- 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
- 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
- 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
- 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
- 【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
- 【Andrew Ng机器学习】单变量线性回归-模型描述
jenye_
课程:吴恩达机器学习一个监督学习的例子——房价预测使用的是一组俄勒冈州波特兰市的城市住房价格的数据。根据不同的尺寸的房间对应的不同售价,组成的数据集来画图。你有一个朋友想要卖房子,假设房子的大小是1250平方英尺,那么这套房可以卖多少钱?此时就可以进行模型拟合。根据这个模型,那么你可以告诉他这套房或许可以卖到220k。监督学习:每一个例子都有“正确的答案”,也就是说我们知道了数据集中卖出的房子的实
- ML:2-2-3 多分类问题multicalss
skylar0
分类机器学习人工智能
文章目录1.多分类问题的定义2.softmax3.神经网络的softmax输出【吴恩达机器学习65-67】1.多分类问题的定义classification问题可能的output大于2种。multiclass的预测图像可能是右侧这样的。2.softmaxsoftmaxregression算法是logisticregression的泛化(通用化)。【binaryclassification---->m
- Coursera吴恩达机器学习课程笔记——神经网络: 学习(Neural Networks: Learning)
yanglamei1962
机器学习笔记神经网络
9神经网络:学习(NeuralNetworks:Learning)9.1代价函数(CostFunction)神经网络的分类问题有两种:二元分类问题(0/1分类)只有一个输出单元(K=1K=1K=1)多元(KKK)分类问题输出单元不止一个(K>1K\gt1K>1)神经网络的代价函数公式:hΘ(x)=a(L)=g(Θ(L−1)a(L−1))=g(z(L))h_\Theta(x)=a^{(L)}=g(\
- 吴恩达机器学习笔记十二 Sigmoid激活函数的替代方案 激活函数的选择 为什么要使用激活函数
爱学习的小仙女!
机器学习机器学习人工智能
在需求预测案例中,awareness这个输入可能不是二元(binary)的,或许是一点(alittlebit)、有些(somewhat)或完全(extremely),此时相比将awareness规定为0、1,不如考虑概率,认为它是一个0-1之间的数。激活函数可以采用ReLU函数(rectifiedlinearunit)三个常用的激活函数使用线性激活函数也可以看作是没有激活函数。激活函数的选择输出层
- 吴恩达机器学习笔记十 神经网络 TensorFlow 人工智能
爱学习的小仙女!
机器学习神经网络人工智能深度学习
神经网络:说几层的时候是指隐藏层及输出层,不包含输入层。例如下图是一个四层神经网络。前向传播(forwardpropagation)越靠近输出层,该层的神经元数量越少TensorFlow(张量流)实现神经网络的搭建sequential()把两层顺序连接起来;如果有新的x,用predict()人工智能
- 吴恩达机器学习- 正则化
YANWeichuan
过拟合和欠拟合定义和形态解决方法减少特征值数量正则化正则化惩罚θ系数线性回归正则化逻辑回归正则化
- 最强机器学习入门博客(吴恩达机器学习课程总结)
PengHao666999
机器学习人工智能
机器学习的概述诞生现实生活许多领域的问题不能通过显式编程实现,比如制造自动驾驶汽车、智能工厂、规模农业、计算机视觉等等,一种好的实现方式是通过学习算法让计算机自己学习如何做。现在现在是学习机器学习最好的时机,因为机器学习在未来能产生巨大的价值未来机器学习在软件领域方面取得了巨大的价值,比如智能推荐,网络搜索,图像识别等机器学习在许多其他的领域仍有巨大的价值,比如未来在自动驾驶汽车,工厂,农业,医疗
- 在学习吴恩达机器学习课程中遇到的一些问题
ttyykx
学习机器学习jupyter
C1_W1_Lab04_Cost_function_Soln中遇到的一些问题1、importnumpyasnp%matplotlibnotebookimportmatplotlib.pyplotaspltfromlab_utils_uniimportplt_intuition,plt_stationary,plt_update_onclick,soup_bowlplt.style.use('./d
- 吴恩达机器学习Coursera-week11
geekpy
PhotoOCR在此章的课程中,Andrew主要是想通过OCR问题的解决来阐释在实际项目中我们应该如何定义问题,并将一个大问题分解为多个小问题,并通过pipeline的方式将对这些小问题的解决方案串联起来,从而解决这个大问题。我认为这是解决实际问题的一个经典的方法论,有助于我们在实际工作和生活中更好地思考问题,分解问题,并最终解决问题。ProblemDescriptionandPipeline此小
- 吴恩达机器学习介绍第一章介绍
清☆茶
机器学习人工智能
1.机器学习的概念在进行特定编程的情况下,给予计算机学习的能力。机器学习是一种人工智能的分支,它关注如何通过计算机算法和模型来使计算机系统从数据中学习和改进。机器学习的目标是让计算机系统能够自动分析和理解数据,并根据数据的模式和规律做出预测和决策,而无需明确的编程指令。机器学习可以分为监督学习、无监督学习和强化学习三种类型。在监督学习中,计算机系统通过使用带有标签的训练数据来学习模式和规律,然后根
- 【Andrew Ng机器学习】单变量线性回归-梯度下降
jenye_
课程:吴恩达机器学习此篇我们将学习梯度下降算法,我们之前已经定义了代价函数J,梯度下降法可以将代价函数J最小化。梯度下降是很常用的算法,他不仅被用在线性回归上,还被广泛应用与机器学习的众多领域。之后,我们也会用到梯度下降法最小化其他函数,而不仅仅是最小化线性回归的额代价函数J。我们的问题我们有一个代价函数J(\theta_0|theta_1$),可能是线性回归的代价函数,也可能是其他需要最小化的函
- 第八章 正则化
tomas家的小拨浪鼓
该系列文章为,观看“吴恩达机器学习”系列视频的学习笔记。虽然每个视频都很简单,但不得不说每一句都非常的简洁扼要,浅显易懂。非常适合我这样的小白入门。本章含盖8.1过拟合问题8.2代价函数8.3线性回归的正则化8.4Logistic回归的正则化8.1过拟合问题在将线性回归和logistic回归应用到某些机器学习应用中时,会出现过度拟合问题,导致它们表现欠佳。正则化能够改善或者减少过度拟合问题。什么是
- 2022-12-14科研日志
独孤西
今天主要学习了吴恩达机器学习的网课,又复习了一下机器学习;然后看了看VIO相关资料论文,今天看了几篇知网上搜到的关于VIO的硕士博士毕业论文和一篇20年的VIO综述,这方面的论文对于一个领域一般都有比较全面的描述。通过阅读我也了解了VIO领域的一些典型成果。VIO主流成果VIO是属于SLAM领域中的一个子课题,典型的VIO系统同样是由前端、后端、回环检测等几部分构成的。VIO的前端按是否提取特征点
- 吴恩达机器学习笔记-Logistic回归模型
Carey_Wu
回归函数在逻辑回归模型中我们不能再像之前的线性回归一样使用相同的代价函数,否则会使得输出的结果图像呈现波浪状,也就是说不再是个凸函数。代价函数的表达式之前有表示过,这里我们把1/2放到求和里面来。这里的求和部分我们可以表示为:很显然,如果我们把在之前说过的分类问题的假设函数带进去,即,得到的结果可能就是上述所说的不断起伏的状况。如果这里使用梯度下降法,不能保证能得到全局收敛的值,这个函数就是所谓的
- 吴恩达机器学习笔记(1)
python小白22
一.初识机器学习1.监督学习在监督学习中,训练数据既有特征又有标签,通过训练,让机器可以自己找到特征和标签之间的联系,在面对只有特征没有标签的数据时,可以判断出标签。监督学习可以分为回归问题和分类问题。回归问题是利用训练出的模型,预测连续的数值输出;分类问题是预测离散值的输出。2.无监督学习无监督学习是给算法大量的数据,要求它找出数据的类型结构。无监督学习的数据没有标签,或是所有数据都是同一种标签
- ML:2-2neural network layer
skylar0
机器学习
文章目录1.神经网络层2.更复杂的神经网络3.神经网络的前向传播【吴恩达机器学习笔记p47-49】1.神经网络层【了解神经网络如何完成预测的】input:4个数字的向量。3个神经元分别做logisticregression。下角标:标识第i个神经元的值。上角标:表示第j层layer的值。这3个神经元所做的logisticregression的结果组成了一个向量a将传给ouputlayer。第1层的
- ML:5-1 neural networks
skylar0
机器学习
文章目录course2框架1.neuralnetworks(deeplearning)2.DemandPrediction【吴恩达机器学习p43-46】course2框架一、neuralnetworks-inference(预测)二、neuralnetworks-training三、practiceadviceforbuildingmachinelearningsystems四、decisiont
- 吴恩达机器学习笔记(1)——单变量线性回归
机智的神棍酱
上一个笔记,我们大概了解了什么是机器学习以及机器学习的两个重要的分类,本篇笔记将带领大家了解机器学习的第一个模型——线性回归例题为了让大家更加直观的理解这个模型,我们引入一个例题,我们有一组波特兰市的城市住房的价格数据,我们要通过这些数据来找出一个函数,来预测任意面积下的房价,这就是一个简单的线性回归问题。这里给出的数据是一组房子面积对应的房价数据集其中m代表训练集,x是输入,y是输出。我们用(x
- 【吴恩达机器学习】第一周课程笔记
Estella_07
机器学习笔记人工智能
Hello,这里是小梁。下面是我近期学习机器学习的笔记,出发点是希望对自己起到一个督促和输出的作用如果你对我的笔记感兴趣欢迎Like,有不足之处也欢迎评论留言B站【2022吴恩达机器学习Deeplearning.ai课程】笔记参考【吴恩达《MachineLearning》精炼笔记】1机器学习的定义与分类1.1监督学习Supervisedlearning1.2无监督学习Unsupervisedlea
- 吴恩达机器学习笔记
AADGSEGA
机器学习
吴恩达机器学习笔记第一周基本概念监督学习分为回归算法和分类算法无监督学习事先没有正确答案。例如将客户群分成不同类,混合的声音区分开先在Octave或者matlab实现,可行,再尝试用Java或者python或者C++重新写出来只考虑两个变量的线性回归:例如找出一条函数拟合房价的那个例子里面的数据点。数据集:输入x[i],输出y[i],中间函数是h。使用成本函数(即方差误差,这里假设是只有房屋大小这
- ML学习安排和资源链接
Nice night
#ML吴恩达机器学习
第一阶段:学习前置数学知识机器学习的数学基础_二进制人工智能的博客-CSDN博客第二阶段:认知机器学习吴恩达机器学习【2022中文版教程全集】_哔哩哔哩_bilibili视频5h,看了一点发现后面没字幕了,这个(强推|双字)2022吴恩达机器学习Deeplearning.ai课程_哔哩哔哩_bilibili视频19h。但是这个是属于新课,所以还是先看第三阶段上:仔细了解机器学习视频链接:[中英字幕
- 深度学习学习顺序梳理
陌上阳光
深度学习深度学习人工智能
https://www.bilibili.com/video/BV1to4y1G7xq/?spm_id_from=333.999.0.0&vd_source=9607a6d9d829b667f8f0ccaaaa142fcb1.吴恩达机器学习课程已学完,时间较久了,后续可以重新听一遍,整理一下笔记2.白板推导读西瓜书统计学习方法看完了,时间也比较久了,重新看一遍整理笔记西瓜书,没看完过,后续再看3.
- java封装继承多态等
麦田的设计者
javaeclipsejvmcencapsulatopn
最近一段时间看了很多的视频却忘记总结了,现在只能想到什么写什么了,希望能起到一个回忆巩固的作用。
1、final关键字
译为:最终的
&
- F5与集群的区别
bijian1013
weblogic集群F5
http请求配置不是通过集群,而是F5;集群是weblogic容器的,如果是ejb接口是通过集群。
F5同集群的差别,主要还是会话复制的问题,F5一把是分发http请求用的,因为http都是无状态的服务,无需关注会话问题,类似
- LeetCode[Math] - #7 Reverse Integer
Cwind
java题解MathLeetCodeAlgorithm
原题链接:#7 Reverse Integer
要求:
按位反转输入的数字
例1: 输入 x = 123, 返回 321
例2: 输入 x = -123, 返回 -321
难度:简单
分析:
对于一般情况,首先保存输入数字的符号,然后每次取输入的末位(x%10)作为输出的高位(result = result*10 + x%10)即可。但
- BufferedOutputStream
周凡杨
首先说一下这个大批量,是指有上千万的数据量。
例子:
有一张短信历史表,其数据有上千万条数据,要进行数据备份到文本文件,就是执行如下SQL然后将结果集写入到文件中!
select t.msisd
- linux下模拟按键输入和鼠标
被触发
linux
查看/dev/input/eventX是什么类型的事件, cat /proc/bus/input/devices
设备有着自己特殊的按键键码,我需要将一些标准的按键,比如0-9,X-Z等模拟成标准按键,比如KEY_0,KEY-Z等,所以需要用到按键 模拟,具体方法就是操作/dev/input/event1文件,向它写入个input_event结构体就可以模拟按键的输入了。
linux/in
- ContentProvider初体验
肆无忌惮_
ContentProvider
ContentProvider在安卓开发中非常重要。与Activity,Service,BroadcastReceiver并称安卓组件四大天王。
在android中的作用是用来对外共享数据。因为安卓程序的数据库文件存放在data/data/packagename里面,这里面的文件默认都是私有的,别的程序无法访问。
如果QQ游戏想访问手机QQ的帐号信息一键登录,那么就需要使用内容提供者COnte
- 关于Spring MVC项目(maven)中通过fileupload上传文件
843977358
mybatisspring mvc修改头像上传文件upload
Spring MVC 中通过fileupload上传文件,其中项目使用maven管理。
1.上传文件首先需要的是导入相关支持jar包:commons-fileupload.jar,commons-io.jar
因为我是用的maven管理项目,所以要在pom文件中配置(每个人的jar包位置根据实际情况定)
<!-- 文件上传 start by zhangyd-c --&g
- 使用svnkit api,纯java操作svn,实现svn提交,更新等操作
aigo
svnkit
原文:http://blog.csdn.net/hardwin/article/details/7963318
import java.io.File;
import org.apache.log4j.Logger;
import org.tmatesoft.svn.core.SVNCommitInfo;
import org.tmateso
- 对比浏览器,casperjs,httpclient的Header信息
alleni123
爬虫crawlerheader
@Override
protected void doGet(HttpServletRequest req, HttpServletResponse res) throws ServletException, IOException
{
String type=req.getParameter("type");
Enumeration es=re
- java.io操作 DataInputStream和DataOutputStream基本数据流
百合不是茶
java流
1,java中如果不保存整个对象,只保存类中的属性,那么我们可以使用本篇文章中的方法,如果要保存整个对象 先将类实例化 后面的文章将详细写到
2,DataInputStream 是java.io包中一个数据输入流允许应用程序以与机器无关方式从底层输入流中读取基本 Java 数据类型。应用程序可以使用数据输出流写入稍后由数据输入流读取的数据。
- 车辆保险理赔案例
bijian1013
车险
理赔案例:
一货运车,运输公司为车辆购买了机动车商业险和交强险,也买了安全生产责任险,运输一车烟花爆竹,在行驶途中发生爆炸,出现车毁、货损、司机亡、炸死一路人、炸毁一间民宅等惨剧,针对这几种情况,该如何赔付。
赔付建议和方案:
客户所买交强险在这里不起作用,因为交强险的赔付前提是:“机动车发生道路交通意外事故”;
如果是交通意外事故引发的爆炸,则优先适用交强险条款进行赔付,不足的部分由商业
- 学习Spring必学的Java基础知识(5)—注解
bijian1013
javaspring
文章来源:http://www.iteye.com/topic/1123823,整理在我的博客有两个目的:一个是原文确实很不错,通俗易懂,督促自已将博主的这一系列关于Spring文章都学完;另一个原因是为免原文被博主删除,在此记录,方便以后查找阅读。
有必要对
- 【Struts2一】Struts2 Hello World
bit1129
Hello world
Struts2 Hello World应用的基本步骤
创建Struts2的Hello World应用,包括如下几步:
1.配置web.xml
2.创建Action
3.创建struts.xml,配置Action
4.启动web server,通过浏览器访问
配置web.xml
<?xml version="1.0" encoding="
- 【Avro二】Avro RPC框架
bit1129
rpc
1. Avro RPC简介 1.1. RPC
RPC逻辑上分为二层,一是传输层,负责网络通信;二是协议层,将数据按照一定协议格式打包和解包
从序列化方式来看,Apache Thrift 和Google的Protocol Buffers和Avro应该是属于同一个级别的框架,都能跨语言,性能优秀,数据精简,但是Avro的动态模式(不用生成代码,而且性能很好)这个特点让人非常喜欢,比较适合R
- lua set get cookie
ronin47
lua cookie
lua:
local access_token = ngx.var.cookie_SGAccessToken
if access_token then
ngx.header["Set-Cookie"] = "SGAccessToken="..access_token.."; path=/;Max-Age=3000"
end
- java-打印不大于N的质数
bylijinnan
java
public class PrimeNumber {
/**
* 寻找不大于N的质数
*/
public static void main(String[] args) {
int n=100;
PrimeNumber pn=new PrimeNumber();
pn.printPrimeNumber(n);
System.out.print
- Spring源码学习-PropertyPlaceholderHelper
bylijinnan
javaspring
今天在看Spring 3.0.0.RELEASE的源码,发现PropertyPlaceholderHelper的一个bug
当时觉得奇怪,上网一搜,果然是个bug,不过早就有人发现了,且已经修复:
详见:
http://forum.spring.io/forum/spring-projects/container/88107-propertyplaceholderhelper-bug
- [逻辑与拓扑]布尔逻辑与拓扑结构的结合会产生什么?
comsci
拓扑
如果我们已经在一个工作流的节点中嵌入了可以进行逻辑推理的代码,那么成百上千个这样的节点如果组成一个拓扑网络,而这个网络是可以自动遍历的,非线性的拓扑计算模型和节点内部的布尔逻辑处理的结合,会产生什么样的结果呢?
是否可以形成一种新的模糊语言识别和处理模型呢? 大家有兴趣可以试试,用软件搞这些有个好处,就是花钱比较少,就算不成
- ITEYE 都换百度推广了
cuisuqiang
GoogleAdSense百度推广广告外快
以前ITEYE的广告都是谷歌的Google AdSense,现在都换成百度推广了。
为什么个人博客设置里面还是Google AdSense呢?
都知道Google AdSense不好申请,这在ITEYE上也不是讨论了一两天了,强烈建议ITEYE换掉Google AdSense。至少,用一个好申请的吧。
什么时候能从ITEYE上来点外快,哪怕少点
- 新浪微博技术架构分析
dalan_123
新浪微博架构
新浪微博在短短一年时间内从零发展到五千万用户,我们的基层架构也发展了几个版本。第一版就是是非常快的,我们可以非常快的实现我们的模块。我们看一下技术特点,微博这个产品从架构上来分析,它需要解决的是发表和订阅的问题。我们第一版采用的是推的消息模式,假如说我们一个明星用户他有10万个粉丝,那就是说用户发表一条微博的时候,我们把这个微博消息攒成10万份,这样就是很简单了,第一版的架构实际上就是这两行字。第
- 玩转ARP攻击
dcj3sjt126com
r
我写这片文章只是想让你明白深刻理解某一协议的好处。高手免看。如果有人利用这片文章所做的一切事情,盖不负责。 网上关于ARP的资料已经很多了,就不用我都说了。 用某一位高手的话来说,“我们能做的事情很多,唯一受限制的是我们的创造力和想象力”。 ARP也是如此。 以下讨论的机子有 一个要攻击的机子:10.5.4.178 硬件地址:52:54:4C:98
- PHP编码规范
dcj3sjt126com
编码规范
一、文件格式
1. 对于只含有 php 代码的文件,我们将在文件结尾处忽略掉 "?>" 。这是为了防止多余的空格或者其它字符影响到代码。例如:<?php$foo = 'foo';2. 缩进应该能够反映出代码的逻辑结果,尽量使用四个空格,禁止使用制表符TAB,因为这样能够保证有跨客户端编程器软件的灵活性。例
- linux 脱机管理(nohup)
eksliang
linux nohupnohup
脱机管理 nohup
转载请出自出处:http://eksliang.iteye.com/blog/2166699
nohup可以让你在脱机或者注销系统后,还能够让工作继续进行。他的语法如下
nohup [命令与参数] --在终端机前台工作
nohup [命令与参数] & --在终端机后台工作
但是这个命令需要注意的是,nohup并不支持bash的内置命令,所
- BusinessObjects Enterprise Java SDK
greemranqq
javaBOSAPCrystal Reports
最近项目用到oracle_ADF 从SAP/BO 上调用 水晶报表,资料比较少,我做一个简单的分享,给和我一样的新手 提供更多的便利。
首先,我是尝试用JAVA JSP 去访问的。
官方API:http://devlibrary.businessobjects.com/BusinessObjectsxi/en/en/BOE_SDK/boesdk_ja
- 系统负载剧变下的管控策略
iamzhongyong
高并发
假如目前的系统有100台机器,能够支撑每天1亿的点击量(这个就简单比喻一下),然后系统流量剧变了要,我如何应对,系统有那些策略可以处理,这里总结了一下之前的一些做法。
1、水平扩展
这个最容易理解,加机器,这样的话对于系统刚刚开始的伸缩性设计要求比较高,能够非常灵活的添加机器,来应对流量的变化。
2、系统分组
假如系统服务的业务不同,有优先级高的,有优先级低的,那就让不同的业务调用提前分组
- BitTorrent DHT 协议中文翻译
justjavac
bit
前言
做了一个磁力链接和BT种子的搜索引擎 {Magnet & Torrent},因此把 DHT 协议重新看了一遍。
BEP: 5Title: DHT ProtocolVersion: 3dec52cb3ae103ce22358e3894b31cad47a6f22bLast-Modified: Tue Apr 2 16:51:45 2013 -070
- Ubuntu下Java环境的搭建
macroli
java工作ubuntu
配置命令:
$sudo apt-get install ubuntu-restricted-extras
再运行如下命令:
$sudo apt-get install sun-java6-jdk
待安装完毕后选择默认Java.
$sudo update- alternatives --config java
安装过程提示选择,输入“2”即可,然后按回车键确定。
- js字符串转日期(兼容IE所有版本)
qiaolevip
TODateStringIE
/**
* 字符串转时间(yyyy-MM-dd HH:mm:ss)
* result (分钟)
*/
stringToDate : function(fDate){
var fullDate = fDate.split(" ")[0].split("-");
var fullTime = fDate.split("
- 【数据挖掘学习】关联规则算法Apriori的学习与SQL简单实现购物篮分析
superlxw1234
sql数据挖掘关联规则
关联规则挖掘用于寻找给定数据集中项之间的有趣的关联或相关关系。
关联规则揭示了数据项间的未知的依赖关系,根据所挖掘的关联关系,可以从一个数据对象的信息来推断另一个数据对象的信息。
例如购物篮分析。牛奶 ⇒ 面包 [支持度:3%,置信度:40%] 支持度3%:意味3%顾客同时购买牛奶和面包。 置信度40%:意味购买牛奶的顾客40%也购买面包。 规则的支持度和置信度是两个规则兴
- Spring 5.0 的系统需求,期待你的反馈
wiselyman
spring
Spring 5.0将在2016年发布。Spring5.0将支持JDK 9。
Spring 5.0的特性计划还在工作中,请保持关注,所以作者希望从使用者得到关于Spring 5.0系统需求方面的反馈。