- 面向高校的人工智能通识教育课程实验设计方案
武汉唯众智创
人工智能人工智能通识教育课程实验人工智能通识教育人工智能通识课程人工智能通识
一、前言2018年,教育部发布《高等学校人工智能创新行动计划》,明确提出“重视人工智能与计算机、控制、数学、统计学、物理学、生物学、心理学、社会学、法学等学科专业教育的交叉融合,探索‘人工智能+X’的人才培养模式”。过去,人工智能教育多集中于研究生阶段,本科生接触机会相对有限。2019年,教育部批准35所高校增设“人工智能”本科专业,这标志着人工智能正式纳入本科教育体系。如今,人工智能课程大多是计
- Boostrap方法的理解及应用
Xiaofei@IDO
统计学概率论机器学习数据挖掘
1、Boostrap介绍1.1概念性解释Boostrap统计学方法是一种非参数检验方法,用于估计各种统计量的置信区间。Boostrap计算步骤简单的描述为:通过有放回的数据集的重采样,产生一系列的待检验统计量的Boostrap经验分布。基于该分布,计算标准误差,构建置信区间,并对多种类型的样本进行统计信息和假设检验。Boostrap统计学方法使用范围比较广,因为它不需要假定数据服从特定的理论分布(
- KNN(K-近邻算法)(上)--day05
扫把星133
机器学习python人工智能近邻算法算法
KNN(K-NearestNeighbors,K近邻算法)是一种用于分类和回归的非参数化方法。其基本思想是通过找出与新样本最接近的已标记数据中的K个最近邻居来进行预测或分类。注释:非参数化方法是指在统计学和机器学习中,不对数据分布做出严格假设(这些假设通常包括
- 《python 数据分析 从入门到精通》读书笔记|了解数据分析|数据分析基础知识
《python数据分析从入门到精通》读书笔记第一章:了解数据分析1.1什么是数据分析数据分析是利用数学、统计学理论与实践相结合的科学统计分析方法,对Excel数据、数据库中的数据、收集的大量数据、网页抓取的数据进行分析,从中提取有价值的信息并形成结论进行展示的过程。数据分析实际上是通过数据的规律来解决业务问题,以帮助实际工作中的管理者做出判断和决策。数据分析包括以下几个主要内容:(1)现状分析:分
- Rstudio:强大的R语言集成开发环境(IDE)
简说基因-专业生信合作伙伴
r语言开发语言
Rstudio应该是R语言使用的标配,尽管Rstudio的母公司Posit推出了新一代的集成开发环境Positron,但其还处于开发阶段。作为用户不妨让其成熟后再使用,现阶段还是Rstudio更稳定。如果你在生物信息学或统计学领域工作,R语言几乎是必备的工具之一。而RStudio,作为R语言最流行的集成开发环境(IDE),为数据分析、可视化和编程提供了非常友好的平台。今天我们来介绍一下RStudi
- 全流程文献计量学可视化分析技术及SCI论文高效写作方法
青春不败 177-3266-0520
生态环境人工智能python文献可视化SCI论文生态学环境科学遥感
文献计量学是指用数学和统计学的方法,定量地分析一切知识载体的交叉科学。它是集数学、统计学、文献学为一体,注重量化的综合性知识体系。特别是,信息可视化技术手段和方法的运用,可直观的展示主题的研究发展历程、研究现状、研究热点和发展态势。一:文献计量学方法与应用1.文献计量学方法基本2.与其他综述方法区别联系3.各学科领域应用趋势近况4.主流分析软件优缺点对比二:主题确定、检索与数据采集1.热点主题高效
- 人工智能-基础篇-2-什么是机器学习?(ML,监督学习,半监督学习,零监督学习,强化学习,深度学习,机器学习步骤等)
weisian151
人工智能人工智能机器学习学习
1、什么是机器学习?机器学习(MachineLearning,ML)是人工智能的一个分支,是一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析等数学理论。其核心目标是让计算机通过分析数据,自动学习规律并构建模型,从而对未知数据进行预测或决策,而无需依赖显式的程序指令。基本思想:通过数据驱动的方式,使系统能够从经验(数据)中改进性能,形成对数据模式的抽象化表达。基本概念:模型:模型是对现实世界现
- 大学专业科普 | 云计算、大数据
鸭鸭鸭进京赶烤
云计算大数据
大数据专业是近年来随着信息技术发展而兴起的热门学科,专注于从海量、多样化的数据中提取有价值信息,为各行业提供数据驱动的决策支持。专业定义大数据专业旨在培养掌握大数据采集、存储、管理、分析和应用等核心技术的人才。该专业融合了计算机科学、数学、统计学、数据科学和领域知识,重点解决大数据环境下的数据处理和分析问题。课程设置大数据专业的课程体系包括基础课程、专业核心课程和实践课程。(一)基础课程基础课程涵
- 倾向得分匹配的stata命令_R语言系列1:倾向得分匹配
weixin_39995108
倾向得分匹配的stata命令
1PSM简介倾向评分匹配(PropensityScoreMatching,简称PSM)是一种统计学方法,用于处理观察研究(ObservationalStudy)的数据。在观察研究中,由于种种原因,数据偏差(bias)和混杂变量(confoundingvariable)较多,倾向评分匹配的方法正是为了减少这些偏差和混杂变量的影响,以便对实验组和对照组进行更合理的比较。这种方法最早由PaulRosen
- R 语言简介:数据分析与统计的强大工具
Mikhail_G
python数据分析大数据r语言开发语言
大家好!在如今这个数据驱动的时代,数据分析与统计分析对于各个领域都变得至关重要。而R语言,作为一款专为数据分析和统计而设计的编程语言,以其强大的功能和灵活性,成为了众多数据分析师、研究人员以及统计学家的首选工具之一。什么是R语言?R是一种开源的编程语言和软件环境,主要用于统计计算、数据分析、图形表示以及机器学习等领域。它是由RossIhaka和RobertGentleman于1995年开发的,之后
- 从 “啃书焦虑” 到 “项目通关”:NLP 学习的破局之道
木旭林晖
自然语言处理学习人工智能
嘿,你好。在CSDN上潜水这么久,我总能看到很多像你我当年一样,怀揣着NLP大厂梦的同学。我猜,你的收藏夹里一定塞满了“NLP必读清单”,书架上可能还放着那本厚得像砖头一样的《统计学习方法》或者“龙书”。每天深夜,你可能都在跟一个又一个复杂的数学公式死磕。什么最大熵模型、什么CRF(条件随机场)的推导……你觉得自己离“精通”越来越近,但心里却越来越慌。为什么慌?因为你打开招聘软件,看到JD(职位描
- 经济学神图:洛伦兹曲线
大千AI助手
人工智能Python#OTHER决策树人工智能DecisionTree算法洛伦兹曲线基尼
洛伦兹曲线(LorenzCurve)是衡量社会收入或财富分配不平等程度的经典可视化工具,由美国统计学家马克斯·洛伦兹(MaxOttoLorenz)于1905年提出。它不仅是理解基尼系数的核心基础,也是经济学、社会学中分析资源分配公平性的关键图表。本文由「大千AI助手」原创发布,专注用真话讲AI,回归技术本质。拒绝神话或妖魔化。搜索「大千AI助手」关注我,一起撕掉过度包装,学习真实的AI技术!往期文
- 重复原则与样本量估计:临床试验的统计引擎
qq_34062333
临床试验统计学
一、重复原则的科学内涵1.1核心目的1.1.1量化随机误差通过足够样本量估计效应值的波动范围,确保结果可重现。1.1.2避免偶然性结论避免因小样本极端结果导致的偶然性结论,确保结论稳健。1.1.3提升外推性覆盖人群异质性,提升研究结果的外推性。1.2统计学本质1.2.1标准误样本量增加,标准误减小,置信区间变窄,精度提高。二、样本量估计的四大核心参数2.1显著性水平(α)2.1.1定义I类错误概率
- 随机近似算法:步长序列选择的理论与金融实践
随机近似算法:步长序列选择的理论与金融实践摘要随机近似算法作为统计学习与优化的核心工具,其收敛性与稳定性高度依赖步长序列的设计。本文系统阐述步长序列的理论约束与工程选择策略,并结合金融波动率估计场景,展示算法在动态系统参数估计中的实践价值。1.随机近似算法的数学框架随机近似算法通过随机样本的迭代更新逼近目标参数,其核心迭代式为:θn+1=θn+an(Yn−g(θn))\theta_{n+1}=\t
- 什么是回归模型,什么是自回归模型?
杰瑞学AI
ComputerknowledgeAI/AGINLP/LLMs回归数据挖掘人工智能
在统计学和机器学习中,回归模型和自回归模型都是用来预测或建模变量之间关系的工具,但它们在数据类型和变量依赖关系上有着关键的区别。回归模型(RegressionModel)回归模型是一种统计方法,用于建立一个或多个自变量(independentvariables)与一个因变量(dependentvariable)之间的关系。它的主要目标是预测因变量的值,或者理解自变量如何影响因变量。核心思想:假设因
- 使用argparse封装python程序为命令行工具
纪伊路上盛名在
生信推文-pythonpython开发语言自动化
小规模的python代码,jupytercell中直接运行,相当于该py文件直接python运行,但是像shell脚本一样,给予参数自由度设置,更方便分析,也就是我们需要传入参数进行重复性、同质性的操作。Q:如何使用argparse将Python程序封装为可调用的命令行工具?比如说我有一个函数,各个模块我已经写好了,这里引用一下我之前上统计学习课的时候举的一个HMM的例子,简单来说,就是一阶HMM
- 贝叶斯算法:从概率推断到智能决策的基石
weixin_47233946
算法算法
##引言在人工智能与机器学习的蓬勃发展中,贝叶斯算法以其独特的概率推理方式和动态更新的特性,在垃圾邮件过滤、疾病诊断、推荐系统等关键领域展现出强大的应用价值。本文将从概率论基础出发,深入解析贝叶斯算法的核心思想及其实现方式,揭示这一统计学方法如何演变为现代智能系统的决策利器。---##一、贝叶斯定理:概率之门的钥匙###1.1基本公式表述贝叶斯定理的数学表达式揭示事件间的关联关系:$$P(A|B)
- CART算法全解析:分类回归双修的决策树之王
大千AI助手
人工智能Python#OTHER算法分类回归决策树数据挖掘CARTDecisionTree
CART(ClassificationandRegressionTrees)是决策树领域的里程碑算法,由统计学家Breiman等人在1984年提出。作为当今最主流的决策树实现,它革命性地统一了分类与回归任务,其二叉树结构和剪枝技术成为现代集成学习(如随机森林、XGBoost)的基石。本文由「大千AI助手」原创发布,专注用真话讲AI,回归技术本质。拒绝神话或妖魔化。搜索「大千AI助手」关注我,一起撕
- python scipy简介
凤枭香
Python图像处理pythonscipy开发语言图像处理
scipyscipy是一个python开源的数学计算库,可以应用于数学、科学以及工程领域,它是基于numpy的科学计算库。主要包含了统计学、最优化、线性代数、积分、傅里叶变换、信号处理和图像处理以及常微分方程的求解以及其他科学工程中所用到的计算。scipy模块介绍scipy主要通过下面这些包来实现数学算法和科学计算,后面对于scipy的讲解主要也是基于这些包来实现的cluster:包含聚类算法co
- Task 01 第一章习题
1.1说明伯努利模型的极大似然估计以及贝叶斯估计中的统计学习方法三要素。伯努利模型是定义在取值为0与1的随机变量上的概率分布。假设观测到伯努利模型n次独立的数据生成结果,其中k次的结果为1,这时可以用极大似然估计或贝叶斯估计来估计结果为1的概率。回忆知识点:统计学习方法三要素为:模型+策略+算法模型:在监督学习过程中,模型就是所要学习的条件概率分布或决策函数。策略:统计学习要考虑按照什么样的准则选
- AI大模型从0到1记录学习 大模型技术之机器学习 day27-day60
Gsen2819
算法大模型人工智能人工智能学习机器学习
机器学习概述机器学习(MachineLearning,ML)主要研究计算机系统对于特定任务的性能,逐步进行改善的算法和统计模型。通过输入海量训练数据对模型进行训练,使模型掌握数据所蕴含的潜在规律,进而对新输入的数据进行准确的分类或预测。机器学习是一门多领域交叉学科,涉及概率论、统计学、逼近论、凸优化、算法复杂度理论等多门学科。人工智能、机器学习与深度学习人工智能(AI)是计算机科学的一个广泛领域,
- (详细介绍)什么是 Spherical Gaussian(球形高斯分布)
音程
数学数学
文章目录什么是SphericalGaussian?几何意义:为什么叫“球形”?特点总结:应用场景举例:✅示例代码(Python)相关概念对比:SphericalGaussian(球形高斯分布)是概率论与统计学中一个非常常见且重要的概念,尤其在机器学习、信号处理、模式识别等领域有广泛应用。什么是SphericalGaussian?SphericalGaussianDistribution(球形高斯分
- AI模型的泛化性的第一性原理是什么?
mao_feng
人工智能
目录**一、泛化性的第一性原理:统计学习理论的核心****1.独立同分布假设(IID)是泛化的基础****2.泛化误差:理论本质的数学刻画****3.模型复杂度与样本量的权衡****二、实现泛化的核心机制:正则化与隐式约束****1.显式正则化:复杂度惩罚****2.隐式正则化:优化过程的泛化诱导****3.数据层面的泛化增强****三、深度学习的特殊性:过参数化与泛化的悖论****1.“双下降曲
- 假设检验:统计推断的决策艺术
Algo-hx
概率论与数理统计概率论
目录引言8假设检验8.1假设检验的基本原理8.1.1核心概念框架8.1.2假设形式8.2检验的两类错误8.2.1错误类型矩阵8.2.2错误概率关系8.3单正态总体参数检验8.3.1均值μ的检验8.3.2方差σ²的检验8.4双正态总体参数检验8.4.1均值差检验8.4.2方差比检验8.5P值:检验的客观度量8.5.1P值定义8.5.2决策规则8.5.3P值解读引言假设检验是统计学的’审判法庭’——通
- 贝叶斯原理:解锁不确定性的智慧钥匙(全网最详细)
富士达幸运星
贝叶斯原理人工智能机器学习
在浩瀚的统计学与概率论海洋中,贝叶斯原理如同一盏明灯,照亮了我们在不确定性中前行的道路。它不仅仅是一种计算方法,更是一种深刻的思维方式,让我们能够基于有限的信息和先验知识,对未知事件做出更加合理的预测和判断。本文将带您一窥贝叶斯原理的奥秘,探索它如何在各个领域发光发热。一、贝叶斯原理的起源与核心概念起源贝叶斯原理得名于18世纪的英国数学家托马斯·贝叶斯(ThomasBayes),尽管他本人并未直接
- 利用 Python 和 scikit - learn 进行分层抽样
Python编程之道
python开发语言ai
利用Python和scikit-learn进行分层抽样关键词:分层抽样、scikit-learn、Python、数据采样、机器学习、数据预处理、统计学摘要:本文深入探讨了分层抽样在数据科学和机器学习中的应用。我们将从统计学基础出发,详细讲解分层抽样的原理、优势以及实现方法。通过Python和scikit-learn库的实际代码示例,展示如何在不同场景下应用分层抽样技术。文章还涵盖了分层抽样的数学模
- JAVA推荐系统-基于用户和物品协同过滤的电影推荐
泰山AI
技术交流推荐算法java算法
系统原理该系统使用java编写的基于用户的协同过滤算法(UserCF)和基于物品(此应用中指电影)的协同过滤(ItemtemCF)利用统计学的相关系数经常皮尔森(pearson)相关系数计算相关系数来实现千人千面的推荐系统。协同过滤算法协同过滤推荐算法是诞生最早,并且较为著名的推荐算法。主要的功能是预测和推荐。协同过滤(CollaborativeFiltering,简写CF)是推荐系统最重要得思想
- 中级统计师-统计学基础知识-第八章 统计指数
孟意昶
考证之旅python机器学习算法
第一节统计指数的概念和种类一、统计指数的概念广义指数:表明社会经济现象总体数量变动的相对数示例:单只股票价格指数Kp=p1p0=78.573.5≈1.068K_p=\frac{p_1}{p_0}=\frac{78.5}{73.5}\approx1.068Kp=p0p1=73.578.5≈1.068(p1p_1p1为报告期价格,p0p_0p0为基期价格)狭义指数:表明复杂总体数量综合变动的相对数复杂
- 没有统计学基础,如何才能学好SPSS和SAS?
cda2024
学习python数据分析
在当今数据驱动的时代,掌握数据分析工具如SPSS和SAS已经成为许多职场人士的必备技能。然而,很多初学者常常会问:“我没有统计学基础,如何才能学好SPSS和SAS?”这确实是一个值得探讨的问题。本文将从多个角度为你解答这个问题,并提供一些实用的学习建议。一、理解SPSS和SAS的定位首先,让我们来了解一下SPSS和SAS这两个工具的定位和功能。SPSS(StatisticalPackagefort
- Python量化投资入门教程:从零构建你的第一个交易策略
聪明的一休哥哥
程序员理财python开发语言量化交易
1、什么是量化投资?量化投资(QuantitativeInvestment),即通过数量化方式及计算机程序化发出买卖指令,以获取超额收益或特定风险收益比为目的的交易方式。它借助现代统计学、数学方法,利用计算机技术从海量历史数据中寻找能带来超额收益的“大概率”策略和规律,并纪律严明地按照这些策略构建的数量化模型来执行投资理念。其核心优势在于:纪律性:避免投资者在市场波动中因情绪波动做出错误决策。效率
- 戴尔笔记本win8系统改装win7系统
sophia天雪
win7戴尔改装系统win8
戴尔win8 系统改装win7 系统详述
第一步:使用U盘制作虚拟光驱:
1)下载安装UltraISO:注册码可以在网上搜索。
2)启动UltraISO,点击“文件”—》“打开”按钮,打开已经准备好的ISO镜像文
- BeanUtils.copyProperties使用笔记
bylijinnan
java
BeanUtils.copyProperties VS PropertyUtils.copyProperties
两者最大的区别是:
BeanUtils.copyProperties会进行类型转换,而PropertyUtils.copyProperties不会。
既然进行了类型转换,那BeanUtils.copyProperties的速度比不上PropertyUtils.copyProp
- MyEclipse中文乱码问题
0624chenhong
MyEclipse
一、设置新建常见文件的默认编码格式,也就是文件保存的格式。
在不对MyEclipse进行设置的时候,默认保存文件的编码,一般跟简体中文操作系统(如windows2000,windowsXP)的编码一致,即GBK。
在简体中文系统下,ANSI 编码代表 GBK编码;在日文操作系统下,ANSI 编码代表 JIS 编码。
Window-->Preferences-->General -
- 发送邮件
不懂事的小屁孩
send email
import org.apache.commons.mail.EmailAttachment;
import org.apache.commons.mail.EmailException;
import org.apache.commons.mail.HtmlEmail;
import org.apache.commons.mail.MultiPartEmail;
- 动画合集
换个号韩国红果果
htmlcss
动画 指一种样式变为另一种样式 keyframes应当始终定义0 100 过程
1 transition 制作鼠标滑过图片时的放大效果
css
.wrap{
width: 340px;height: 340px;
position: absolute;
top: 30%;
left: 20%;
overflow: hidden;
bor
- 网络最常见的攻击方式竟然是SQL注入
蓝儿唯美
sql注入
NTT研究表明,尽管SQL注入(SQLi)型攻击记录详尽且为人熟知,但目前网络应用程序仍然是SQLi攻击的重灾区。
信息安全和风险管理公司NTTCom Security发布的《2015全球智能威胁风险报告》表明,目前黑客攻击网络应用程序方式中最流行的,要数SQLi攻击。报告对去年发生的60亿攻击 行为进行分析,指出SQLi攻击是最常见的网络应用程序攻击方式。全球网络应用程序攻击中,SQLi攻击占
- java笔记2
a-john
java
类的封装:
1,java中,对象就是一个封装体。封装是把对象的属性和服务结合成一个独立的的单位。并尽可能隐藏对象的内部细节(尤其是私有数据)
2,目的:使对象以外的部分不能随意存取对象的内部数据(如属性),从而使软件错误能够局部化,减少差错和排错的难度。
3,简单来说,“隐藏属性、方法或实现细节的过程”称为——封装。
4,封装的特性:
4.1设置
- [Andengine]Error:can't creat bitmap form path “gfx/xxx.xxx”
aijuans
学习Android遇到的错误
最开始遇到这个错误是很早以前了,以前也没注意,只当是一个不理解的bug,因为所有的texture,textureregion都没有问题,但是就是提示错误。
昨天和美工要图片,本来是要背景透明的png格式,可是她却给了我一个jpg的。说明了之后她说没法改,因为没有png这个保存选项。
我就看了一下,和她要了psd的文件,还好我有一点
- 自己写的一个繁体到简体的转换程序
asialee
java转换繁体filter简体
今天调研一个任务,基于java的filter实现繁体到简体的转换,于是写了一个demo,给各位博友奉上,欢迎批评指正。
实现的思路是重载request的调取参数的几个方法,然后做下转换。
- android意图和意图监听器技术
百合不是茶
android显示意图隐式意图意图监听器
Intent是在activity之间传递数据;Intent的传递分为显示传递和隐式传递
显式意图:调用Intent.setComponent() 或 Intent.setClassName() 或 Intent.setClass()方法明确指定了组件名的Intent为显式意图,显式意图明确指定了Intent应该传递给哪个组件。
隐式意图;不指明调用的名称,根据设
- spring3中新增的@value注解
bijian1013
javaspring@Value
在spring 3.0中,可以通过使用@value,对一些如xxx.properties文件中的文件,进行键值对的注入,例子如下:
1.首先在applicationContext.xml中加入:
<beans xmlns="http://www.springframework.
- Jboss启用CXF日志
sunjing
logjbossCXF
1. 在standalone.xml配置文件中添加system-properties:
<system-properties> <property name="org.apache.cxf.logging.enabled" value=&
- 【Hadoop三】Centos7_x86_64部署Hadoop集群之编译Hadoop源代码
bit1129
centos
编译必需的软件
Firebugs3.0.0
Maven3.2.3
Ant
JDK1.7.0_67
protobuf-2.5.0
Hadoop 2.5.2源码包
Firebugs3.0.0
http://sourceforge.jp/projects/sfnet_findbug
- struts2验证框架的使用和扩展
白糖_
框架xmlbeanstruts正则表达式
struts2能够对前台提交的表单数据进行输入有效性校验,通常有两种方式:
1、在Action类中通过validatexx方法验证,这种方式很简单,在此不再赘述;
2、通过编写xx-validation.xml文件执行表单验证,当用户提交表单请求后,struts会优先执行xml文件,如果校验不通过是不会让请求访问指定action的。
本文介绍一下struts2通过xml文件进行校验的方法并说
- 记录-感悟
braveCS
感悟
再翻翻以前写的感悟,有时会发现自己很幼稚,也会让自己找回初心。
2015-1-11 1. 能在工作之余学习感兴趣的东西已经很幸福了;
2. 要改变自己,不能这样一直在原来区域,要突破安全区舒适区,才能提高自己,往好的方面发展;
3. 多反省多思考;要会用工具,而不是变成工具的奴隶;
4. 一天内集中一个定长时间段看最新资讯和偏流式博
- 编程之美-数组中最长递增子序列
bylijinnan
编程之美
import java.util.Arrays;
import java.util.Random;
public class LongestAccendingSubSequence {
/**
* 编程之美 数组中最长递增子序列
* 书上的解法容易理解
* 另一方法书上没有提到的是,可以将数组排序(由小到大)得到新的数组,
* 然后求排序后的数组与原数
- 读书笔记5
chengxuyuancsdn
重复提交struts2的token验证
1、重复提交
2、struts2的token验证
3、用response返回xml时的注意
1、重复提交
(1)应用场景
(1-1)点击提交按钮两次。
(1-2)使用浏览器后退按钮重复之前的操作,导致重复提交表单。
(1-3)刷新页面
(1-4)使用浏览器历史记录重复提交表单。
(1-5)浏览器重复的 HTTP 请求。
(2)解决方法
(2-1)禁掉提交按钮
(2-2)
- [时空与探索]全球联合进行第二次费城实验的可能性
comsci
二次世界大战前后,由爱因斯坦参加的一次在海军舰艇上进行的物理学实验 -费城实验
至今给我们大家留下很多迷团.....
关于费城实验的详细过程,大家可以在网络上搜索一下,我这里就不详细描述了
在这里,我的意思是,现在
- easy connect 之 ORA-12154: TNS: 无法解析指定的连接标识符
daizj
oracleORA-12154
用easy connect连接出现“tns无法解析指定的连接标示符”的错误,如下:
C:\Users\Administrator>sqlplus username/
[email protected]:1521/orcl
SQL*Plus: Release 10.2.0.1.0 – Production on 星期一 5月 21 18:16:20 2012
Copyright (c) 198
- 简单排序:归并排序
dieslrae
归并排序
public void mergeSort(int[] array){
int temp = array.length/2;
if(temp == 0){
return;
}
int[] a = new int[temp];
int
- C语言中字符串的\0和空格
dcj3sjt126com
c
\0 为字符串结束符,比如说:
abcd (空格)cdefg;
存入数组时,空格作为一个字符占有一个字节的空间,我们
- 解决Composer国内速度慢的办法
dcj3sjt126com
Composer
用法:
有两种方式启用本镜像服务:
1 将以下配置信息添加到 Composer 的配置文件 config.json 中(系统全局配置)。见“例1”
2 将以下配置信息添加到你的项目的 composer.json 文件中(针对单个项目配置)。见“例2”
为了避免安装包的时候都要执行两次查询,切记要添加禁用 packagist 的设置,如下 1 2 3 4 5
- 高效可伸缩的结果缓存
shuizhaosi888
高效可伸缩的结果缓存
/**
* 要执行的算法,返回结果v
*/
public interface Computable<A, V> {
public V comput(final A arg);
}
/**
* 用于缓存数据
*/
public class Memoizer<A, V> implements Computable<A,
- 三点定位的算法
haoningabc
c算法
三点定位,
已知a,b,c三个顶点的x,y坐标
和三个点都z坐标的距离,la,lb,lc
求z点的坐标
原理就是围绕a,b,c 三个点画圆,三个圆焦点的部分就是所求
但是,由于三个点的距离可能不准,不一定会有结果,
所以是三个圆环的焦点,环的宽度开始为0,没有取到则加1
运行
gcc -lm test.c
test.c代码如下
#include "stdi
- epoll使用详解
jimmee
clinux服务端编程epoll
epoll - I/O event notification facility在linux的网络编程中,很长的时间都在使用select来做事件触发。在linux新的内核中,有了一种替换它的机制,就是epoll。相比于select,epoll最大的好处在于它不会随着监听fd数目的增长而降低效率。因为在内核中的select实现中,它是采用轮询来处理的,轮询的fd数目越多,自然耗时越多。并且,在linu
- Hibernate对Enum的映射的基本使用方法
linzx0212
enumHibernate
枚举
/**
* 性别枚举
*/
public enum Gender {
MALE(0), FEMALE(1), OTHER(2);
private Gender(int i) {
this.i = i;
}
private int i;
public int getI
- 第10章 高级事件(下)
onestopweb
事件
index.html
<!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/
- 孙子兵法
roadrunners
孙子兵法
始计第一
孙子曰:
兵者,国之大事,死生之地,存亡之道,不可不察也。
故经之以五事,校之以计,而索其情:一曰道,二曰天,三曰地,四曰将,五
曰法。道者,令民于上同意,可与之死,可与之生,而不危也;天者,阴阳、寒暑
、时制也;地者,远近、险易、广狭、死生也;将者,智、信、仁、勇、严也;法
者,曲制、官道、主用也。凡此五者,将莫不闻,知之者胜,不知之者不胜。故校
之以计,而索其情,曰
- MySQL双向复制
tomcat_oracle
mysql
本文包括:
主机配置
从机配置
建立主-从复制
建立双向复制
背景
按照以下简单的步骤:
参考一下:
在机器A配置主机(192.168.1.30)
在机器B配置从机(192.168.1.29)
我们可以使用下面的步骤来实现这一点
步骤1:机器A设置主机
在主机中打开配置文件 ,
- zoj 3822 Domination(dp)
阿尔萨斯
Mina
题目链接:zoj 3822 Domination
题目大意:给定一个N∗M的棋盘,每次任选一个位置放置一枚棋子,直到每行每列上都至少有一枚棋子,问放置棋子个数的期望。
解题思路:大白书上概率那一张有一道类似的题目,但是因为时间比较久了,还是稍微想了一下。dp[i][j][k]表示i行j列上均有至少一枚棋子,并且消耗k步的概率(k≤i∗j),因为放置在i+1~n上等价与放在i+1行上,同理