maerdym
maerdym

吴恩达新书-Machine Learning Yearning 中文版全 (1-52章)

吴恩达新书-Machine Learning Yearning

更多好玩的机器学习教程: 进入袋马学院领一份 ，全部免费.

关注微信公众号：袋马AI
回复：机器学习年鉴
获取PDF版本英文版+中文版文档

吴恩达新书-Machine Learning Yearning 中文版全 (1-52章)_第1张图片

吴恩达这本新书面向的用户群体为机器学习从业者，主要介绍机器学习实际使用时的一些策略和技巧，以便为开发指明方向，提升开发效率。

点击查看中文版单页版本
关注公众号：代码AI 回复：机器学习年鉴 获取英文版和中文翻译版下载链接

  • 全书目录
    • 本书概述
      • 1.为什么要说机器学习策略
      • 2.本书对你和你的团队有哪些帮助
      • 3.阅读本书的先决条件
      • 4.驱动机器学习长足进步的因素
    • 构建开发和测试数据集
      • 5.开发和测试数据集的重要性
      • 6.使用同一分布的开发和测试数据集
      • 7.开发和测试数据集多大合适
      • 8.使用单值衡量指标
      • 9.优化性指标和约束性指标
      • 10.在开发/测试数据集和单值衡量指标的基础上，加速模型迭代
      • 11.何时需要改变数据集和衡量指标
      • 12.构建开发和测试数据集的注意事项
    • 基本的误差分析
      • 13.快速构建你的系统，然后迭代
      • 14.误差分析的重要性和大致过程
      • 15.并行评估多个想法的可行性
      • 16.清除标记错误的样本数据
      • 17.将开发数据集分成人工观测数据集和模型调参数据集
      • 18.人工观测数据集和模型调参数据集多大合适
      • 19.总结：基本误差分析
    • 偏差和方差
      • 20.偏差和方差的概念
      • 21.举例说明偏差和方差
      • 22.向最优的错误率看齐
      • 23.方差和偏差的处理方法
      • 24.权衡模型的方差和偏差
      • 25.减少可避免的偏差方法
      • 26.训练数据集上的误差分析
      • 27.减少方差的方法
    • 学习曲线
      • 28.通过学习曲线诊断偏差和方差
      • 29.将训练错误率用图形绘制出来
      • 30.高偏差时的学习曲线
      • 31.其他情况下的学习曲线
      • 32.学习曲线绘制技巧
    • 与人类的水平进行比较
      • 33.为社么要与人类的水平进行比较
      • 34.如何定义人类处于什么样的水平
      • 35.超越人类的水平
    • 训练和测试数据集的分布不一致
      • 36.何时使用不同分布的数据集
      • 37.是否要将你的所有数据都用起来呢
      • 38.是否要使用不一致的数据
      • 39.区分不同数据的权重
      • 40.从训练数据集泛化到开发数据集
      • 41.区分偏差、方差和数据不匹配问题
      • 42.处理数据不匹配问题
      • 43.人工数据合成
    • 算法调试
      • 44.优化验证实验
      • 45.优化验证实现的一般形式
      • 46.强化学习实例
    • 端到端深度学习
      • 47.端到端学习的兴起
      • 48.更多的端到端学习实例
      • 49.端到端学习的利与弊
      • 50.选择管道组件之数据可用性
      • 51.选择管道组件之任务简单化
      • 52.让机器学习输出更加丰富的内容

更多好玩的机器学习教程: 进入袋马学院领一份 ，全部免费.

你可能感兴趣的:(吴恩达-YEARNING)

  • 吴恩达深度学习笔记(30)-正则化的解释 极客Array
    正则化（Regularization）深度学习可能存在过拟合问题——高方差，有两个解决方法，一个是正则化，另一个是准备更多的数据，这是非常可靠的方法，但你可能无法时时刻刻准备足够多的训练数据或者获取更多数据的成本很高，但正则化通常有助于避免过拟合或减少你的网络误差。如果你怀疑神经网络过度拟合了数据，即存在高方差问题，那么最先想到的方法可能是正则化，另一个解决高方差的方法就是准备更多数据，这也是非常
  • 七.正则化 愿风去了
    吴恩达机器学习之正则化（Regularization）http://www.cnblogs.com/jianxinzhou/p/4083921.html从数学公式上理解L1和L2https://blog.csdn.net/b876144622/article/details/81276818虽然在线性回归中加入基函数会使模型更加灵活，但是很容易引起数据的过拟合。例如将数据投影到30维的基函数上，模
  • 人工智能中的哲学 Dijkstra's Monk-ey 深度学习人工智能哲学笔记AIGC业界资讯需求分析程序人生
    今天聊一个比较轻松的话题：人工智能中的哲学。人工智能会不会问：我是谁，我从哪里来，我要到哪里去？以下是《人工智能哲学》这本书的读书札记。〇、前言人工智能威胁论支持者：埃隆·马斯克、史蒂芬·霍金、比尔·盖茨反对者：马克·扎克伯格、吴恩达、佩德罗·多明戈斯人工智能是什么？应不应该发展人工智能？未来机器人和自动化会不会完全取代人类劳动力？人类的本质是不是一种机器？未来会不会制造出有意识的计算机？未来人类
  • 吴恩达深度学习笔记(24)-为什么要使用深度神经网络？ 极客Array
    为什么使用深层表示？（Whydeeprepresentations?）我们都知道深度神经网络能解决好多问题，其实并不需要很大的神经网络，但是得有深度，得有比较多的隐藏层，这是为什么呢？我们一起来看几个例子来帮助理解，为什么深度神经网络会很好用。首先，深度网络在计算什么？如果你在建一个人脸识别或是人脸检测系统，深度神经网络所做的事就是，当你输入一张脸部的照片，然后你可以把深度神经网络的第一层，当成一
  • python里的i_Python 中[::] 与 [:,:,i] 总结 桌游顽主的航仔 python里的i
    最近在学吴恩达的DeepLearning中的第五门课SequenceModel,第一个lab是用Numpy搭建RNN，在搭建RNN的时候用到了Numpy的Slicing([:,:,i]),在这里想总结下[:,:,i]与[::i]的用法，有写的不对的地方请随时指教。总的来说，[::i]是Python中的基础索引，而[:,:,i]是Numpy中对于多维度Array的提取，在StackOverflow中
  • 全网爆火的第一本程序员的Agent入门书籍——《大模型应用开发 动手做AI Agent》 AI大模型-搬运工 人工智能大模型程序员AIAgentAI大模型LLMpromp
    AIAgent火爆到什么程度？OpenAI创始人奥特曼预测，未来各行各业，每一个人都可以拥有一个AIAgent；比尔·盖茨在2023年层预言：AIAgent将彻底改变人机交互方式，并颠覆整个软件行业；吴恩达教授在AIAscent2024演讲中高赞：AIAgent是一个令人兴奋的趋势，所有从事AI开发的人都应该关注。Agent是未来最重要的智能化工具。对于程序员来说，是时候将目光转向大模型的应用开发
  • 一点机器学习的体会 zfq212
    我关心的主要是机器学习有什么用，对未来哪些行业，领域，应用会产生变革级别的影响。为了了解这些，我感觉我首先要了解现在机器学习的主要方向，他们的主要应用，相关的主要工程工具。机器学习跟线性代数和统计联系比较多，所以在做了解时，很容易一不小心就会陷入理论的坑中，不易自拔。传统的机器学习有一套较完整的理论和算法，去scikitlearning网站可以有个大致的了解，或者听下吴恩达老师那门基础ML课程（网
  • 【深度学习】吴恩达-课后作业-搭建多层神经网络以及应用 —Xi— 深度学习深度学习机器学习人工智能python神经网络
    Ng的深度学习，其实前几个月就听完了，课后作业也是大懂不懂的都做了一遍，代码也跟着各种各样的参考敲了一遍，但暑假几个月没怎么学习。。。基本也忘得差不多了，这几周回顾了一下深度学习这门课的笔记，看了别的博主的总结，对CNN，RNN,LSTM,注意力机制等网络结构进行了复盘，虽然感觉自己很心浮气躁，一边也在学集成学习那几个算法和推荐系统相关，这里也告诉自己：贪多嚼不烂，心急吃不了热豆腐，慢慢来，还是要
  • 深度学习应该如何入门？ wypdao 人工智能深度学习人工智能
    深度学习是一门令人着迷的领域，但初学者可能会感到有些困惑。让我们从头开始，用通俗易懂的语言来探讨深度学习的基础知识。1.基础知识深度学习需要一些数学和编程基础。首先，我们要掌握一些数学知识，如线性代数、微积分和概率统计。这些知识在深度学习算法中非常常见。另外，选择一门编程语言作为工具，如Python，掌握其基本语法和常用库的使用。2.学习机器学习吴恩达的机器学习课程是一个很好的入门教程。虽然有些地
  • 吴恩达机器学习全课程笔记第一篇 亿维数组 MachineLearning机器学习笔记人工智能
    目录前言P1-P8监督学习无监督学习P9-P14线性回归模型成本（代价）函数P15-P20梯度下降P21-P24多类特征向量化多元线性回归的梯度下降P25-P30特征缩放检查梯度下降是否收敛学习率的选择特征工程多项式回归前言从今天开始，争取能够在开学之前（2.25）把b站上的【吴恩达机器学习】教程过一遍，并把笔记记录于此，本笔记将会把此课程每一p的重点内容及其截屏记录于此，以供大家参考和本人日后复
  • 吴恩达机器学习全课程笔记第二篇 亿维数组 MachineLearning机器学习笔记人工智能学习
    目录前言P31-P33logistics（逻辑）回归决策边界P34-P36逻辑回归的代价函数梯度下降的实现P37-P41过拟合问题正则化代价函数正则化线性回归正则化logistics回归前言这是吴恩达机器学习笔记的第二篇，第一篇笔记请见：吴恩达机器学习全课程笔记第一篇完整的课程链接如下：吴恩达机器学习教程（bilibili）推荐网站：scikit-learn中文社区吴恩达机器学习学习资料（gith
  • 卷积神经网络吴恩达coursera stoAir 吴恩达深度学习笔记cnn人工智能神经网络
    ConvolutionalNNFoundationsofCNNmatrixsconvolutionEdgedetectionVertical/horizontialconv-forward(tf.nn.cov2d)matrix(6×6)∗filter(3×3)=matrix(4×4)matrix(6\times6)*filter(3\times3)=matrix(4\times4)matrix(6
  • 上 GitHub 热榜，星星暴涨，这个项目相继超越了 Archery, Flyway 和 Yearning
    「登上GitHubTrending星星超越Yearning键盘的敲击不停传播开发的福音」⚡️Bytebase是一款面向开发和DBA的一站式数据库CI/CD工具。它的所有代码都开源在GitHub上。GitHub也是我们触达全球用户的核心阵地。虽然GitHubStar数一直是一个饱受争议的指标，以致于被定性成了虚荣指标(VanityMetric)。但它依然是当前开源世界里最流行的指标。由此还衍生出了一
  • 【吴恩达·机器学习】第二章：多变量线性回归模型（选择学习率、特征缩放、特征工程、多项式回归） Yaoyao2024 机器学习线性回归人工智能
    博主简介：努力学习的22级计算机科学与技术本科生一枚博主主页：@Yaoyao2024每日一言:勇敢的人，不是不落泪的人，而是愿意含着泪继续奔跑的人。——《朗读者》0、声明本系列博客文章是博主本人根据吴恩达老师2022年的机器学习课程所学而写，主要包括老师的核心讲义和自己的理解。在上完课后对课程内容进行回顾和整合，从而加深自己对知识的理解，也方便自己以及后续的同学们复习和回顾。课程地址2022吴恩达
  • 吴恩达深度学习-L1 神经网络和深度学习总结 向来痴_ 深度学习人工智能
    作业地址：吴恩达《深度学习》作业线上版-知乎(zhihu.com)写的很好的笔记：吴恩达《深度学习》笔记汇总-知乎(zhihu.com)我的「吴恩达深度学习笔记」汇总帖（附18个代码实战项目）-知乎(zhihu.com)此处只记录需要注意的点，若想看原笔记请移步。1.1深度学习入门我们只需要管理神经网络的输入和输出，而不用指定中间的特征，也不用理解它们究竟有没有实际意义。1.2简单的神经网络——逻
  • LLM(2)之指令提示词(Prompt)基础教学 Once_day CS小白之路#LLM实践成长prompt自然语言处理人工智能
    LLM(2)之指令提示词Author：OnceDayDate：2024年2月15日全系列专栏请查看:LLM实践成长_Once_day的博客-CSDN博客参考文章：中文完整版全9集ChatGPT提示工程师｜AI大神吴恩达教你写提示词ChatGPTShortcut-简单易用的ChatGPT快捷指令表，让生产力倍增！标签筛选、关键词搜索和一键复制Prompts|Tagfiltering,keywords
  • 【吴恩达·机器学习】第二章：单变量线性回归模型（代价函数、梯度下降、学习率、batch） Yaoyao2024 机器学习线性回归学习
    博主简介：努力学习的22级计算机科学与技术本科生一枚博主主页：@Yaoyao2024每日一言:勇敢的人，不是不落泪的人，而是愿意含着泪继续奔跑的人。——《朗读者》0、声明本系列博客文章是博主本人根据吴恩达老师2022年的机器学习课程所学而写，主要包括老师的核心讲义和自己的理解。在上完课后对课程内容进行回顾和整合，从而加深自己对知识的理解，也方便自己以及后续的同学们复习和回顾。课程地址2022吴恩达
  • 深度学习-吴恩达L1W2作业 向来痴_ 深度学习人工智能
    作业1：吴恩达《深度学习》L1W2作业1-Heywhale.com作业2：吴恩达《深度学习》L1W2作业2-Heywhale.com作业1你需要记住的内容：-np.exp（x）适用于任何np.arrayx并将指数函数应用于每个坐标-sigmoid函数及其梯度sigmoid函数的梯度：-image2vector通常用于深度学习-np.reshape被广泛使用。保持矩阵/向量尺寸不变有助于我们消除许多
  • 吴恩达机器学习—大规模机器学习 魏清宇
    学习大数据集数据量多，模型效果肯定会比较好，但是大数据也有它自己的问题，计算复杂如果存在100000000个特征，计算量是相当大的，在进行梯度下降的时候，还要反复求损失函数的偏导数，这样一来计算量更大。那么有没有简单的方法来应对大量的数据呢？我们可以采取随机抽样，比如，抽取1000个样本进行模型的构建。那么如何决定抽取多少样本呢？可以通过学习曲线获得，随着数据量的增加，无论是偏差和误差，都会趋向于
  • day2-Machine Learning Yearning iOSDevLog
    图片上传失败，请查看原文：https://github.com/iOSDevLog/100-days-of-ai/blob/master/r1-ml/day2-yearning/yearning.ipynbErroranalysisbyparts53.由特定组件进行误差分析假设您的系统是使用复杂的机器学习流水线构建的,并且您希望提高系统的性能。你应该在哪些方面努力改进？通过将错误归因于流水线的特定
  • 吴恩达机器学习—正则化 魏清宇
    过拟合问题欠拟合与过拟合当变量过少时，可能存在欠拟合；当变量过多时，会存在过拟合。过拟合可能对现有数据拟合效果较好，损失函数值几乎为零，但是不能进行泛化时，即不适于非训练集的其他数据。如何解决过拟合问题特征变量过多造成过拟合绘制假设模型图像，但当特征变量变多时，绘制很困难。当变量过多而训练数据较少时，容易出现过拟合。过拟合的解决办法解决过拟合问题，通常有两种方法：一种是减少特征的数量，可以通过人工
  • 吴恩达机器学习—推荐系统 魏清宇
    问题规划引例—电影推荐假设已有的数据如上所示，洋红色线内的数据表示缺失数据，那么我们如何根据已有的评分数据来预测这些缺失的数据呢？基于特征的推荐算法基于内容的推荐系统已知数据如上，有四个人对于不同电影的评分，我们还有分别表示电影包含浪漫成分和动作片成分的多少。那么每一个电影都可以用一个向量来表示，如第一个电影可以表示为,其中第一个元素为常数。那么对于每一个用户j，我们可以用一个学习算法学习参数，然
  • 神经网络和深度学习(一):深度学习概论 文哥的学习日记
    视频地址：http://mooc.study.163.com/learn/2001281002?tid=2001392029#/learn/content?type=detail&id=2001701005&cid=20016940041、什么是神经网络我们来看一个简单的预测房价的例子，吴恩达老师还真是喜欢用这个例子呢。比如我们用房屋的大小来预测房屋的价格，我们在图上的得到了六个点，那么根据这六个
  • 【吴恩达机器学习】第八周—聚类降维Kmeans算法 Sunflow007
    31.jpg1.聚类(Clustering)1.1介绍之前的课程介绍的都是监督学习、而聚类属于非监督学习，在一个典型的监督学习中，我们有一个有标签的训练集，我们的目标是找到能够区分正样本和负样本的决策边界，在这里的监督学习中，我们有一系列标签，我们需要据此拟合一个假设函数。与此不同的是，在非监督学习中，我们的数据没有附带任何标签，我们拿到的数据就是这样的：1.png在这里我们有一系列点，却没有标签
  • 吴恩达机器学习笔记（2） python小白22
    一.逻辑回归1.什么是逻辑回归？逻辑回归是一种预测变量为离散值0或1情况下的分类问题，在逻辑回归中，假设函数。2.模型描述在假设函数中，，为实数，为Sigmoid函数，也叫Logistic函数。模型解释：，即就是对一个输入，的概率估计。损失函数的理解：所谓最大似然估计，就是我们想知道哪套参数组合对应的曲线最可能拟合我们观测到的数据，也就是该套参数拟合出观测数据的概率最大，而损失函数的要求是预测结果
  • 神经网络与深度学习 Neural Networks and Deep Learning 课程笔记 第一周 林间得鹿 吴恩达深度学习系列课程笔记深度学习神经网络笔记
    神经网络与深度学习NeuralNetworksandDeepLearning课程笔记第一周文章目录神经网络与深度学习NeuralNetworksandDeepLearning课程笔记第一周深度学习简介什么是神经网络使用神经网络进行监督学习为什么神经网络会兴起本文是吴恩达深度学习系列课程的学习笔记。深度学习简介什么是神经网络深度学习一般是指训练神经网络。那么什么是神经网络？课程以房价预测的例子来说明
  • 深度学习教程 | 神经网络优化算法 Dashesand 深度学习人工智能
    深度学习教程|深度学习的实用层面深度学习教程|深度学习的实用层面ShowMeAI2022-04-1412,153阅读23分钟专栏：深度学习教程◉吴恩达专项课程最全笔记[外链图片转存中…(img-etBVICyc-1707315992239)]作者：韩信子@ShowMeAI教程地址：www.showmeai.tech/tutorials/3…本文地址：www.showmeai.tech/articl
  • 深度学习教程 | 自然语言处理与词嵌入 Dashesand 深度学习自然语言处理人工智能
    深度学习教程|自然语言处理与词嵌入ShowMeAI作者：韩信子@ShowMeAI教程地址：www.showmeai.tech/tutorials/3…本文地址：www.showmeai.tech/article-det…声明：版权所有，转载请联系平台与作者并注明出处收藏ShowMeAI查看更多精彩内容本系列为吴恩达老师《深度学习专项课程(DeepLearningSpecialization)》学习
  • 如何在Linux部署Yearning并结合cpolar实现公网访问内网管理界面 锡兰_CC linuxadb运维
    文章目录前言1.Linux部署Yearning2.本地访问Yearning3.Linux安装cpolar4.配置Yearning公网访问地址5.公网远程访问Yearning管理界面6.固定Yearning公网地址前言Yearning简单,高效的MYSQL审计平台一款MYSQLSQL语句/查询审计工具，为DBA与开发人员使用.本地部署，注重隐私，简单高效的MYSQL审计平台。下面介绍Linux简单部
  • LangGPT —— 让人人都能编写高质量 Prompt 云中江树 prompt人工智能python深度学习文心一言chatgpt
    要用好现有大模型的能力严重依赖高质量prompt，然而编写高质量prompt在现阶段还是个手艺活，太依赖个人经验。虽然也有许多个人自发分享的prompt方法、框架，以及吴恩达老师的prompt教程，但是现有Prompt创建方法还是有各种各样的缺点：缺乏系统性：大多是细碎的规则，技巧，严重依赖个人经验缺乏灵活性：对他人分享的优质prompt进行调整需要直接修改prompt内容缺乏交互友好性：优质pr
  • log4j对象改变日志级别 3213213333332132 javalog4jlevellog4j对象名称日志级别
    log4j对象改变日志级别可批量的改变所有级别，或是根据条件改变日志级别。 log4j配置文件： log4j.rootLogger=ERROR,FILE,CONSOLE,EXECPTION #log4j.appender.FILE=org.apache.log4j.RollingFileAppender log4j.appender.FILE=org.apache.l
  • elk+redis 搭建nginx日志分析平台 ronin47 elasticsearchkibanalogstash
                 elk+redis 搭建nginx日志分析平台 logstash,elasticsearch,kibana 怎么进行nginx的日志分析呢？首先，架构方面，nginx是有日志文件的，它的每个请求的状态等都有日志文件进行记录。其次，需要有个队 列，redis的l
  • Yii2设置时区 dcj3sjt126com PHPtimezoneyii2
    时区这东西，在开发的时候，你说重要吧，也还好，毕竟没它也能正常运行，你说不重要吧，那就纠结了。特别是linux系统，都TMD差上几小时，你能不痛苦吗？win还好一点。有一些常规方法，是大家目前都在采用的1、php.ini中的设置，这个就不谈了，2、程序中公用文件里设置，date_default_timezone_set一下时区3、或者。。。自己写时间处理函数，在遇到时间的时候，用这个函数处理（比较
  • js实现前台动态添加文本框，后台获取文本框内容 171815164 文本框
    <%@ page language="java" import="java.util.*" pageEncoding="UTF-8"%> <!DOCTYPE html PUBLIC "-//W3C//DTD XHTML 1.0 Transitional//EN" "http://w
  • 持续集成工具 g21121 持续集成
            持续集成是什么？我们为什么需要持续集成？持续集成带来的好处是什么？什么样的项目需要持续集成？...        持续集成(Continuous integration ,简称CI)，所谓集成可以理解为将互相依赖的工程或模块合并成一个能单独运行
  • 数据结构哈希表(hash)总结 永夜-极光 数据结构
    1.什么是hash 来源于百度百科: Hash，一般翻译做“散列”，也有直接音译为“哈希”的，就是把任意长度的输入，通过散列算法，变换成固定长度的输出，该输出就是散列值。这种转换是一种压缩映射，也就是，散列值的空间通常远小于输入的空间，不同的输入可能会散列成相同的输出，所以不可能从散列值来唯一的确定输入值。简单的说就是一种将任意长度的消息压缩到某一固定长度的消息摘要的函数。  
  • 乱七八糟 程序员是怎么炼成的
    eclipse中的jvm字节码查看插件地址： http://andrei.gmxhome.de/eclipse/ 安装该地址的outline 插件  后重启，打开window下的view下的bytecode视图 http://andrei.gmxhome.de/eclipse/   jvm博客： http://yunshen0909.iteye.com/blog/2
  • 职场人伤害了“上司” 怎样弥补 aijuans 职场
    由于工作中的失误，或者平时不注意自己的言行“伤害”、“得罪”了自己的上司，怎么办呢？ 　　在职业生涯中这种问题尽量不要发生。下面提供了一些解决问题的建议： 　　一、利用一些轻松的场合表示对他的尊重 　　即使是开明的上司也很注重自己的权威，都希望得到下属的尊重，所以当你与上司冲突后，最好让不愉快成为过去，你不妨在一些轻松的场合，比如会餐、联谊活动等，向上司问个好，敬下酒，表示你对对方的尊重，
  • 深入浅出url编码 antonyup_2006 应用服务器浏览器servletweblogicIE
    出处：http://blog.csdn.net/yzhz  杨争   http://blog.csdn.net/yzhz/archive/2007/07/03/1676796.aspx 一、问题：         编码问题是JAVA初学者在web开发过程中经常会遇到问题，网上也有大量相关的
  • 建表后创建表的约束关系和增加表的字段 百合不是茶 标的约束关系增加表的字段
      下面所有的操作都是在表建立后操作的,主要目的就是熟悉sql的约束,约束语句的万能公式   1,增加字段(student表中增加 姓名字段)   alter table 增加字段的表名 add 增加的字段名 增加字段的数据类型 alter table student add name varchar2(10);   &nb
  • Uploadify 3.2 参数属性、事件、方法函数详解 bijian1013 JavaScriptuploadify
    一.属性 属性名称 默认值 说明 auto true 设置为true当选择文件后就直接上传了，为false需要点击上传按钮才上传。 buttonClass ” 按钮样式 buttonCursor ‘hand’ 鼠标指针悬停在按钮上的样子 buttonImage null 浏览按钮的图片的路
  • 精通Oracle10编程SQL(16)使用LOB对象 bijian1013 oracle数据库plsql
    /* *使用LOB对象 */ --LOB(Large Object)是专门用于处理大对象的一种数据类型，其所存放的数据长度可以达到4G字节 --CLOB/NCLOB用于存储大批量字符数据，BLOB用于存储大批量二进制数据，而BFILE则存储着指向OS文件的指针 /* *综合实例 */ --建立表空间 --#指定区尺寸为128k,如不指定，区尺寸默认为64k CR
  • 【Resin一】Resin服务器部署web应用 bit1129 resin
    工作中，在Resin服务器上部署web应用，通常有如下三种方式：   配置多个web-app 配置多个http id 为每个应用配置一个propeties、xml以及sh脚本文件 配置多个web-app   在resin.xml中,可以为一个host配置多个web-app   <cluster id="app&q
  • red5简介及基础知识 白糖_ 基础
      简介   Red5的主要功能和Macromedia公司的FMS类似，提供基于Flash的流媒体服务的一款基于Java的开源流媒体服务器。它由Java语言编写，使用RTMP作为流媒体传输协议，这与FMS完全兼容。它具有流化FLV、MP3文件，实时录制客户端流为FLV文件，共享对象，实时视频播放、Remoting等功能。用Red5替换FMS后,客户端不用更改可正
  • angular.fromJson boyitech AngularJSAngularJS 官方APIAngularJS API
    angular.fromJson 描述: 把Json字符串转为对象 使用方法: angular.fromJson(json); 参数详解: Param Type Details json string JSON 字符串 返回值: 对象, 数组, 字符串 或者是一个数字 示例: <!DOCTYPE HTML> <h
  • java-颠倒一个句子中的词的顺序。比如： I am a student颠倒后变成：student a am I bylijinnan java
    public class ReverseWords { /** * 题目：颠倒一个句子中的词的顺序。比如： I am a student颠倒后变成：student a am I.词以空格分隔。 * 要求： * 1.实现速度最快,移动最少 * 2.不能使用String的方法如split,indexOf等等。 * 解答：两次翻转。 */ publ
  • web实时通讯 Chen.H Web浏览器socket脚本
    关于web实时通讯，做一些监控软件。 由web服务器组件从消息服务器订阅实时数据，并建立消息服务器到所述web服务器之间的连接，web浏览器利用从所述web服务器下载到web页面的客户端代理与web服务器组件之间的socket连接，建立web浏览器与web服务器之间的持久连接；利用所述客户端代理与web浏览器页面之间的信息交互实现页面本地更新，建立一条从消息服务器到web浏览器页面之间的消息通路
  • [基因与生物]远古生物的基因可以嫁接到现代生物基因组中吗? comsci 生物
          大家仅仅把我说的事情当作一个IT行业的笑话来听吧..没有其它更多的意思     如果我们把大自然看成是一位伟大的程序员,专门为地球上的生态系统编制基因代码,并创造出各种不同的生物来,那么6500万年前的程序员开发的代码,是否兼容现代派的程序员的代码和架构呢?   
  • oracle 外部表 daizj oracle外部表external tables
        oracle外部表是只允许只读访问，不能进行DML操作，不能创建索引，可以对外部表进行的查询，连接，排序，创建视图和创建同义词操作。 you can select, join, or sort external table data. You can also create views and synonyms for external tables. Ho
  • aop相关的概念及配置 daysinsun AOP
    切面(Aspect): 通常在目标方法执行前后需要执行的方法（如事务、日志、权限），这些方法我们封装到一个类里面，这个类就叫切面。 连接点（joinpoint） spring里面的连接点指需要切入的方法，通常这个joinpoint可以作为一个参数传入到切面的方法里面（非常有用的一个东西）。 通知（Advice） 通知就是切面里面方法的具体实现，分为前置、后置、最终、异常环
  • 初一上学期难记忆单词背诵第二课 dcj3sjt126com englishword
    middle 中间的，中级的 well 喔，那么；好吧 phone 电话，电话机 policeman 警察 ask 问 take 拿到；带到 address 地址 glad 高兴的，乐意的 why 为什么  China 中国 family 家庭 grandmother (外)祖母 grandfather (外)祖父 wife 妻子 husband 丈夫 da
  • Linux日志分析常用命令 dcj3sjt126com linuxlog
    1.查看文件内容 cat -n 显示行号 2.分页显示 more Enter 显示下一行 空格 显示下一页 F 显示下一屏 B 显示上一屏 less /get 查询"get"字符串并高亮显示 3.显示文件尾 tail -f 不退出持续显示 -n 显示文件最后n行 4.显示头文件 head -n 显示文件开始n行 5.内容排序 sort -n 按照
  • JSONP 原理分析 fantasy2005 JavaScriptjsonpjsonp 跨域
    转自 http://www.nowamagic.net/librarys/veda/detail/224 JavaScript是一种在Web开发中经常使用的前端动态脚本技术。在JavaScript中，有一个很重要的安全性限制，被称为“Same-Origin Policy”（同源策略）。这一策略对于JavaScript代码能够访问的页面内容做了很重要的限制，即JavaScript只能访问与包含它的
  • 使用connect by进行级联查询 234390216 oracle查询父子Connect by级联
    使用connect by进行级联查询          connect by可以用于级联查询，常用于对具有树状结构的记录查询某一节点的所有子孙节点或所有祖辈节点。          来看一个示例，现假设我们拥有一个菜单表t_menu，其中只有三个字段：
  • 一个不错的能将HTML表格导出为excel,pdf等的jquery插件 jackyrong jquery插件
    发现一个老外写的不错的jquery插件，可以实现将HTML 表格导出为excel,pdf等格式， 地址在： https://github.com/kayalshri/ 下面看个例子，实现导出表格到excel,pdf <html> <head> <title>Export html table to excel an
  • UI设计中我们为什么需要设计动效 lampcy UIUI设计
    关于Unity3D中的Shader的知识 首先先解释下Unity3D的Shader，Unity里面的Shaders是使用一种叫ShaderLab的语言编写的，它同微软的FX文件或者NVIDIA的CgFX有些类似。传统意义上的vertex shader和pixel shader还是使用标准的Cg/HLSL 编程语言编写的。因此Unity文档里面的Shader，都是指用ShaderLab编写的代码，
  • 如何禁止页面缓存 nannan408 htmljspcache
    禁止页面使用缓存~ ------------------------------------------------ jsp:页面no cache： response.setHeader("Pragma","No-cache"); response.setHeader("Cache-Control","no-cach
  • 以代码的方式管理quartz定时任务的暂停、重启、删除、添加等 Everyday都不同 定时任务管理spring-quartz
          【前言】在项目的管理功能中，对定时任务的管理有时会很常见。因为我们不能指望只在配置文件中配置好定时任务就行了，因为如果要控制定时任务的 “暂停” 呢？暂停之后又要在某个时间点 “重启” 该定时任务呢？或者说直接 “删除” 该定时任务呢？要改变某定时任务的触发时间呢？ “添加” 一个定时任务对于系统的使用者而言，是不太现实的，因为一个定时任务的处理逻辑他是不
  • EXT实例 tntxia ext
      （1） 增加一个按钮   JSP:   <%@ page language="java" import="java.util.*" pageEncoding="UTF-8"%> <% String path = request.getContextPath(); Stri
  • 数学学习在计算机研究领域的作用和重要性 xjnine Math
    最近一直有师弟师妹和朋友问我数学和研究的关系，研一要去学什么数学课。毕竟在清华，衡量一个研究生最重要的指标之一就是paper,而没有数学，是肯定上不了世界顶级的期刊和会议的，这在计算机学界尤其重要！你会发现，不论哪个领域有价值的东西，都一定离不开数学！在这样一个信息时代，当google已经让世界没有秘密的时候，一种卓越的数学思维，绝对可以成为你的核心竞争力.  无奈本人实在见地
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他