- 机器学习西瓜书笔记1
糊了胡
机器学习机器学习笔记人工智能
第一章机器学习之绪论目录第一章机器学习之绪论一、引言二、基本术语三、假设空间四、归纳偏好五、发展历程一、引言机器学习就是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。Mitchell给出了更形式化的定义:假设用P来评估计算机程序在某任务类T上的性能,若一个程序通过利用经验E在T中任务上获得了性能改善,则我们就说关于T和P,该程序对E进行了学习。二、基本术语收集一组西瓜数据,(色泽=青
- 西瓜书笔记
Moliay
ML算法
周志华老师亲讲-西瓜书全网最详尽讲解-1080p高清原版《机器学习初步》周志华机器学习(西瓜书)学习笔记(持续更新)周志华《MachineLearning》学习笔记绪论基本术语数据集(dataset):一堆关于某种事物的数据的集合示例(instance)或样本(sample):每条记录是关于一个事件或对象的描述,称为一个示例或样本属性(attribute)或特征(feature):反映事件或对象在
- 西瓜书笔记4: 决策树
lagoon_lala
人工智能机器学习决策树
目录4.1基本流程决策树学习基本算法4.2划分选择4.2.1信息增益信息熵信息增益西瓜例子4.2.2增益率4.2.3基尼指数4.3剪枝处理4.3.1预剪枝4.3.2后剪枝4.4连续与缺失值4.4.1连续值处理连续属性离散化西瓜例子4.4.2缺失值处理信息增益西瓜例子4.5多变量决策树轴平行决策树斜决策树4.1基本流程决策树:样本分类可看作基于树结构,来进行决策的过程.基本流程:"分而治之"(div
- 【西瓜书笔记】8. EM算法(上)
西风瘦马1912
《机器学习》西瓜书第15期概率论机器学习EM算法极大似然估计
EM算法的引入引入EM算法的原因:概率模型有时候既含有观测变量,又含有隐变量或者潜在变量。如果概率模型的变量都是观测变量,那么给定数据,可以直接用极大似然估计法,或者贝叶斯估计法估计模型参数。但是当模型含有隐变量时,就不能简单地使用这些估计方法。EM算法就是含有隐变量的概率模型参数的极大似然估计法。EM算法的例子《统计学习方法》例9.1(三硬币模型):假设有3枚硬币,分别记作A,B,C。这些硬币正
- 《西瓜书笔记》(1)机器学习概述
土豆洋芋山药蛋
《西瓜书》指的是周志华老师的《机器学习》著作什么是机器学习?机器学习致力于通过计算的手段,利用经验来改善系统自身性能的学科经验通常是以“数据”的形式体现,或者上一次训练的错误机器学习的本质任务是预测。学习任务的分类:若我们预测的是离散值,如西瓜是好瓜还是坏瓜,此类学习任务是分类若我们预测的是连续值,如西瓜的成熟度,此类学习任务是回归若西瓜本身没有任何标签(好的,坏的,浅色的,深色的等),我们根据潜
- 西瓜书第一二章随记
惊石
机器学习聚类算法
西瓜书笔记第一章计算机系统中,“经验”以“数据”形式存在,所以机器学习的主要内容就是关于在计算机上从数据中产生“模型”的算法。根据训练数据是否具有标记信息,分为监督学习和无监督学习,分别包含分类,回归和聚类。学习过程可以看作一个在所有假设组成的空间中进行搜索的过程。在学习过程中对某中类型假设的偏好,称为“归纳偏好”。归纳偏好——选择时的价值观。其中,奥卡姆剃刀:若有多个假设与观察一致,则选最简单的
- 读西瓜书笔记(二)模型评估与选择
謙卑
机器学习笔记机器学习recallROC过拟合验证集
读西瓜书笔记(二)模型评估与选择(一)误差与过拟合1.经验误差(empiricalerror)/训练误差(trainingerror)与泛化误差(generalizationerror)错误率(errorrate):通常我们把分类错误的样本数占样本总数的比例称为“错误率"。精度(accuracy):精度=1-错误率。即如果我们在m个样本中有a个样本分类错误,则错误率为E=a/m;相应的,1-a/m
- 机器学习笔记(第三章 线性模型)
xhy.
机器学习机器学习人工智能算法
西瓜书笔记(第3章线性模型)3.1基本形式线性模型(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f(x)=ω1x1+ω2x2+...+ωdxd+bf(x)=\omega_1x_1+\omega_2x_2+...+\omega_dx_d+bf(x)=ω1x1+ω2x2+...+ωdxd+b一般用向量形式写成f(x)=ωTx+bf(x)=\omega^Tx+bf(x)=ω
- 西瓜书笔记7:贝叶斯分类器
lagoon_lala
人工智能贝叶斯分类器机器学习
目录相关概率知识贝叶斯-全概率公式先验概率、后验概率、似然概率7.1贝叶斯决策论7.2极大似然估计极大似然估计公式均值方差估计公式推导概率知识复习高斯分布最大似然估计7.3朴素贝叶斯分类器朴素贝叶斯分类器的概念条件概率估计方法拉普拉斯修正7.4半朴素贝叶斯分类器ODE基本思想SPODETANAODE7.5贝叶斯网7.5.1结构三变量典型依赖关系有向分离7.5.2学习结构学习参数学习7.5.3推断吉
- 西瓜书笔记第一章 模型评估与选择
优雅一只猫
笔记机器学习人工智能经验分享数据挖掘
第一章模型的输入与评估西瓜书概念很多,由过去多次反复入门经验,先选择摘取重要概念作为笔记,不纠结其他概念,实际代码中用到再深入。机器学习关键是三步:1.构造输入2.选择数学模型(线性回归、神经网络等)3.评估输出并最小化误差(梯度下降),本章讨论模型如何选择输入数据和常见的评估指标1.输入数据选择1.留出法留出法将数据集D分为两个互斥集合,其中一个作为训练集S,另一个作为测试集T。注意,划分数据集
- 西瓜书笔记9: 聚类
lagoon_lala
人工智能聚类
目录9.1聚类任务9.2性能度量外部指标内部指标9.3距离计算有序属性的距离无序属性的距离属性距离变形9.4原型聚类k均值算法学习向量量化(LVQ)高斯混合聚类E步M步9.5密度聚类9.6层次聚类9.1聚类任务无监督学习(unsupervisedlearning)目标:揭示数据的内在性质及规律,为进一步的数据分析提供基础.聚类(clustering):将数据集中的样本划分为若干个不相交的子集.(子
- 西瓜数据集3.0_西瓜书笔记——第一章
weixin_39869043
西瓜数据集3.0西瓜数据集4.0
1.1引言1.2基本术语按照课文给的实例,关于西瓜的数据。数据集:整个所给的数据的集合称为数据集样本/示例:一个事件或者对象,这里的是一个西瓜属性/特征:事件或者对象的某方面的表现或性质,比如西瓜的色泽,根蒂,敲声属性值:属性的取值,比如色泽属性可以取青绿、乌黑属性空间/样本空间/输入空间:整个属性张成的空间,比如把上述的三个属性在一个三维坐标中表示出一个西瓜的三位空间,每一个西瓜都可以在在这个空
- 【西瓜书笔记】2. 对数几率回归
西风瘦马1912
《机器学习》西瓜书第15期
2.1对数几率回归模型指数族分布是一类分布的总称,该类分布的分布律(概率密度函数)的一般形式如下:p(y;η)=b(y)exp(ηTT(y)−a(η))=b(y)exp[η(θ)⋅T(y)−A(θ)]=b(y)exp(η(θ)⋅T(y)−A(θ))=b(y)exp(η(θ)⋅T(y)−A(θ))p(y;\eta)=b(y)\exp(\eta^{T}T(y)-a(\eta))\\=b(y)\
- 【西瓜书笔记】补充1:logistic回归及其损失函数,梯度下降推导
西风瘦马1912
《机器学习》西瓜书第15期逻辑回归随机梯度下降最大似然机器学习
Logistic回归理论知识补充建模流程假设我们建立一个二分类模型。假设有两个人A、B在争论如何对一个新样本xxx进行0-1二分类,他们两个分别对新样本进行打分,如果A的分数大于B的分数,则样本被预测为1,反之则被预测为0。假设两人的打分分数可以通过线性回归进行预测建模y1=θ1x+ϵ1,ϵ1∼N1(0,δ)y2=θ2x+ϵ2,ϵ2∼N2(0,δ)\begin{aligned}&y_{1}=\th
- 气象类Python编程实战案例项目汇总
qazwsxpy
气象python数据挖掘数据分析能源街景地图
目录1.气象数据科学语言教程(1)Python基础(2)Numpy教程(3)Pandas教程(4)Xarray实例(5)Dask教程2.气象数据读取/数据处理/数据分析/数值计算3.气象可视化(1)Matplotlib绘图教程(2)Cartopy绘图教程(3)Metpy绘图教程(4)Basemap库教程(5)气象可视化案例4.机器学习系列教程(1)周志华《机器学习》西瓜书笔记(2)吴恩达《机器学习
- 机器学习西瓜书笔记:软间隔和支持向量回归SVR
sunMoonStar_c
机器学习机器学习支持向量机
1、首先由SVM问题(最大间隔超平面模型):所有样本都可以正确分类的最优化问题,引入软间隔SVM(允许分类错误)的最优化问题,即需要添加损失函数(样本不满足约束的程度,或者说分类错误的程度),然后最优化。这里强调一下:超平面这个回归模型如何实现分类功能:套上sign函数。损失函数要找性质好的,即凸函数,连续损失函数不要单纯只反映分类正确和错误(0/1损失函数)。而是分类正确时,损失记为0,分类错误
- 西瓜书笔记之支持向量机
OeyOew_up
机器学习机器学习
这章节的内容对于小白来说属实有点难,把我难到无法用自己的语言去做笔记。好在互联网上的大神随处可见,寻到一篇“码农场”的一篇文章,虽然他整理的不是西瓜书,而是《统计学方法》的第七章,支持向量机。但是我觉得要比西瓜书更加容易理解。反复多嚼几遍,总会有意想不到的收获!下面奉上链接,大家一起学习ba!支持向量机--码农场关于公式推导的补充
- 【西瓜书笔记】5. 软间隔与支持向量机回归
西风瘦马1912
《机器学习》西瓜书第15期支持向量机回归机器学习
5.1软间隔SVM之前我们使用的是严格线性可分的硬间隔SVM:minw,b12∥w∥2s.t.1−yi(wTxi+b)⩽0,i=1,2,…,m\begin{array}{ll}\min_{\boldsymbol{w},b}&\frac{1}{2}\|\boldsymbol{w}\|^{2}\\\text{s.t.}&1-y_{i}\left(\boldsymbol{w}^{\mathrm{T}}
- 【西瓜书笔记】4. 支持向量机
西风瘦马1912
《机器学习》西瓜书第15期支持向量机机器学习算法
4.1超平面wTx+b=0\boldsymbol{w}^{\mathrm{T}}\boldsymbol{x}+b=0wTx+b=0法向量恒垂直于超平面和法向量方向相同的点(与w\boldsymbol{w}w夹角θ\thetaθ小于90度的向量)代入超平面方程恒大于等于0,否则恒小于等于0(与w\boldsymbol{w}w夹角θ\thetaθ大于90度的向量)法向量和位移项唯一确定一个超平面等倍缩
- 西瓜书笔记6:支持向量机
lagoon_lala
人工智能机器学习SVM
目录6.1间隔与支持向量6.2对偶问题求解w求解b6.3核函数非线性映射核函数6.4软间隔与正则化软间隔参数求解正则化6.5支持向量回归6.6核方法6.1间隔与支持向量分类学习基本想法:就是基于训练集D在样本空间中找到一个划分超平面、将不同类别的样本分开.超平面(w,b)的线性方程:$$\boldsymbol{w}^T\boldsymbol{x}+b=0\\其中\boldsymbol{w}=(w_
- 西瓜书笔记第五章-神经网络
weixin_41872340
西瓜书
chapter55.1神经元模型定义:神经网络是由具有适应性的,简单单元组成的,广泛并行互联的网络,它的组织能够模拟生物神经系统对真实世界物体所做出的交互反映。神经网络的基本单元是神经元模型,当一个神经元兴奋时,会向相连的神经元发送化学介质,从而改变神经元内的电位,如果某神经元的电位超过了阈值,那么就会兴奋起来(阈值就是平时所说的偏差bias)。M-P神经元模型:模型中,神经元接受其它神经元传来的
- 西瓜书笔记(第六章 支持向量机)
xhy.
机器学习支持向量机算法机器学习
西瓜书笔记(第六章支持向量机)6.1间隔与支持向量直观上看,应该去找位于两类训练样本“正中间”的划分超平面,即图6.1中红色的那个,因为该划分超平面对训练样本局部扰动的“容忍”性最好.例如,由于训练集的局限性或噪声的因素,训练集外的样本可能比图6.1中的训练样本更接近两个类的分隔界,这将使许多划分超平面出现错误,而红色的超平面受影响最小,换言之,这个划分超平面所产生的分类结果是最鲁棒的,对未见示例
- 西瓜书笔记Chapter1&2
名侦探波本
机器学习人工智能
序言南瓜书(机器学习公式详解)作者谢文睿老师在南瓜书前言中如此写到:“周志华老师的《机器学习》(西瓜书)是机器学习领域的经典入门教材之一,周老师为了使尽可能多的读者通过西瓜书对机器学习有所了解,所以在书中对部分公式的推导细节没有详述,但是这对那些想深究公式推导细节的读者来说可能“不太友好”,本书旨在对西瓜书里比较难理解的公式加以解析,以及对部分公式补充具体的推导细节。”读到这里,大家可能会疑问为啥
- 机器学习西瓜书笔记:神经网络:BP算法公式推导
sunMoonStar_c
机器学习机器学习神经网络
1、变量符号含义1、训练集D={(x⃗1,y⃗1),(x⃗2,y⃗2),...,(x⃗m,y⃗m)}D=\{(\vec{x}_1,\vec{y}_1),(\vec{x}_2,\vec{y}_2),...,(\vec{x}_m,\vec{y}_m)\}D={(x1,y1),(x2,y2),...,(xm,ym)},共m个样例2、x⃗i∈Rd,y⃗i∈Rd\vec{x}_i\in\mathbb{R}^
- 西瓜书笔记5:神经网络
lagoon_lala
人工智能神经网络
目录5.1神经元模型5.2感知机与多层网络感知机感知机模型感知机学习策略感知机学习算法多层网络5.3误差逆传播算法标准BP(误差逆传播)算法变量符号公式推导工作流程累积BP算法5.4全局最小与局部极小跳出局部极小的技术5.5其他常见神经网络5.5.1RBF网络5.5.2ART网络5.5.3SOM网络5.5.4级联相关网络5.5.5Elman网络5.5.6Boltzmann机5.6深度学习5.1神经
- 西瓜书笔记16-2:逆强化学习
lagoon_lala
人工智能人工智能逆强化学习
感谢康傲同学的深刻讨论与精彩讲解.目录逆强化学习概述强化学习与逆强化区别逆向强化学习分类学徒学习学徒学习思想相关定义算法描述学徒算法找最优策略\(\tilde{\pi}\)逆强化学习概述参考:https://zhuanlan.zhihu.com/p/26682811强化学习与逆强化区别强化学习是求累积回报期望最大时的最优策略,在求解过程中立即回报是人为给定的。人在完成具体任务时,指定回报函数的方法
- 周志华西瓜书笔记 1.2 基本术语
0ng
西瓜书笔记
我原本想着一边读一边删减一些以后好复习的,谁知这书一句废话没有,一晚上敲了个寂寞1.2基本术语关于西瓜的数据:(色泽===青绿;根蒂===蜷缩;敲声===浊响)(色泽===乌黑;根蒂===稍蜷;敲声===沉闷)(色泽===浅白;根蒂===硬挺;敲声===清脆) 一对括号内是一条记录,"===“意思是"取值为”. 一组记录的集合称为一个"数据集"(dataset),每条记录是关于一个事件或对象(
- 读西瓜书笔记(一)绪论
謙卑
笔记机器学习机器学习笔记
读西瓜书笔记(一)绪论(一)什么是机器学习机器学习致力于研究如何通过计算的手段,利用经验来改善自身的性能。机器学习所研究的主要内容,是关于在计算机上从数据中产生“模型”的算法,即“学习算法”,有了学习算法,我们把经验数据提供给学习算法,它就能基于这些数据产生模型,在面对新的情况时,模型就会给出相应的判断。有文献用“模型”指全局性结果(如一颗决策树),而用“模式”指局部性结果通俗的理解机器学习(买西
- 西瓜书笔记系列 - 第1章 绪论 - 1.2 基本术语
FSHelix
读书笔记机器学习
西瓜书笔记系列-目录1.2基本术语术语集见文末。因为是边读边做的笔记,且是第一次读这本书的笔记,所以除了零零散散添加的想法以外,做得有点像单纯的转述摘抄了。如这一组关于西瓜的记录:(色泽=青绿;根蒂=蜷缩;敲声=浊响),(色泽=乌黑;根蒂=稍蜷;敲声=沉闷),……这些记录是关于某一个事物的描述,称为示例或样本,它们构成的集合称为数据集。其中如"色泽"、“根蒂”、“敲声”,反映了事物在某方面的性质,
- 2、周志华西瓜书笔记:模型评估与选择
Zzzybfly
机器学习
2.1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。精度:1-错误率=精度误差:学习器的实际预测输出与样本的真实输出之间的差异。训练误差/经验误差:学习器在训练集上的误差。泛化误差:在新样本上的误差。过拟合:学习器学习能力太好导致把训练本身的特点当作所有样本都具有的特点,导致泛化能力下降。2.2评估方法通常,我们通过实验测试学习器的泛化误差来进行评估进而做出选择,以测试集的测试误差作为
- 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