- 机器学习实战笔记5——线性判别分析
绍少阿
机器学习笔记可视化机器学习python人工智能
任务安排1、机器学习导论8、核方法2、KNN及其实现9、稀疏表示3、K-means聚类10、高斯混合模型4、主成分分析11、嵌入学习5、线性判别分析12、强化学习6、贝叶斯方法13、PageRank7、逻辑回归14、深度学习线性判别分析(LDA)Ⅰ核心思想对于同样一件事,站在不同的角度,我们往往会有不同的看法,而降维思想,亦是如此。同上节课一样,我们还是学习降维的算法,只是提供了一种新的角度,由上
- 《机器学习实战笔记--第一部分 分类算法:决策树 3》
z新一
机器学习决策树python
构造分类器:我们在构造了决策树之后,可以用于实际的分类了。在执行分类的时候需要决策树以及用于构造树的标签向量。程序比较测试数据与决策树上的数值,递归执行该过程直到进入叶子节点;最后将测试数据定义为叶子节点所属的类型。defclassify(inputTree,featLabels,testVec):#featLabels特征标签列表firstStr=list(inputTree.keys())[0
- 机器学习实战笔记(三):使用k-近邻算法的手写识别系统(Python3 实现)
max_bay
机器学习实战笔记机器学习实战笔记kNN手写数字识别系统Python
完整代码及数据地址:https://github.com/cqulun123/Machine-Learning-in-Action0使用k-近邻算法的手写识别系统的步骤(1)收集数据:提供文本文件。(2)准备数据:编写函数classify0(),将图像格式转换为分类器使用的list格式。(3)分析数据:在Python命令提示符中检查数据,确保它符合要求。(4)训练算法:此步骤不适用于k-近邻算法。
- 机器学习实战笔记(蜥蜴书)—— 第二章:端到端项目
Crayon鑫
笔记机器学习机器学习笔记人工智能
目录前言机器学习前的准备工作1、机器学习需要用到的库:安装:文件导入库2、所用工具数据准备1、获取数据2、检查数据3、创建训练/测试集数据可视化数据预处理1、缺失值处理2、文本属性处理3、数据集添加其他列4、数值缩放5、得到预处理的数据模型建立1、线型模型2、决策树模型3、随机森林模型模型验证1、简单均方根误差验证2、使用交叉验证模型保存模型调整模型评估前言“蜥蜴书”是我机器学习的启蒙书,现在开始
- 机器学习实战笔记(一)机器学习基础
三千侵天
机器学习机器学习人工智能算法
什么是机器学习?机器学习能让我们从数据集中受到启发。我们会利用计算机来彰显数据背后的真实含义,这才是机器学习的真实含义。机器学习就是把无序的数据转换成有用的信息。可以这么说,机器学习对于任何需要解释并操作数据的领域都有所裨益。机器学习领域的关键术语下表是用于区分不同鸟类需要使用的四个不同的属性值。现实中,你可能会想测量更多的值。通常的做法是测量所有可测属性,然后再挑选出重要部分。上面测量的这四种值
- 《机器学习实战笔记》-逻辑回归-梯度上升法
代码太难敲啊喂
深度学习实战-自学笔记机器学习逻辑回归人工智能
主要难点:公式推导和边界函数的设定importmatplotlib.pyplotaspltimportnumpyasnp'''求函数f(x)=-x^2+4x的最大值'''defgradient_Ascent_test():deff_prime(x_old):return-2*x_old+4#'f(x)的导数=-2x+4'#初始化:old小于newnew从曲线(0,0)开始,学习率为0.01误差值为
- 机器学习实战笔记——第十三章
DaMeng999
机器学习tensorflow机器学习python
一、数据API使用tf.data.Dataset.from_tensor_slices创建一个数据集:dataset=tf.data.Dataset.from_tensor_slices(tf.range(10))print(dataset,tf.range(10))foritemindataset:print(item)结果如下:from_tensor_slices该函数创建一个给定张量的切片(
- 机器学习实战笔记--决策树
Azoobie
机器学习python决策树机器学习python决策树
本文为《机器学习实战》学习笔记1.决策树简介决策树可以从数据集合汇总提取一系列的规则,创建规则的过程就是机器学习的过程。在构造决策树的过程中,不断选取特征划分数据集,直到具有相同类型的数据均在数据子集内。1.1划分数据集由于不同属性的数据类型不同,其对应的测试条件也不同。即非叶子节点的每条出边代表的含义不同。二元属性产生两个可能的输出。标称属性具有多个属性值。可以根据属性值的数量产生多路划分,每个
- 机器学习实战笔记(二)KNN算法
chenyonwu同学
机器学习机器学习算法人工智能
文章目录算法概念、基本思想和应用概念基本思想应用实例三个基本要素K的取值距离度量分类决策规则特征归一化很重要算法描述与优缺点参考博客算法概念、基本思想和应用概念官方概念:所谓K近邻算法,即是给定一个训练数据集,对新的输入实例,在训练数据集中找到与该实例最邻近的K个实例,这K个实例的多数属于某个类,就把该输入实例分类到这个类中。简单来说,根据待分类点的周围邻居来判断类别,邻居大多数属于哪一类,就将待
- 机器学习实战笔记(一)
威士忌燕麦拿铁
算法大数据python机器学习人工智能
1机器学习概览1.什么是机器学习机器学习是通过编程让计算机从数据中进行学习的科学(和艺术)。机器学习是让计算机具有学习的能力,无需进行明确编程。(亚瑟·萨缪尔,1959)计算机程序利用经验E学习任务T,性能是P,如果针对任务T的性能P随着经验E不断增长,则称为机器学习(汤姆·米切尔,1997)2.为什么要进行机器学习需要进行大量手工调整或者需要拥有长串规则才能解决的问题:机器学习算法通常可以简化代
- 机器学习实战笔记--kNN
Azoobie
机器学习python机器学习pythonknn分类器
本文为《机器学习实战》学习笔记1.相关数据类型&函数介绍SciPy基于Python生态系统提供了数学运算、科学和工程的开源软件,主要包括基本N维数组包NumPy,科学计算基本库SciPylibrary,用于2D绘图的Matplotlib,交互式控制台IPython,用于符号数学Sympy,用于数据结构和分析的pandas。1.1NumPyNumPy是python科学计算的基础包。包括强大的N维数组
- Pandas入门笔记
Sehr_Gut
pandas
笔记参照课程唐宇迪python数据分析与机器学习实战笔记方便自己今后回顾和查看,需要详细了解各自Pandas操作,建议学习上述课程Pandas数据结构pandas是基于numpy的数据处理库。其数据的基本结构从小到大依次为numpy.array,pandas.core.series.Series以及pandas.core.frame.DataFrame.简单的pandas特有的结构为series和
- 机器学习实战笔记(Python实现)-02-决策树
lengyuyan007
机器学习
决策树原理简单来说就是:1,先计算所有列概率,及概率log值,据此求出整体的信息熵A;2,取出数据集中的每一列,计算剩余特征值的信息熵ai,并计算差值,也就是信息熵增益:bi=A-ai,除去自己这列,算的信息熵越小,信息增益越大,表示自己这列越重要;3,选出最重要的列,作为主要特征,作为根节点,依次比较,直到创建分类树;4,拿测试集来测试,从根节点开始检测,最后分类;决策树须知概念信息熵&信息增益
- 《机器学习实战笔记--第一部分 分类算法:决策树 4》
z新一
机器学习python决策树决策树连续值处理
之前的决策树分类部分只完成了对离散值的分类,当遇到有某些属性值是连续的时候就需要一些其他的方法了。由于连续值的可取值数目不再有限,因此不能直接根据连续属性的可取值来对节点进行划分。此时就需要连续属性的离散化,最简单的策略是采用二分法对连续属性进行处理,这正是C4.5决策树算法中采用的机制。下面我们以周志华老师的西瓜书为例画一个带有连续值分类的决策树。给定样本集D和连续属性a,假定a在D上出现了n个
- 机器学习实战笔记8—随机森林
业余狙击手19
ML
注:此系列文章里的部分算法和深度学习笔记系列里的内容有重合的地方,深度学习笔记里是看教学视频做的笔记,此处文章是看《机器学习实战》这本书所做的笔记,虽然算法相同,但示例代码有所不同,多敲一遍没有坏处,哈哈。(里面用到的数据集、代码可以到网上搜索,很容易找到。)。Python版本3.6机器学习十大算法系列文章:机器学习实战笔记1—k-近邻算法机器学习实战笔记2—决策树机器学习实战笔记3—朴素贝叶斯机
- 机器学习实战笔记——决策树
yuexiahandao
机器学习机器学习
决策树-ID3决策树也是经常使用的数据挖掘算法。这张图所示就是一个决策树。长方形代表判断模块,椭圆形代表终止模块。从判断模块引出的左右箭头称作分支。决策树的一个重要任务是为了理解数据中所蕴含的知识信息,因此决策树可以使用不熟悉的数据集合,并从中提取出一系列,这些机器根据数据集创建规则的过程,就是机器学习的过程。训练出来的数据可以使用Matplotlib来绘制决策树图。决策树构造算法特点:优点:计算
- TYD2019python机器学习实战笔记,初识 numpy 和 pandas
南征_北战
算法
目录目录第一章:入学指南及其杂项.ipynb文件如何打开python库安装工具第二章:python科学计算库numpy第三章:python数据分析处理库—Pandas第一章:入学指南及其杂项在校生更偏重底层算法推导,而不仅仅是会用。自己做笔记很重要,要用自己的话说,用自己的话写,用别人的容易忘。最好的资源站点GitHub,kaggle(找数据的,竞赛网站)。案例积累很重要,因为实际接手项目时,都不
- python实现线性回归预测_机器学习实战笔记(Python实现)-08-线性回归
weixin_39653078
python实现线性回归预测
---------------------------------------------------------------------------------------本系列文章为《机器学习实战》学习笔记,内容整理自书本,网络以及自己的理解,如有错误欢迎指正。-------------------------------------------------------------------
- python神经网络分析案例_python神经网络实战
weixin_39776344
python神经网络分析案例
机器学习实战笔记(Python实现)-04-Logistic回归转自:机器学习实战笔记(Python实现)-04-Logistic回归转自:简单多元线性回归(梯度下降算法与矩阵法)转自:人工神经网络(从原理到代码)Step01感知器梯度下降文章晴天哥2018-01-28742浏览量书籍:机器学习和图像处理实战PracticalMachineLearningandImageProcessing-20
- 机器学习实战笔记
Solarzhou
机器学习Python机器学习实战
文章目录2k近邻算法2.1实施kNN算法代码清单1:测试,结果:2.2使用kNN改进约会网站的配对效果2.2.1准备数据,从文本中解析数据2.2.2分析数据:使用Matplotlib创建散点图2.2.3准备数据:归一化数值测试算法:作为完整程序验证2.3使用算法:构建完整可用系统2.3.1准备数据:将图像转换为测试向量2.3.2测试算法:使用kNN近邻算法识别手写数字3决策树3.1决策树构造3.1
- 机器学习实战笔记——第十一章
DaMeng999
机器学习神经网络机器学习深度学习
目录一、梯度消失与梯度爆炸1.1Glorot和He初始化1.1.1tf.keras.initializers.VarianceScaling1.2非饱和激活函数1.2.1tf.keras.layers.LeakyReLU1.2.2tf.keras.layers.PReLU1.3批量归一化1.4梯度裁剪1.4.1tf.keras.optimizers.SGD二、重用预训练层——解决训练数据不同2.1
- 机器学习实战笔记——第十章
DaMeng999
机器学习神经网络机器学习深度学习
目录一、神经网络基础1.1反向传播训练算法1.2回归MLP1.3分类MLP二、利用tf.keras搭建神经网络2.1加载数据2.2顺序API创建分类模型2.2.1tf.keras.Sequential2.2.2tf.keras.layers.Flatten2.2.3tf.keras.layers.Dense()2.3顺序API创建回归模型2.4函数式API创建复杂模型2.4.1tf.keras.I
- 机器学习实战笔记5—支持向量机
业余狙击手19
ML
注:此系列文章里的部分算法和深度学习笔记系列里的内容有重合的地方,深度学习笔记里是看教学视频做的笔记,此处文章是看《机器学习实战》这本书所做的笔记,虽然算法相同,但示例代码有所不同,多敲一遍没有坏处,哈哈。(里面用到的数据集、代码可以到网上搜索,很容易找到。)。Python版本3.6机器学习十大算法系列文章:机器学习实战笔记1—k-近邻算法机器学习实战笔记2—决策树机器学习实战笔记3—朴素贝叶斯机
- 机器学习实战笔记(1)
sunnnnman
学习笔记机器学习算法python
机器学习实战笔记(1)一、k-近邻算法1、算法主要实现步骤计算已知类别数据集中的点与当前点之间的距离(欧式距离公式);按照距离递增次序排序;选取与当前点距离最小的K个点;确定前K个点所在类别出现频率;返回前K个点出现频率最高的类别作为当前的点的预测分类;2、示例1约会配对(1)数据散点图对数据1、2列属性值绘制散点图如下(三种分类采用颜色区分)(2)判断所属分类defclassify0(inX,d
- 机器学习实战笔记二_Python3
艾欧尼亚归我了
机器学习
程序清单2-2个人程序注释+Python3部分代码改造(针对int(listFromLine[-1])编译不通过的调整)先贴2-2的伪代码函数:[python]viewplaincopydeffile2matrix(filename):#openafile,default:'r'eadfr=open(filename)#一次读取所有行arrayOLines=fr.readlines()#得到行数n
- 机器学习实战笔记——利用KNN算法改进约会网站的配对效果
zhihua_bupt
MachineLearningPython图像超分辨率技术机器学习实战笔记
利用KNN算法改进约会网站的配对效果一、案例背景我的朋友海伦一直使用在线约会网站寻找合适自己的约会对象。尽管约会网站会推荐不同的人选,但她并不是喜欢每一个人。经过一番总结,她发现曾交往过三种类型的人:(1)不喜欢的人;(2)魅力一般的人;(3)极具魅力的人;尽管发现了上述规律,但海伦依然无法将约会网站推荐的匹配对象归入恰当的分类,她觉得可以在周一到周五约会那些魅力一般的人,而周末则更喜欢与那些极具
- Python数据分析与机器学习实战笔记(4)- Seaborn
grinningGrace
文章目录Seaborn1.Seaborn简介2.整体布局风格设置3.风格细节设置4.调色板4.1调色板4.2分类色板4.3圆形画板4.4调色板颜色设置4.4.1使用xkcd颜色来命名颜色4.4.2连续色板4.4.3cubehelix_palette()调色板4.4.4light_palette()和dark_palette()调用定制连续调色板5.单变量分析绘图5.1数据分布情况5.2根据均值和协
- Python数据分析与机器学习实战笔记(5) - K近邻算法
grinningGrace
文章目录K近邻算法1.K近邻算法概述1.1读取数据1.2KnearestNeighbor算法1.3(欧式)距离的定义1.4模型评估1.4.1首先制定好训练集和测试集1.4.2基于单变量预测价格1.4.3RootMeanSquaredError均方根误差1.4.4不同的变量效果会不会不同呢1.4.5数据标准化,归一化1.4.6多变量距离的计算1.4.7多变量KNN模型2.sklearn库与功能2.1
- Python数据分析与机器学习实战笔记(9) - 案例实战python实现逻辑回归
grinningGrace
文章目录案例实战python实现罗辑回归1.任务概述1.1Thelogisticregression1.2要完成的模块1.2.1sigmoid函数1.2.2model1.2.3cost损失函数1.2.4gradient计算梯度1.2.5descent进行参数更新1.2.5.1不同的停止策略1.2.5.2对比不同的梯度下降方法1.2.7计算精度案例实战python实现罗辑回归1.任务概述Thedat
- Python数据分析与机器学习实战笔记(10) - 项目实战(交易数据异常检测)
grinningGrace
文章目录项目实战(交易数据异常检测)1.信用卡欺诈检测1.1任务流程:1.2主要解决问题:2.项目总结项目实战(交易数据异常检测)1.信用卡欺诈检测基于信用卡交易记录数据建立分类模型来预测哪些交易记录是异常的哪些是正常的。1.1任务流程:a.加载数据,观察问题b.针对问题给出解决方案c.数据集切分d.评估方法对比e.逻辑回归模型f.建模结果分析g.方案效果对比1.2主要解决问题:(1)在此项目中,
- [黑洞与暗粒子]没有光的世界
comsci
无论是相对论还是其它现代物理学,都显然有个缺陷,那就是必须有光才能够计算
但是,我相信,在我们的世界和宇宙平面中,肯定存在没有光的世界....
那么,在没有光的世界,光子和其它粒子的规律无法被应用和考察,那么以光速为核心的
&nbs
- jQuery Lazy Load 图片延迟加载
aijuans
jquery
基于 jQuery 的图片延迟加载插件,在用户滚动页面到图片之后才进行加载。
对于有较多的图片的网页,使用图片延迟加载,能有效的提高页面加载速度。
版本:
jQuery v1.4.4+
jQuery Lazy Load v1.7.2
注意事项:
需要真正实现图片延迟加载,必须将真实图片地址写在 data-original 属性中。若 src
- 使用Jodd的优点
Kai_Ge
jodd
1. 简化和统一 controller ,抛弃 extends SimpleFormController ,统一使用 implements Controller 的方式。
2. 简化 JSP 页面的 bind, 不需要一个字段一个字段的绑定。
3. 对 bean 没有任何要求,可以使用任意的 bean 做为 formBean。
使用方法简介
- jpa Query转hibernate Query
120153216
Hibernate
public List<Map> getMapList(String hql,
Map map) {
org.hibernate.Query jpaQuery = entityManager.createQuery(hql);
if (null != map) {
for (String parameter : map.keySet()) {
jp
- Django_Python3添加MySQL/MariaDB支持
2002wmj
mariaDB
现状
首先,
[email protected] 中默认的引擎为 django.db.backends.mysql 。但是在Python3中如果这样写的话,会发现 django.db.backends.mysql 依赖 MySQLdb[5] ,而 MySQLdb 又不兼容 Python3 于是要找一种新的方式来继续使用MySQL。 MySQL官方的方案
首先据MySQL文档[3]说,自从MySQL
- 在SQLSERVER中查找消耗IO最多的SQL
357029540
SQL Server
返回做IO数目最多的50条语句以及它们的执行计划。
select top 50
(total_logical_reads/execution_count) as avg_logical_reads,
(total_logical_writes/execution_count) as avg_logical_writes,
(tot
- spring UnChecked 异常 官方定义!
7454103
spring
如果你接触过spring的 事物管理!那么你必须明白 spring的 非捕获异常! 即 unchecked 异常! 因为 spring 默认这类异常事物自动回滚!!
public static boolean isCheckedException(Throwable ex)
{
return !(ex instanceof RuntimeExcep
- mongoDB 入门指南、示例
adminjun
javamongodb操作
一、准备工作
1、 下载mongoDB
下载地址:http://www.mongodb.org/downloads
选择合适你的版本
相关文档:http://www.mongodb.org/display/DOCS/Tutorial
2、 安装mongoDB
A、 不解压模式:
将下载下来的mongoDB-xxx.zip打开,找到bin目录,运行mongod.exe就可以启动服务,默
- CUDA 5 Release Candidate Now Available
aijuans
CUDA
The CUDA 5 Release Candidate is now available at http://developer.nvidia.com/<wbr></wbr>cuda/cuda-pre-production. Now applicable to a broader set of algorithms, CUDA 5 has advanced fe
- Essential Studio for WinRT网格控件测评
Axiba
JavaScripthtml5
Essential Studio for WinRT界面控件包含了商业平板应用程序开发中所需的所有控件,如市场上运行速度最快的grid 和chart、地图、RDL报表查看器、丰富的文本查看器及图表等等。同时,该控件还包含了一组独特的库,用于从WinRT应用程序中生成Excel、Word以及PDF格式的文件。此文将对其另外一个强大的控件——网格控件进行专门的测评详述。
网格控件功能
1、
- java 获取windows系统安装的证书或证书链
bewithme
windows
有时需要获取windows系统安装的证书或证书链,比如说你要通过证书来创建java的密钥库 。
有关证书链的解释可以查看此处 。
public static void main(String[] args) {
SunMSCAPI providerMSCAPI = new SunMSCAPI();
S
- NoSQL数据库之Redis数据库管理(set类型和zset类型)
bijian1013
redis数据库NoSQL
4.sets类型
Set是集合,它是string类型的无序集合。set是通过hash table实现的,添加、删除和查找的复杂度都是O(1)。对集合我们可以取并集、交集、差集。通过这些操作我们可以实现sns中的好友推荐和blog的tag功能。
sadd:向名称为key的set中添加元
- 异常捕获何时用Exception,何时用Throwable
bingyingao
用Exception的情况
try {
//可能发生空指针、数组溢出等异常
} catch (Exception e) {
 
- 【Kafka四】Kakfa伪分布式安装
bit1129
kafka
在http://bit1129.iteye.com/blog/2174791一文中,实现了单Kafka服务器的安装,在Kafka中,每个Kafka服务器称为一个broker。本文简单介绍下,在单机环境下Kafka的伪分布式安装和测试验证 1. 安装步骤
Kafka伪分布式安装的思路跟Zookeeper的伪分布式安装思路完全一样,不过比Zookeeper稍微简单些(不
- Project Euler
bookjovi
haskell
Project Euler是个数学问题求解网站,网站设计的很有意思,有很多problem,在未提交正确答案前不能查看problem的overview,也不能查看关于problem的discussion thread,只能看到现在problem已经被多少人解决了,人数越多往往代表问题越容易。
看看problem 1吧:
Add all the natural num
- Java-Collections Framework学习与总结-ArrayDeque
BrokenDreams
Collections
表、栈和队列是三种基本的数据结构,前面总结的ArrayList和LinkedList可以作为任意一种数据结构来使用,当然由于实现方式的不同,操作的效率也会不同。
这篇要看一下java.util.ArrayDeque。从命名上看
- 读《研磨设计模式》-代码笔记-装饰模式-Decorator
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/
import java.io.BufferedOutputStream;
import java.io.DataOutputStream;
import java.io.FileOutputStream;
import java.io.Fi
- Maven学习(一)
chenyu19891124
Maven私服
学习一门技术和工具总得花费一段时间,5月底6月初自己学习了一些工具,maven+Hudson+nexus的搭建,对于maven以前只是听说,顺便再自己的电脑上搭建了一个maven环境,但是完全不了解maven这一强大的构建工具,还有ant也是一个构建工具,但ant就没有maven那么的简单方便,其实简单点说maven是一个运用命令行就能完成构建,测试,打包,发布一系列功
- [原创]JWFD工作流引擎设计----节点匹配搜索算法(用于初步解决条件异步汇聚问题) 补充
comsci
算法工作PHP搜索引擎嵌入式
本文主要介绍在JWFD工作流引擎设计中遇到的一个实际问题的解决方案,请参考我的博文"带条件选择的并行汇聚路由问题"中图例A2描述的情况(http://comsci.iteye.com/blog/339756),我现在把我对图例A2的一个解决方案公布出来,请大家多指点
节点匹配搜索算法(用于解决标准对称流程图条件汇聚点运行控制参数的算法)
需要解决的问题:已知分支
- Linux中用shell获取昨天、明天或多天前的日期
daizj
linuxshell上几年昨天获取上几个月
在Linux中可以通过date命令获取昨天、明天、上个月、下个月、上一年和下一年
# 获取昨天
date -d 'yesterday' # 或 date -d 'last day'
# 获取明天
date -d 'tomorrow' # 或 date -d 'next day'
# 获取上个月
date -d 'last month'
#
- 我所理解的云计算
dongwei_6688
云计算
在刚开始接触到一个概念时,人们往往都会去探寻这个概念的含义,以达到对其有一个感性的认知,在Wikipedia上关于“云计算”是这么定义的,它说:
Cloud computing is a phrase used to describe a variety of computing co
- YII CMenu配置
dcj3sjt126com
yii
Adding id and class names to CMenu
We use the id and htmlOptions to accomplish this. Watch.
//in your view
$this->widget('zii.widgets.CMenu', array(
'id'=>'myMenu',
'items'=>$this-&g
- 设计模式之静态代理与动态代理
come_for_dream
设计模式
静态代理与动态代理
代理模式是java开发中用到的相对比较多的设计模式,其中的思想就是主业务和相关业务分离。所谓的代理设计就是指由一个代理主题来操作真实主题,真实主题执行具体的业务操作,而代理主题负责其他相关业务的处理。比如我们在进行删除操作的时候需要检验一下用户是否登陆,我们可以删除看成主业务,而把检验用户是否登陆看成其相关业务
- 【转】理解Javascript 系列
gcc2ge
JavaScript
理解Javascript_13_执行模型详解
摘要: 在《理解Javascript_12_执行模型浅析》一文中,我们初步的了解了执行上下文与作用域的概念,那么这一篇将深入分析执行上下文的构建过程,了解执行上下文、函数对象、作用域三者之间的关系。函数执行环境简单的代码:当调用say方法时,第一步是创建其执行环境,在创建执行环境的过程中,会按照定义的先后顺序完成一系列操作:1.首先会创建一个
- Subsets II
hcx2013
set
Given a collection of integers that might contain duplicates, nums, return all possible subsets.
Note:
Elements in a subset must be in non-descending order.
The solution set must not conta
- Spring4.1新特性——Spring缓存框架增强
jinnianshilongnian
spring4
目录
Spring4.1新特性——综述
Spring4.1新特性——Spring核心部分及其他
Spring4.1新特性——Spring缓存框架增强
Spring4.1新特性——异步调用和事件机制的异常处理
Spring4.1新特性——数据库集成测试脚本初始化
Spring4.1新特性——Spring MVC增强
Spring4.1新特性——页面自动化测试框架Spring MVC T
- shell嵌套expect执行命令
liyonghui160com
一直都想把expect的操作写到bash脚本里,这样就不用我再写两个脚本来执行了,搞了一下午终于有点小成就,给大家看看吧.
系统:centos 5.x
1.先安装expect
yum -y install expect
2.脚本内容:
cat auto_svn.sh
#!/bin/bash
- Linux实用命令整理
pda158
linux
0. 基本命令 linux 基本命令整理
1. 压缩 解压 tar -zcvf a.tar.gz a #把a压缩成a.tar.gz tar -zxvf a.tar.gz #把a.tar.gz解压成a
2. vim小结 2.1 vim替换 :m,ns/word_1/word_2/gc  
- 独立开发人员通向成功的29个小贴士
shoothao
独立开发
概述:本文收集了关于独立开发人员通向成功需要注意的一些东西,对于具体的每个贴士的注解有兴趣的朋友可以查看下面标注的原文地址。
明白你从事独立开发的原因和目的。
保持坚持制定计划的好习惯。
万事开头难,第一份订单是关键。
培养多元化业务技能。
提供卓越的服务和品质。
谨小慎微。
营销是必备技能。
学会组织,有条理的工作才是最有效率的。
“独立
- JAVA中堆栈和内存分配原理
uule
java
1、栈、堆
1.寄存器:最快的存储区, 由编译器根据需求进行分配,我们在程序中无法控制.2. 栈:存放基本类型的变量数据和对象的引用,但对象本身不存放在栈中,而是存放在堆(new 出来的对象)或者常量池中(字符串常量对象存放在常量池中。)3. 堆:存放所有new出来的对象。4. 静态域:存放静态成员(static定义的)5. 常量池:存放字符串常量和基本类型常量(public static f