- 【统计学习方法读书笔记】(四)朴素贝叶斯法
Y.G Bingo
统计学习方法人工智能统计学习概率概率论
终于到了贝叶斯估计这章了,贝叶斯估计在我心中一直是很重要的地位,不过发现书中只用了不到10页介绍这一章,深度内容后,发现贝叶斯估计的基础公式确实不多,但是由于正态分布在生活中的普遍性,贝叶斯估计才应用的非常多吧!默认输入变量用XXX表示,输出变量用YYY表示概率公式描述:P(X=x)P(X=x)P(X=x):表示当X=xX=xX=x时的概率P(X=x∣Y=ck)P(X=x|Y=c_k)P(X=x∣
- 【统计学习方法】感知机
jyyym
ml苦手机器学习
一、前言感知机是FrankRosenblatt在1957年就职于康奈尔航空实验室时所发明的一种人工神经网络。它可以被视为一种最简单的前馈神经网络,是一种二元线性分类器。Seemoredetailsinwikipdia感知机.本篇blog将从统计学习方法三要素即模型、策略、算法三个方面介绍感知机,并给出相应代码实现。二、模型假设输入空间是x∈Rnx\in{R^n}x∈Rn,输出空间是y∈{−1,+1
- 赠书 | 李航老师的蓝皮书
茗创科技
赠书活动统计学习方法“统计机器学习方法是实现智能化目标的最有效的手段,统计机器学习是各种智能性处理研究领域中的核心技术,并且在这些领域的发展及应用中起着决定性的作用。”作者简介李航,日本京都大学电气电子工程系毕业,日本东京大学计算机科学博士。北京大学、南京大学客座教授,IEEE会士,ACM杰出科学家,CCF高级会员。研究方向包括信息检索,自然语言处理,统计机器学习,及数据挖掘。曾出版过三部学术专著
- 统计学习方法(李航)--第二章 感知机(比较基础)
人間煙火Just
感知机是二分类的线性分类模型,属于判别模型,包括原始形式和对偶形式。(一)感知机模型公式为:f是输出,x是输入,w和b是参数,sign是符号函数(大于0为1,小于0为-1)几何解释:对于特征空间Rn中的一个超平面S,w是S的法向量,b是截距,将超平面空间划分为两个部分,完成2分类任务。(二)学习策略1.数据集的线性可分性:若存在wx+b的超平面可以将数据集完全分割,则称为线性可分。2.学习策略(以
- 统计学习方法笔记之决策树
Aengus_Sun
更多文章可以访问我的博客Aengus|Blog决策树的概念比较简单,可以将决策树看做一个if-then集合:如果“条件1”,那么...。决策树学习的损失函数通常是正则化后极大似然函数,学习的算法通常是一个递归的选择最优特征,并根据该特征对训练数据进行分割,使得对各个子数据集有一个最好的分类的过程。可以看出,决策树算法一般包含特征选择,决策树的生成与决策树的剪枝过程。特征选择信息增益熵和条件熵在了解
- 《统计学习方法:李航》笔记 从原理到实现(基于python)-- 第6章 逻辑斯谛回归与最大熵模型(2)6.2 最大熵模型
北方骑马的萝卜
机器学习笔记学习方法笔记python
文章目录6.2最大熵模型6.2.1最大熵原理6.2.3最大熵模型的学习6.2.4极大似然估计《统计学习方法:李航》笔记从原理到实现(基于python)--第3章k邻近邻法《统计学习方法:李航》笔记从原理到实现(基于python)--第1章统计学习方法概论《统计学习方法:李航》笔记从原理到实现(基于python)--第2章感知机《统计学习方法:李航》笔记从原理到实现(基于python)--第3章k邻
- 贝叶斯的缺点
人机与认知实验室
机器学习人工智能
贝叶斯方法是一种统计学习方法,通过利用贝叶斯定理来计算给定先验概率的情况下,后验概率的条件概率。虽然贝叶斯方法在许多领域中应用广泛且有效,但也存在一些缺点。以下是一些贝叶斯方法的缺点的例子:1、先验概率的选择贝叶斯方法依赖于先验概率的选择,先验概率的不准确性可能导致后验概率的不准确性。选择先验概率是非常困难的,特别是在没有明确领域知识或可靠数据支持的情况下。2、计算复杂度在贝叶斯方法中,计算后验概
- 机器学习知识体系总结
qq_36661243
机器学习算法
机器学习知识体系总结什么是机器学习?机器学习体系概括监督学习(SupervisedLearning)十种监督学习方法统计学习方法:模型+策略+学习方法模型策略学习算法无监督学习(UnsupervisedLearning)半监督学习参考所有的知识,无论过去,当下和未来,都可以利用某个单一,通用的学习算法中从数据中获取。–《终极算法》什么是机器学习?机器学习(MachineLearning,ML)是一
- 白铁时代 —— (监督学习)原理推导
人生简洁之道
2020年-面试笔记人工智能
来自李航《统计学习方法》文章目录-1指标相似度0概论1优化类1.1朴素贝叶斯1.2k近邻-kNN1.3线性判别分析二分类LDA多分类LDA流程LDA和PCA的区别和联系1.4逻辑回归模型&最大熵模型逻辑回归最大熵模型最优化1.5感知机&SVM感知机SVM线性可分SVM线性不可分SVM对偶优化问题&非线性SVM序列最小优化算法SMO1.7概率图模型EM算法EM算法的导出和流程应用举例:高斯混合模型(
- 最大熵阈值python_李航统计学习方法(六)----逻辑斯谛回归与最大熵模型
weixin_39669638
最大熵阈值python
本文希望通过《统计学习方法》第六章的学习,由表及里地系统学习最大熵模型。文中使用Python实现了逻辑斯谛回归模型的3种梯度下降最优化算法,并制作了可视化动画。针对最大熵,提供一份简明的GIS最优化算法实现,并注解了一个IIS最优化算法的Java实现。本文属于初学者的个人笔记,能力有限,无法对著作中的公式推导做进一步发挥,也无法保证自己的理解是完全正确的,特此说明,恳请指教逻辑斯谛回归模型逻辑斯谛
- 《统计学习方法:李航》笔记 从原理到实现(基于python)-- 第6章 逻辑斯谛回归与最大熵模型(1)6.1 逻辑斯谛回归模型
北方骑马的萝卜
机器学习笔记学习方法笔记python
文章目录第6章逻辑斯谛回归与最大熵模型6.1逻辑斯谛回归模型6.1.1逻辑斯谛分布6.1.2二项逻辑斯谛回归模型6.1.3模型参数估计6.1.4多项逻辑斯谛回归《统计学习方法:李航》笔记从原理到实现(基于python)--第3章k邻近邻法《统计学习方法:李航》笔记从原理到实现(基于python)--第1章统计学习方法概论《统计学习方法:李航》笔记从原理到实现(基于python)--第2章感知机《统
- 李航统计学习方法----决策树章节学习笔记以及python代码
詹sir的BLOG
大数据python决策树算法剪枝
目录1决策树模型2特征选择2.1数据引入2.2信息熵和信息增益3决策树生成3.1ID3算法3.2C4.5算法4决策树的剪枝5CART算法(classificationandregressiontree)5.1回归树算法5.2分类树的生成5.3CART剪枝6PYTHON代码实例决策树算法可以应用于分类问题与回归问题,李航的书中主要讲解的是分类树,构建决策树分为三个过程,分别是特征选择、决策树生成、决
- 《统计学习方法:李航》笔记 从原理到实现(基于python)-- 第5章 决策树(代码python实践)
北方骑马的萝卜
机器学习笔记学习方法笔记python
文章目录第5章决策树—python实践书上题目5.1利用ID3算法生成决策树,例5.3scikit-learn实例《统计学习方法:李航》笔记从原理到实现(基于python)--第5章决策树第5章决策树—python实践importnumpyasnpimportpandasaspdimportmatplotlib.pyplotasplt%matplotlibinlinefromsklearn.dat
- 《统计学习方法:李航》笔记 从原理到实现(基于python)-- 第4章 朴素贝叶斯法
北方骑马的萝卜
机器学习笔记学习方法笔记python
文章目录第4章朴素贝叶斯法4.1朴素贝叶斯法的学习与分类4.1.1基本方法4.1.2后验概率最大化的含义4.2朴素贝叶斯法的参数估计4.2.1极大似然估计4.2.2学习与算法4.2.3贝叶斯估计代码实践GaussianNB高斯朴素贝叶斯scikit-learn实例scikit-learn:伯努利模型和多项式模型《统计学习方法:李航》笔记从原理到实现(基于python)--第3章k邻近邻法《统计学习
- 《统计学习方法:李航》笔记 从原理到实现(基于python)-- 第1章 统计学习方法概论
北方骑马的萝卜
机器学习笔记学习方法笔记python机器学习
文章目录第1章统计学习方法概论1.1统计学习1.统计学习的特点2.统计学习的对象3.统计学习的目的4.统计学习的方法1.2.1基本概念1.2.2问题的形式化1.3统计学习三要素1.3.1模型1.3.2策略1.3.3算法1.4模型评估与模型选择1.4.1训练误差与测试误差1.4.2过拟合与模型选择1.5正则化与交叉验证1.5.1正则化1.5.2交叉验证1.6泛化能力1.6.1泛化误差1.6.2泛化误
- 《统计学习方法:李航》笔记 从原理到实现(基于python)-- 第 2章感知机
北方骑马的萝卜
机器学习笔记学习方法笔记python机器学习
文章目录第2章感知机2.1感知机模型2.2感知机学习策略2.2.1数据集的线性可分性2.2.2感知机学习策略2.3感知机学习算法2.3.1感知机学习算法的原始形式2.3.2算法的收敛性2.3.3感知机学习算法的对偶形式实践:二分类模型(iris数据集)数据集可视化:Perceptronscikit-learn实例《统计学习方法:李航》笔记从原理到实现(基于python)--第2章感知机《统计学习方
- 《统计学习方法:李航》笔记 从原理到实现(基于python)-- 第3章 k邻近邻法
北方骑马的萝卜
机器学习笔记学习方法笔记python
文章目录第3章k邻近邻法3.1k近邻算法3.2k近邻模型3.2.1模型3.2.2距离度量3.2.3k值的选择3.2.4分类决策规则3.3k近邻法的实现:kd树3.3.1构造kd树3.3.2搜索kd树算法实现课本例3.1iris数据集scikit-learn实例kd树:构造平衡kd树算法例3.2《统计学习方法:李航》笔记从原理到实现(基于python)--第3章k邻近邻法《统计学习方法:李航》笔记从
- 《统计学习方法:李航》笔记 从原理到实现(基于python)-- 第5章 决策树
北方骑马的萝卜
机器学习笔记学习方法笔记python
文章目录第5章决策树5.1决策树模型与学习5.1.1决策树模型5.1.2决策树与if-then规则5.1.3决策树与条件概率分布5.1.4决策树学习5.2特征选择5.2.1特征选择问题5.2.2信息增益5.2.3信息增益比5.3.1ID3算法5.3.2C4.5的生成算法5.4决策树的剪枝5.5CART算法5.5.1CART生成5.5.2CART剪枝《统计学习方法:李航》笔记从原理到实现(基于pyt
- 自然语言处理发展(自然语言处理发展经历了哪些阶段)
2301_76571514
自然语言处理自然语言处理人工智能
一、历史发展自然语言处理的研究始于20世纪50年代初期,当时的主要任务是理解自然语言,并将其转换为机器语言。随着计算机硬件和软件的不断发展,NLP也得以逐步发展。在20世纪70年代,Chomsky提出了语法结构理论,使NLP的研究进一步深化。此后,人们开始尝试使用统计学习方法来解决NLP中的一些关键问题,例如机器翻译和文本分类等。到了2000年代,随着深度学习和神经网络技术的发展,NLP进一步获得
- 机器学习、深度学习、自然语言处理基础知识总结
北航程序员小C
机器学习专栏人工智能学习专栏深度学习专栏机器学习深度学习自然语言处理
说明机器学习、深度学习、自然语言处理基础知识总结。目前主要参考李航老师的《统计学习方法》一书,也有一些内容例如XGBoost、聚类、深度学习相关内容、NLP相关内容等是书中未提及的。由于github的markdown解析器不支持latex,因此笔记部分需要在本地使用Typora才能正常浏览,也可以直接访问下面给出的博客链接。Document文件夹下为笔记,Code文件夹下为代码,Data文件夹下为
- 机器学习期末复习总结笔记(李航统计学习方法)
在半岛铁盒里
机器学习机器学习笔记学习方法
文章目录模型复杂度高---过拟合分类与回归有监督、无监督、半监督正则化生成模型和判别模型感知机KNN朴素贝叶斯决策树SVMAdaboost聚类风险PCA深度学习范数计算梯度下降与随机梯度下降SGD线性回归逻辑回归最大熵模型适用性讨论模型复杂度高—过拟合是什么:当模型复杂度越高,对训练集拟合程度越高,然而对新样本的泛化能力却下降了,此时出现overfitting(过拟合)与泛化能力:模型复杂度与泛化
- 统计学习方法-第1章-绪论
chiemon
2019June28监督学习统计学习方法-第1章-绪论统计学习分类分类标准类型基本分类监督学习、无监督学习、强化学习按模型分类概率模型、非概率模型(在监督学习中,概率模型是生成模型,非概率模型是判别模型)按算法分类在线学习、批量学习按技巧分类贝叶斯学习、核方法统计学习方法三要素模型在监督学习过程中,模型就是所要学习的条件概率分布或者决策函数。假设空间$\mathcal{F}$输入空间$\mathc
- 【机器学习】基本模型简易代码整理
_hermit:
机器学习机器学习人工智能学习算法
目录对数几率回归原理损失函数和优化特点和应用支持向量机SVM原理损失函数与优化优点与应用信息增益决策树本文对机器学习课程考试中可能出现的模型代码题进行总结,仅供参考。对数几率回归对数几率回归(LogisticRegression)是机器学习中一种广泛应用的统计学习方法,主要用于二分类问题。尽管其名字中包含“回归”这个词,但实际上它是一种分类算法,而不是传统的回归算法。原理对数几率回归的核心思想是使
- 机器学习:李航 统计学习方法 笔记
lealzhan
机器学习算法
詹令
[email protected]待整理统计学习方法监督学习非监督学习半监督学习强化学习监督学习方法生成方法GenerativeApproach:P(Y∣X)=P(X,Y)P(X)P(Y|X)=\frac{P(X,Y)}{P(X)}P(Y∣X)=P(X)P(X,Y)朴素贝叶斯模型隐式马尔科夫模型判别方法DiscrimitiveApproach:k近邻/knn线性分类模型感知机
- 机器学习算法实战案例:确实可以封神了,时间序列预测算法最全总结!
Python算法实战
机器学习算法实战机器学习算法人工智能python
文章目录1、什么是时间序列预测?技术交流2、时间序列预测分类3、时间序列数据的特性4、时序预测评价指标5、基于深度学习的时间序列预测方法5.1统计学习方法5.2机器学习方法5.3卷积神经网络5.4循环神经网络5.5Transformer类模型大家好,今天开始,我给大家分享时间序列预测算法(理论与实战案例),本篇文章从整体上概述什么是时间序列,时间序列的评价指标,及时间序列中常用的预测算法1、什么是
- 逻辑回归(解决分类问题)
Visual code AlCv
人工智能入门逻辑回归回归分类
定义:逻辑回归是一种用于解决分类问题的统计学习方法。它通过对数据进行建模,预测一个事件发生的概率。逻辑回归通常用于二元分类问题,即将数据分为两个类别。它基于线性回归模型,但使用了逻辑函数(也称为S形函数)来将输出限制在0到1之间,表示事件发生的概率。逻辑回归可以通过最大似然估计或梯度下降等方法来进行参数估计,从而得到一个可以用于分类的模型。一、逻辑回归入门在分类肿瘤的例子中,我们将肿瘤分为恶性肿瘤
- Machine Learning Series--Linear Regression
22岁开始
前言最近看了李航老师的《统计学习方法》,还正在学习吴恩达老师的《机器学习》的课程(网易公开课上有,较老的版本)。自从看过《统计学习方法》之后,发现笔记不看其实学习效果并不好。因此想以电子版格式写下来记录,一方面加深自己的印象,一方面也是希望能够和大家交流。此版本大致与吴恩达老师的《机器学习》课程一致,因为是结合他的课程以及我之前的《统计学习方法》笔记来写的这一系列文章。以下观点均是本人在学习过程当
- 统计学习方法笔记之逻辑斯谛模型与最大熵模型
Aengus_Sun
更多文章可以访问我的博客Aengus|Blog逻辑斯谛回归(LogisticRegression)模型是经典的分类方法,而最大熵则是概率模型中学习的一个准则,将其推广到分类问题得到最大熵模型(maximumentropymodel)。两者都属于对数线性模型。逻辑斯谛模型逻辑斯谛分布设是连续随机变量,服从逻辑斯谛分布是指具有以下分布函数和密度函数:其中,是位置参数,为形状参数。逻辑斯谛分布的密度函数
- AdaBoost算法的详细数学推导过程!!
孤嶋
算法人工智能机器学习AdaBoost
AdaBoost(AdaptiveBoosting)提升(boosting)方法是一种常用的统计学习方法,应用广泛且有效。在分类问题中,它通过改变训练样本的权重,学习多个分类器,并将这些分类器进行线性组合,提高分类的性能。对于分类问题而言,给定一个训练样本集,求比较粗糙的分类规则(弱分类器)要比求精确的分类规则(强分类器)容易得多。提升方法就是从弱学习算法出发,反复学习,得到一系列弱分类器(又称为
- 逻辑回归(Logistic Regression)
草明
数据结构与算法人工智能算法机器学习
什么是机器学习逻辑回归(LogisticRegression)虽然名字中包含"回归"一词,但实际上是一种用于解决分类问题的统计学习方法,而不是回归问题。它是一种线性模型,常用于二分类问题,也可以扩展到多分类问题。基本原理模型表示逻辑回归模型假设输入特征的线性组合,然后通过一个称为逻辑函数(也称为sigmoid函数)将结果映射到一个概率值。对于二分类问题,模型表示如下:其中b0,b1,b2,…,bn
- 继之前的线程循环加到窗口中运行
3213213333332132
javathreadJFrameJPanel
之前写了有关java线程的循环执行和结束,因为想制作成exe文件,想把执行的效果加到窗口上,所以就结合了JFrame和JPanel写了这个程序,这里直接贴出代码,在窗口上运行的效果下面有附图。
package thread;
import java.awt.Graphics;
import java.text.SimpleDateFormat;
import java.util
- linux 常用命令
BlueSkator
linux命令
1.grep
相信这个命令可以说是大家最常用的命令之一了。尤其是查询生产环境的日志,这个命令绝对是必不可少的。
但之前总是习惯于使用 (grep -n 关键字 文件名 )查出关键字以及该关键字所在的行数,然后再用 (sed -n '100,200p' 文件名),去查出该关键字之后的日志内容。
但其实还有更简便的办法,就是用(grep -B n、-A n、-C n 关键
- php heredoc原文档和nowdoc语法
dcj3sjt126com
PHPheredocnowdoc
<!doctype html>
<html lang="en">
<head>
<meta charset="utf-8">
<title>Current To-Do List</title>
</head>
<body>
<?
- overflow的属性
周华华
JavaScript
<!DOCTYPE html PUBLIC "-//W3C//DTD XHTML 1.0 Transitional//EN" "http://www.w3.org/TR/xhtml1/DTD/xhtml1-transitional.dtd">
<html xmlns="http://www.w3.org/1999/xhtml&q
- 《我所了解的Java》——总体目录
g21121
java
准备用一年左右时间写一个系列的文章《我所了解的Java》,目录及内容会不断完善及调整。
在编写相关内容时难免出现笔误、代码无法执行、名词理解错误等,请大家及时指出,我会第一时间更正。
&n
- [简单]docx4j常用方法小结
53873039oycg
docx
本代码基于docx4j-3.2.0,在office word 2007上测试通过。代码如下:
import java.io.File;
import java.io.FileInputStream;
import ja
- Spring配置学习
云端月影
spring配置
首先来看一个标准的Spring配置文件 applicationContext.xml
<?xml version="1.0" encoding="UTF-8"?>
<beans xmlns="http://www.springframework.org/schema/beans"
xmlns:xsi=&q
- Java新手入门的30个基本概念三
aijuans
java新手java 入门
17.Java中的每一个类都是从Object类扩展而来的。 18.object类中的equal和toString方法。 equal用于测试一个对象是否同另一个对象相等。 toString返回一个代表该对象的字符串,几乎每一个类都会重载该方法,以便返回当前状态的正确表示.(toString 方法是一个很重要的方法) 19.通用编程:任何类类型的所有值都可以同object类性的变量来代替。
- 《2008 IBM Rational 软件开发高峰论坛会议》小记
antonyup_2006
软件测试敏捷开发项目管理IBM活动
我一直想写些总结,用于交流和备忘,然都没提笔,今以一篇参加活动的感受小记开个头,呵呵!
其实参加《2008 IBM Rational 软件开发高峰论坛会议》是9月4号,那天刚好调休.但接着项目颇为忙,所以今天在中秋佳节的假期里整理了下.
参加这次活动是一个朋友给的一个邀请书,才知道有这样的一个活动,虽然现在项目暂时没用到IBM的解决方案,但觉的参与这样一个活动可以拓宽下视野和相关知识.
- PL/SQL的过程编程,异常,声明变量,PL/SQL块
百合不是茶
PL/SQL的过程编程异常PL/SQL块声明变量
PL/SQL;
过程;
符号;
变量;
PL/SQL块;
输出;
异常;
PL/SQL 是过程语言(Procedural Language)与结构化查询语言(SQL)结合而成的编程语言PL/SQL 是对 SQL 的扩展,sql的执行时每次都要写操作
- Mockito(三)--完整功能介绍
bijian1013
持续集成mockito单元测试
mockito官网:http://code.google.com/p/mockito/,打开documentation可以看到官方最新的文档资料。
一.使用mockito验证行为
//首先要import Mockito
import static org.mockito.Mockito.*;
//mo
- 精通Oracle10编程SQL(8)使用复合数据类型
bijian1013
oracle数据库plsql
/*
*使用复合数据类型
*/
--PL/SQL记录
--定义PL/SQL记录
--自定义PL/SQL记录
DECLARE
TYPE emp_record_type IS RECORD(
name emp.ename%TYPE,
salary emp.sal%TYPE,
dno emp.deptno%TYPE
);
emp_
- 【Linux常用命令一】grep命令
bit1129
Linux常用命令
grep命令格式
grep [option] pattern [file-list]
grep命令用于在指定的文件(一个或者多个,file-list)中查找包含模式串(pattern)的行,[option]用于控制grep命令的查找方式。
pattern可以是普通字符串,也可以是正则表达式,当查找的字符串包含正则表达式字符或者特
- mybatis3入门学习笔记
白糖_
sqlibatisqqjdbc配置管理
MyBatis 的前身就是iBatis,是一个数据持久层(ORM)框架。 MyBatis 是支持普通 SQL 查询,存储过程和高级映射的优秀持久层框架。MyBatis对JDBC进行了一次很浅的封装。
以前也学过iBatis,因为MyBatis是iBatis的升级版本,最初以为改动应该不大,实际结果是MyBatis对配置文件进行了一些大的改动,使整个框架更加方便人性化。
- Linux 命令神器:lsof 入门
ronin47
lsof
lsof是系统管理/安全的尤伯工具。我大多数时候用它来从系统获得与网络连接相关的信息,但那只是这个强大而又鲜为人知的应用的第一步。将这个工具称之为lsof真实名副其实,因为它是指“列出打开文件(lists openfiles)”。而有一点要切记,在Unix中一切(包括网络套接口)都是文件。
有趣的是,lsof也是有着最多
- java实现两个大数相加,可能存在溢出。
bylijinnan
java实现
import java.math.BigInteger;
import java.util.regex.Matcher;
import java.util.regex.Pattern;
public class BigIntegerAddition {
/**
* 题目:java实现两个大数相加,可能存在溢出。
* 如123456789 + 987654321
- Kettle学习资料分享,附大神用Kettle的一套流程完成对整个数据库迁移方法
Kai_Ge
Kettle
Kettle学习资料分享
Kettle 3.2 使用说明书
目录
概述..........................................................................................................................................7
1.Kettle 资源库管
- [货币与金融]钢之炼金术士
comsci
金融
自古以来,都有一些人在从事炼金术的工作.........但是很少有成功的
那么随着人类在理论物理和工程物理上面取得的一些突破性进展......
炼金术这个古老
- Toast原来也可以多样化
dai_lm
androidtoast
Style 1: 默认
Toast def = Toast.makeText(this, "default", Toast.LENGTH_SHORT);
def.show();
Style 2: 顶部显示
Toast top = Toast.makeText(this, "top", Toast.LENGTH_SHORT);
t
- java数据计算的几种解决方法3
datamachine
javahadoopibatisr-languer
4、iBatis
简单敏捷因此强大的数据计算层。和Hibernate不同,它鼓励写SQL,所以学习成本最低。同时它用最小的代价实现了计算脚本和JAVA代码的解耦,只用20%的代价就实现了hibernate 80%的功能,没实现的20%是计算脚本和数据库的解耦。
复杂计算环境是它的弱项,比如:分布式计算、复杂计算、非数据
- 向网页中插入透明Flash的方法和技巧
dcj3sjt126com
htmlWebFlash
将
Flash 作品插入网页的时候,我们有时候会需要将它设为透明,有时候我们需要在Flash的背面插入一些漂亮的图片,搭配出漂亮的效果……下面我们介绍一些将Flash插入网页中的一些透明的设置技巧。
一、Swf透明、无坐标控制 首先教大家最简单的插入Flash的代码,透明,无坐标控制: 注意wmode="transparent"是控制Flash是否透明
- ios UICollectionView的使用
dcj3sjt126com
UICollectionView的使用有两种方法,一种是继承UICollectionViewController,这个Controller会自带一个UICollectionView;另外一种是作为一个视图放在普通的UIViewController里面。
个人更喜欢第二种。下面采用第二种方式简单介绍一下UICollectionView的使用。
1.UIViewController实现委托,代码如
- Eos平台java公共逻辑
蕃薯耀
Eos平台java公共逻辑Eos平台java公共逻辑
Eos平台java公共逻辑
>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>
蕃薯耀 2015年6月1日 17:20:4
- SpringMVC4零配置--Web上下文配置【MvcConfig】
hanqunfeng
springmvc4
与SpringSecurity的配置类似,spring同样为我们提供了一个实现类WebMvcConfigurationSupport和一个注解@EnableWebMvc以帮助我们减少bean的声明。
applicationContext-MvcConfig.xml
<!-- 启用注解,并定义组件查找规则 ,mvc层只负责扫描@Controller -->
<
- 解决ie和其他浏览器poi下载excel文件名乱码
jackyrong
Excel
使用poi,做传统的excel导出,然后想在浏览器中,让用户选择另存为,保存用户下载的xls文件,这个时候,可能的是在ie下出现乱码(ie,9,10,11),但在firefox,chrome下没乱码,
因此必须综合判断,编写一个工具类:
/**
*
* @Title: pro
- 挥洒泪水的青春
lampcy
编程生活程序员
2015年2月28日,我辞职了,离开了相处一年的触控,转过身--挥洒掉泪水,毅然来到了兄弟连,背负着许多的不解、质疑——”你一个零基础、脑子又不聪明的人,还敢跨行业,选择Unity3D?“,”真是不自量力••••••“,”真是初生牛犊不怕虎•••••“,••••••我只是淡淡一笑,拎着行李----坐上了通向挥洒泪水的青春之地——兄弟连!
这就是我青春的分割线,不后悔,只会去用泪水浇灌——已经来到
- 稳增长之中国股市两点意见-----严控做空,建立涨跌停版停牌重组机制
nannan408
对于股市,我们国家的监管还是有点拼的,但始终拼不过飞流直下的恐慌,为什么呢?
笔者首先支持股市的监管。对于股市越管越荡的现象,笔者认为首先是做空力量超过了股市自身的升力,并且对于跌停停牌重组的快速反应还没建立好,上市公司对于股价下跌没有很好的利好支撑。
我们来看美国和香港是怎么应对股灾的。美国是靠禁止重要股票做空,在
- 动态设置iframe高度(iframe高度自适应)
Rainbow702
JavaScriptiframecontentDocument高度自适应局部刷新
如果需要对画面中的部分区域作局部刷新,大家可能都会想到使用ajax。
但有些情况下,须使用在页面中嵌入一个iframe来作局部刷新。
对于使用iframe的情况,发现有一个问题,就是iframe中的页面的高度可能会很高,但是外面页面并不会被iframe内部页面给撑开,如下面的结构:
<div id="content">
<div id=&quo
- 用Rapael做图表
tntxia
rap
function drawReport(paper,attr,data){
var width = attr.width;
var height = attr.height;
var max = 0;
&nbs
- HTML5 bootstrap2网页兼容(支持IE10以下)
xiaoluode
html5bootstrap
<!DOCTYPE html>
<html>
<head lang="zh-CN">
<meta charset="UTF-8">
<meta http-equiv="X-UA-Compatible" content="IE=edge">