器学习数学基础：20.方程组解的结构 @心都 机器学习数学基础机器学习人工智能
    一、教程简介本教程专门为线性代数零基础的小白打造，旨在全面且细致地讲解解方程组与基础解系的相关知识，助力大家逐步扎实地掌握这一重要内容板块。二、知识目标透彻理解非齐次与齐次线性方程组的定义、本质区别以及对应的解法。熟练掌握判断方程组解的存在性的方法，精准把握秩在其中起到的决定性作用。能够独立且准确地求解齐次线性方程组，并规范地表示出其通解。精通判断一个向量组是否为齐次线性方程组的基础解系的方法，并
  • 机器学习数学基础：18.向量组及其线性组合 @心都 机器学习数学基础机器学习概率论线性代数
    向量组与线性表示：案例与教程详解一、基础概念（一）向量组向量组是若干同位数列向量组成的集合。比如在平面直角坐标系中，向量组{α⃗1=[10],α⃗2=[01]}\{\vec{\alpha}_1\=\begin{bmatrix}1\\0\end{bmatrix},\vec{\alpha}_2\=\begin{bmatrix}0\\1\end{bmatrix}\}{α1=[10],α2=[01]}，这
  • 机器学习数学基础：8.泰勒公式 @心都 机器学习数学基础机器学习人工智能
    一、泰勒公式的由来：为啥我们需要它？同学们，想象一下，你拿到了一块超级复杂、弯弯曲曲，就像一团乱麻似的拼图（假设这拼图代表一个复杂函数，比如一条有各种起伏的波浪线），而你手头只有一些简单的积木块（这里的积木块就是多项式啦），现在要你用这些简单积木拼出拼图的模样，是不是感觉无从下手？这时候，泰勒公式就像一位智慧的导师闪亮登场，它会告诉你：“别慌，孩子，我来教你怎么挑选积木块，怎么决定它们的形状和大小
  • 机器学习数学基础：3.偏导数 @心都 机器学习数学基础机器学习人工智能
    偏导数教程一、偏导数的引入在我们研究一元函数y=f(x)y=f(x)y=f(x)时，导数y′=f′(x)y^\prime=f^\prime(x)y′=f′(x)表示函数yyy关于xxx的变化率。然而，当我们遇到多元函数，例如二元函数z=f(x,y)z=f(x,y)z=f(x,y)时，情况变得更加复杂。我们可能会想知道函数zzz在xxx方向或yyy方向上的变化率，这就引入了偏导数的概念。二、偏导数的
  • 机器学习数学基础：2.连续性与导数 @心都 机器学习数学基础机器学习概率论人工智能
    函数连续性、瞬时速度、导数相关知识一、函数连续性（一）函数在某点连续的条件有定义：函数在点x0x_0x0处要有明确、确定的值f(x0)f(x_0)f(x0)。例如，f(x)=1xf(x)=\frac{1}{x}f(x)=x1在x=0x=0x=0处无定义，不满足此条件，所以在x=0x=0x=0处不连续。极限存在：当xxx从x0x_0x0左侧（x→x0−x\tox_0^{-}x→x0−）和右侧（x→x
  • 机器学习数学基础：19.线性相关与线性无关 @心都 机器学习数学基础机器学习概率论线性代数
    一、线性相关与线性无关的定义（一）线性相关想象我们有一组向量，就好比是一群有着不同“力量”和“方向”的小伙伴。给定的向量组α⃗1,α⃗2,⋯ ,α⃗m\vec{\alpha}_1,\vec{\alpha}_2,\cdots,\vec{\alpha}_mα1,α2,⋯,αm，如果能找到不全为零的数k1,k2,⋯ ,kmk_1,k_2,\cdots,k_mk1,k2,⋯,km，让k1α⃗1+k2α⃗2
  • 机器学习数学基础：14.矩阵的公式 @心都 机器学习数学基础机器学习矩阵人工智能
    1.操作顺序可交换对于矩阵AAA，若存在两种运算???和???，使得(A?)?=(A?)?(A^{?})^{?}\=(A^{?})^{?}(A?)?=(A?)?，这意味着这两种运算的顺序可以交换。由此我们得到以下三个重要等式：(A∗)−1=(A−1)∗(A^{*})^{-1}\=(A^{-1})^{*}(A∗)−1=(A−1)∗：已知伴随矩阵与逆矩阵的关系A∗=∣A∣A−1A^{*}\=|A|A^
  • 机器学习数学基础：11.行列式的多种计算方法 @心都 机器学习数学基础机器学习线性代数人工智能
    行列式的多种计算方法行（列）相等型对于行列式∣1+a11122+a22333+a34444+a∣\begin{vmatrix}1+a&1&1&1\\2&2+a&2&2\\3&3&3+a&3\\4&4&4&4+a\end{vmatrix}1+a23412+a34123+a41234+a，通过将第一行元素都变为10+a10+a10+a，得到∣10+a10+a10+a10+a22+a22333+a344
  • 《机器学习数学基础》补充资料：第343页结论证明 CS创新实验室 数学基础机器学习人工智能概率论
    证明E(XT)=E(X)TE(\pmb{X}^{\text{T}})=E(\pmb{X})^{\text{T}}E(XT)=E(X)T《机器学习数学基础》第343页，有这样一句话：对于多维随机变量X\pmb{X}X，根据数学期望的定义，有：E(XT)=E(X)TE(\pmb{X}^{\text{T}})=E(\pmb{X})^{\text{T}}E(XT)=E(X)T。有读者反应，希望能给出有关证
  • 机器学习数学基础-定积分应用-经济问题 华东算法王（原聪明的小孩子 小孩哥解析宋浩微积分算法
    定积分在经济学中的应用广泛，特别是用来解决与累积量、平均值、总收入、成本、利润等相关的问题。以下是定积分在经济学中的几个常见应用场景：1.总收入和总成本的计算在经济学中，定积分常用于计算总收入、总成本等累积量。如果给定价格函数和需求函数或供应函数，定积分可以帮助我们计算从某一数量到另一数量之间的总收入或总成本。总收入：假设某商品的价格随数量的变化而变化，价格函数为(p(x))，其中(x)表示销售的
  • 机器学习数学基础-极值和最值 华东算法王（原聪明的小孩子 小孩哥解析宋浩微积分机器学习算法人工智能
    极值和最值极值和最值是数学中关于函数变化的重要概念，它们描述了函数在某些点附近或在整个定义域内的“最大”或“最小”行为。理解极值和最值对优化问题、函数分析、物理建模等领域有重要的应用。1.极值（LocalExtrema）极值是指函数在某个区间内的某一点取得的局部最大值或最小值。(1)局部最大值（LocalMaximum）一个函数在某点(x=c)取得局部最大值，意味着存在一个包含(c)的小区间，使得
  • 机器学习数学基础 对许 基础理论机器学习概率论线性代数
    机器学习基础1、标量、向量、矩阵、张量2、概率函数、概率分布、概率密度、分布函数3、向量的线性相关性4、最大似然估计5、正态分布（高斯分布）6、向量的外积（叉积）7、向量的内积（点积）8、超平面（H）1、标量、向量、矩阵、张量标量、向量、矩阵和张量是线性代数中不同维度的数学对象，它们之间的区别在于维数和结构：标量（Scalar）：标量是一个数值，只有大小，没有方向。例如物理学中的时间、质量、温度等
  • 2018年机器学习数学基础及算法视频教程 20课 适合基础学习 高清课件代码答疑全 花心五花肉
    课程介绍：不管是算法工程师还是机器学习相关岗位，很多企业招人时都会选择数学专业的毕业生，更有甚至数学的优先级超过计算机专业，尤其人工智能方面，Al人才门槛高的让人望而却步，其中一个重要的原因就是对数学基础的要求太高，从而限制了很大一批人的进入。课程优势：相关实用数学基础原理，课程设计循序渐进，妙趣横生，使用多个源于生活的场景深入浅出的讲解，动画效果和有趣小游戏案例贯穿全课程，带领你在不经意间轻轻松
  • 机器学习数学基础--凸优化 One2332x 几何学线性代数算法
    机器学习数学基础--凸优化1.计算几何是研究什么的？2.计算几何理论中（或凸集中）过两点的一条直线的表达式，是如何描述的？与初中数学中那些直线方程有什么差异？有什么好处？**在计算几何理论中（或凸集中）的表达式****在初中数学中的表达式****两者对比**3.凸集是什么？直线是凸集吗？是仿射集吗？**凸集是什么？****直线是凸集吗？****直线是仿射集吗？**4.三维空间中的一个平面，如何表达
  • 插入表主键冲突做更新 a-john
    有以下场景： 用户下了一个订单，订单内的内容较多，且来自多表，首次下单的时候，内容可能会不全（部分内容不是必须，出现有些表根本就没有没有该订单的值）。在以后更改订单时，有些内容会更改，有些内容会新增。 问题： 如果在sql语句中执行update操作，在没有数据的表中会出错。如果在逻辑代码中先做查询，查询结果有做更新，没有做插入，这样会将代码复杂化。 解决： mysql中提供了一个sql语
  • Android xml资源文件中@、@android:type、@*、？、@+含义和区别 Cb123456 @+@?@*
    一.@代表引用资源 1.引用自定义资源。格式：@[package:]type/name android：text="@string/hello"   2.引用系统资源。格式：@android:type/name     android:textColor="@android:color/opaque_red"
  • 数据结构的基本介绍 天子之骄 数据结构散列表树、图线性结构价格标签
    数据结构的基本介绍 数据结构就是数据的组织形式，用一种提前设计好的框架去存取数据，以便更方便，高效的对数据进行增删查改。正确选择合适的数据结构，对软件程序的高效执行的影响作用不亚于算法的设计。此外，在计算机系统中数据结构的作用也是非同小可。例如常常在编程语言中听到的栈，堆等，就是经典的数据结构。   经典的数据结构大致如下：   一：线性数据结构 (1)：列表 a
  • 通过二维码开放平台的API快速生成二维码 一炮送你回车库 api
     现在很多网站都有通过扫二维码用手机连接的功能，联图网(http://www.liantu.com/pingtai/)的二维码开放平台开放了一个生成二维码图片的Api,挺方便使用的。闲着无聊，写了个前台快速生成二维码的方法。        html代码如下:(二维码将生成在这div下) ? 1  &nbs
  • ImageIO读取一张图片改变大小 3213213333332132 javaIOimageBufferedImage
    package com.demo; import java.awt.image.BufferedImage; import java.io.File; import java.io.IOException; import javax.imageio.ImageIO; /** * @Description 读取一张图片改变大小 * @author FuJianyon
  • myeclipse集成svn（一针见血） 7454103 eclipseSVNMyEclipse
                                     &n
  • 装箱与拆箱----autoboxing和unboxing darkranger J2SE
    4.2　自动装箱和拆箱 基本数据(Primitive)类型的自动装箱(autoboxing)、拆箱(unboxing)是自J2SE 5.0开始提供的功能。虽然为您打包基本数据类型提供了方便，但提供方便的同时表示隐藏了细节，建议在能够区分基本数据类型与对象的差别时再使用。 4.2.1　autoboxing和unboxing 在Java中，所有要处理的东西几乎都是对象(Object)
  • ajax传统的方式制作ajax aijuans Ajax
    //这是前台的代码 <%@ page language="java" import="java.util.*" pageEncoding="UTF-8"%> <% String path = request.getContextPath(); String basePath = request.getScheme()+
  • 只用jre的eclipse是怎么编译java源文件的？ avords javaeclipsejdktomcat
    eclipse只需要jre就可以运行开发java程序了，也能自动 编译java源代码，但是jre不是java的运行环境么，难道jre中也带有编译工具？ 还是eclipse自己实现的？谁能给解释一下呢问题补充：假设系统中没有安装jdk or jre，只在eclipse的目录中有一个jre，那么eclipse会采用该jre，问题是eclipse照样可以编译java源文件，为什么呢？ &nb
  • 前端模块化 bee1314 模块化
    背景： 前端JavaScript模块化，其实已经不是什么新鲜事了。但是很多的项目还没有真正的使用起来，还处于刀耕火种的野蛮生长阶段。   JavaScript一直缺乏有效的包管理机制，造成了大量的全局变量，大量的方法冲突。我们多么渴望有天能像Java（import），Python (import)，Ruby(require)那样写代码。在没有包管理机制的年代，我们是怎么避免所
  • 处理百万级以上的数据处理 bijian1013 oraclesql数据库大数据查询
    一.处理百万级以上的数据提高查询速度的方法：        1.应尽量避免在 where 子句中使用!=或<>操作符，否则将引擎放弃使用索引而进行全表扫描。         2.对查询进行优化，应尽量避免全表扫描，首先应考虑在 where 及 o
  • mac 卸载 java 1.7 或更高版本 征客丶 javaOS
    卸载 java 1.7 或更高 sudo rm -rf /Library/Internet\ Plug-Ins/JavaAppletPlugin.plugin 成功执行此命令后，还可以执行 java 与 javac 命令 sudo rm -rf /Library/PreferencePanes/JavaControlPanel.prefPane 成功执行此命令后，还可以执行 java
  • 【Spark六十一】Spark Streaming结合Flume、Kafka进行日志分析 bit1129 Stream
    第一步，Flume和Kakfa对接，Flume抓取日志，写到Kafka中 第二部，Spark Streaming读取Kafka中的数据，进行实时分析   本文首先使用Kakfa自带的消息处理（脚本）来获取消息，走通Flume和Kafka的对接 1. Flume配置 1. 下载Flume和Kafka集成的插件，下载地址：https://github.com/beyondj2ee/f
  • Erlang vs TNSDL bookjovi erlang
          TNSDL是Nokia内部用于开发电信交换软件的私有语言，是在SDL语言的基础上加以修改而成，TNSDL需翻译成C语言得以编译执行，TNSDL语言中实现了异步并行的特点，当然要完整实现异步并行还需要运行时动态库的支持，异步并行类似于Erlang的process（轻量级进程），TNSDL中则称之为hand，Erlang是基于vm(beam)开发，
  • 非常希望有一个预防疲劳的java软件, 预防过劳死和眼睛疲劳,大家一起努力搞一个 ljy325 企业应用
    　非常希望有一个预防疲劳的java软件，我看新闻和网站，国防科技大学的科学家累死了，太疲劳，老是加班，不休息，经常吃药，吃药根本就没用，根本原因是疲劳过度。我以前做java,那会公司垃圾，老想赶快学习到东西跳槽离开，搞得超负荷，不明理。深圳做软件开发经常累死人，总有不明理的人，有个软件提醒限制很好，可以挽救很多人的生命。 相关新闻： （1）IT行业成五大疾病重灾区：过劳死平均37.9岁
  • 读《研磨设计模式》-代码笔记-原型模式 bylijinnan java设计模式
    声明： 本文只为方便我个人查阅和理解，详细的分析以及源代码请移步 原作者的博客http://chjavach.iteye.com/ /** * Effective Java 建议使用copy constructor or copy factory来代替clone()方法： * 1.public Product copy(Product p){} * 2.publi
  • 配置管理---svn工具之权限配置 chenyu19891124 SVN
    今天花了大半天的功夫，终于弄懂svn权限配置。下面是今天收获的战绩。 安装完svn后就是在svn中建立版本库，比如我本地的是版本库路径是C:\Repositories\pepos。pepos是我的版本库。在pepos的目录结构 pepos    component    webapps 在conf里面的auth里赋予的权限配置为 [groups]
  • 浅谈程序员的数学修养 comsci 设计模式编程算法面试招聘
                                     浅谈程序员的数学修养
  • 批量执行 bulk collect与forall用法 daizj oraclesqlbulk collectforall
    BULK COLLECT 子句会批量检索结果，即一次性将结果集绑定到一个集合变量中，并从SQL引擎发送到PL/SQL引擎。通常可以在SELECT INTO、 FETCH INTO以及RETURNING INTO子句中使用BULK COLLECT。本文将逐一描述BULK COLLECT在这几种情形下的用法。     有关FORALL语句的用法请参考：批量SQL之 F
  • Linux下使用rsync最快速删除海量文件的方法 dongwei_6688 OS
    1、先安装rsync：yum install rsync 2、建立一个空的文件夹：mkdir /tmp/test 3、用rsync删除目标目录：rsync --delete-before -a -H -v --progress --stats /tmp/test/ log/这样我们要删除的log目录就会被清空了，删除的速度会非常快。rsync实际上用的是替换原理，处理数十万个文件也是秒删。
  • Yii CModel中rules验证规格 dcj3sjt126com rulesyiivalidate
    Yii cValidator主要用法分析：  yii验证rulesit 分类： Yii yii的rules验证 cValidator主要属性 attributes ,builtInValidators,enableClientValidation,message,on,safe,skipOnError  
  • 基于vagrant的redis主从实验 dcj3sjt126com vagrant
    平台: Mac 工具: Vagrant 系统: Centos6.5 实验目的: Redis主从   实现思路 制作一个基于sentos6.5, 已经安装好reids的box, 添加一个脚本配置从机, 然后作为后面主机从机的基础box   制作sentos6.5+redis的box   mkdir vagrant_redis cd vagrant_
  • Memcached(二)、Centos安装Memcached服务器 frank1234 centosmemcached
    一、安装gcc rpm和yum安装memcached服务器连接没有找到，所以我使用的是make的方式安装，由于make依赖于gcc，所以要先安装gcc 开始安装，命令如下，[color=red][b]顺序一定不能出错[/b][/color]： 建议可以先切换到root用户，不然可能会遇到权限问题：su root 输入密码...... rpm -ivh kernel-head
  • Remove Duplicates from Sorted List hcx2013 remove
    Given a sorted linked list, delete all duplicates such that each element appear only once. For example,Given 1->1->2, return 1->2.Given 1->1->2->3->3, return&
  • Spring4新特性——JSR310日期时间API的支持 jinnianshilongnian spring4
    Spring4新特性——泛型限定式依赖注入 Spring4新特性——核心容器的其他改进 Spring4新特性——Web开发的增强 Spring4新特性——集成Bean Validation 1.1(JSR-349)到SpringMVC  Spring4新特性——Groovy Bean定义DSL Spring4新特性——更好的Java泛型操作API  Spring4新
  • 浅谈enum与单例设计模式 247687009 java单例
    在JDK1.5之前的单例实现方式有两种(懒汉式和饿汉式并无设计上的区别故看做一种)，两者同是私有构 造器，导出静态成员变量，以便调用者访问。 第一种 package singleton; public class Singleton { //导出全局成员 public final static Singleton INSTANCE = new S
  • 使用switch条件语句需要注意的几点 openwrt cbreakswitch
    1. 当满足条件的case中没有break，程序将依次执行其后的每种条件（包括default）直到遇到break跳出 int main() { int n = 1; switch(n) { case 1: printf("--1--\n"); default: printf("defa
  • 配置Spring Mybatis JUnit测试环境的应用上下文 schnell18 springmybatisJUnit
    Spring-test模块中的应用上下文和web及spring boot的有很大差异。主要试下来差异有： 单元测试的app context不支持从外部properties文件注入属性 @Value注解不能解析带通配符的路径字符串 解决第一个问题可以配置一个PropertyPlaceholderConfigurer的bean。 第二个问题的具体实例是：    
  • Java 定时任务总结一 tuoni javaspringtimerquartztimertask
     Java定时任务总结  一.从技术上分类大概分为以下三种方式：  1.Java自带的java.util.Timer类，这个类允许你调度一个java.util.TimerTask任务;   说明：    java.util.Timer定时器，实际上是个线程，定时执行TimerTask类 &
  • 一种防止用户生成内容站点出现商业广告以及非法有害等垃圾信息的方法 yangshangchuan rank相似度计算文本相似度词袋模型余弦相似度
    本文描述了一种在ITEYE博客频道上面出现的新型的商业广告形式及其应对方法，对于其他的用户生成内容站点类型也具有同样的适用性。   最近在ITEYE博客频道上面出现了一种新型的商业广告形式，方法如下：     1、注册多个账号（一般10个以上）。     2、从多个账号中选择一个账号，发表1-2篇博文
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他