jack_jay_du
jack_jay_du

周志华《机器学习》第三章 线性模型——基本形式

周志华《机器学习》（西瓜书）目录

https://editor.csdn.net/md?articleId=106864771
—————————————————————————————————

基本形式

线性模型是一类统计模型的总称，制作方法是用一定的流程将各个环节连接起来，包括线性回归模型、方差分析模型，应用于生物、医学、经济、管理。
线性模型(linear model)试图学得一个通过属性的线性组合来进行 预测的函数，即
在这里插入图片描述
一般用向量形式写成：
在这里插入图片描述
其中 w = ( w 1 ; w 2 ; . . . ; w d ) w=(w_1;w_2;...;w_d) w=(w1​;w2​;...;wd​)， w w w和 b b b学得之后，模型就可以确定。

参考文献

[1] 周志华. 机器学习 : = Machine learning[M]. 清华大学出版社, 2016.

你可能感兴趣的:(西瓜书笔记)

  • 机器学习西瓜书笔记1 糊了胡 机器学习机器学习笔记人工智能
    第一章机器学习之绪论目录第一章机器学习之绪论一、引言二、基本术语三、假设空间四、归纳偏好五、发展历程一、引言机器学习就是致力于研究如何通过计算的手段，利用经验来改善系统自身的性能。Mitchell给出了更形式化的定义：假设用P来评估计算机程序在某任务类T上的性能，若一个程序通过利用经验E在T中任务上获得了性能改善，则我们就说关于T和P，该程序对E进行了学习。二、基本术语收集一组西瓜数据，(色泽=青
  • 西瓜书笔记 Moliay ML算法
    周志华老师亲讲-西瓜书全网最详尽讲解-1080p高清原版《机器学习初步》周志华机器学习（西瓜书）学习笔记（持续更新）周志华《MachineLearning》学习笔记绪论基本术语数据集（dataset）：一堆关于某种事物的数据的集合示例（instance）或样本(sample)：每条记录是关于一个事件或对象的描述，称为一个示例或样本属性（attribute）或特征（feature）：反映事件或对象在
  • 西瓜书笔记4: 决策树 lagoon_lala 人工智能机器学习决策树
    目录4.1基本流程决策树学习基本算法4.2划分选择4.2.1信息增益信息熵信息增益西瓜例子4.2.2增益率4.2.3基尼指数4.3剪枝处理4.3.1预剪枝4.3.2后剪枝4.4连续与缺失值4.4.1连续值处理连续属性离散化西瓜例子4.4.2缺失值处理信息增益西瓜例子4.5多变量决策树轴平行决策树斜决策树4.1基本流程决策树:样本分类可看作基于树结构,来进行决策的过程.基本流程:"分而治之"(div
  • 【西瓜书笔记】8. EM算法（上） 西风瘦马1912 《机器学习》西瓜书第15期概率论机器学习EM算法极大似然估计
    EM算法的引入引入EM算法的原因：概率模型有时候既含有观测变量，又含有隐变量或者潜在变量。如果概率模型的变量都是观测变量，那么给定数据，可以直接用极大似然估计法，或者贝叶斯估计法估计模型参数。但是当模型含有隐变量时，就不能简单地使用这些估计方法。EM算法就是含有隐变量的概率模型参数的极大似然估计法。EM算法的例子《统计学习方法》例9.1（三硬币模型）：假设有3枚硬币，分别记作A，B，C。这些硬币正
  • 《西瓜书笔记》（1）机器学习概述 土豆洋芋山药蛋
    《西瓜书》指的是周志华老师的《机器学习》著作什么是机器学习？机器学习致力于通过计算的手段，利用经验来改善系统自身性能的学科经验通常是以“数据”的形式体现，或者上一次训练的错误机器学习的本质任务是预测。学习任务的分类：若我们预测的是离散值，如西瓜是好瓜还是坏瓜，此类学习任务是分类若我们预测的是连续值，如西瓜的成熟度，此类学习任务是回归若西瓜本身没有任何标签（好的，坏的，浅色的，深色的等），我们根据潜
  • 西瓜书第一二章随记 惊石 机器学习聚类算法
    西瓜书笔记第一章计算机系统中，“经验”以“数据”形式存在，所以机器学习的主要内容就是关于在计算机上从数据中产生“模型”的算法。根据训练数据是否具有标记信息，分为监督学习和无监督学习，分别包含分类，回归和聚类。学习过程可以看作一个在所有假设组成的空间中进行搜索的过程。在学习过程中对某中类型假设的偏好，称为“归纳偏好”。归纳偏好——选择时的价值观。其中，奥卡姆剃刀：若有多个假设与观察一致，则选最简单的
  • 读西瓜书笔记（二）模型评估与选择 謙卑 机器学习笔记机器学习recallROC过拟合验证集
    读西瓜书笔记（二）模型评估与选择（一）误差与过拟合1.经验误差(empiricalerror)/训练误差(trainingerror)与泛化误差(generalizationerror)错误率(errorrate)：通常我们把分类错误的样本数占样本总数的比例称为“错误率"。精度(accuracy)：精度=1-错误率。即如果我们在m个样本中有a个样本分类错误，则错误率为E=a/m;相应的，1-a/m
  • 机器学习笔记（第三章 线性模型） xhy. 机器学习机器学习人工智能算法
    西瓜书笔记（第3章线性模型）3.1基本形式线性模型(linearmodel)试图学得一个通过属性的线性组合来进行预测的函数，即f(x)=ω1x1+ω2x2+...+ωdxd+bf(x)=\omega_1x_1+\omega_2x_2+...+\omega_dx_d+bf(x)=ω1x1+ω2x2+...+ωdxd+b一般用向量形式写成f(x)=ωTx+bf(x)=\omega^Tx+bf(x)=ω
  • 西瓜书笔记7:贝叶斯分类器 lagoon_lala 人工智能贝叶斯分类器机器学习
    目录相关概率知识贝叶斯-全概率公式先验概率、后验概率、似然概率7.1贝叶斯决策论7.2极大似然估计极大似然估计公式均值方差估计公式推导概率知识复习高斯分布最大似然估计7.3朴素贝叶斯分类器朴素贝叶斯分类器的概念条件概率估计方法拉普拉斯修正7.4半朴素贝叶斯分类器ODE基本思想SPODETANAODE7.5贝叶斯网7.5.1结构三变量典型依赖关系有向分离7.5.2学习结构学习参数学习7.5.3推断吉
  • 西瓜书笔记第一章 模型评估与选择 优雅一只猫 笔记机器学习人工智能经验分享数据挖掘
    第一章模型的输入与评估西瓜书概念很多，由过去多次反复入门经验，先选择摘取重要概念作为笔记，不纠结其他概念，实际代码中用到再深入。机器学习关键是三步：1.构造输入2.选择数学模型(线性回归、神经网络等)3.评估输出并最小化误差（梯度下降），本章讨论模型如何选择输入数据和常见的评估指标1.输入数据选择1.留出法留出法将数据集D分为两个互斥集合，其中一个作为训练集S，另一个作为测试集T。注意，划分数据集
  • 西瓜书笔记9: 聚类 lagoon_lala 人工智能聚类
    目录9.1聚类任务9.2性能度量外部指标内部指标9.3距离计算有序属性的距离无序属性的距离属性距离变形9.4原型聚类k均值算法学习向量量化(LVQ)高斯混合聚类E步M步9.5密度聚类9.6层次聚类9.1聚类任务无监督学习(unsupervisedlearning)目标:揭示数据的内在性质及规律,为进一步的数据分析提供基础.聚类(clustering):将数据集中的样本划分为若干个不相交的子集.(子
  • 西瓜数据集3.0_西瓜书笔记——第一章 weixin_39869043 西瓜数据集3.0西瓜数据集4.0
    1.1引言1.2基本术语按照课文给的实例，关于西瓜的数据。数据集：整个所给的数据的集合称为数据集样本/示例：一个事件或者对象，这里的是一个西瓜属性/特征：事件或者对象的某方面的表现或性质，比如西瓜的色泽，根蒂，敲声属性值：属性的取值，比如色泽属性可以取青绿、乌黑属性空间/样本空间/输入空间：整个属性张成的空间，比如把上述的三个属性在一个三维坐标中表示出一个西瓜的三位空间，每一个西瓜都可以在在这个空
  • 【西瓜书笔记】2. 对数几率回归 西风瘦马1912 《机器学习》西瓜书第15期
    2.1对数几率回归模型指数族分布是一类分布的总称，该类分布的分布律（概率密度函数）的一般形式如下：p(y;η)=b(y)exp⁡(ηTT(y)−a(η))=b(y)exp⁡[η(θ)⋅T(y)−A(θ)]=b(y)exp⁡(η(θ)⋅T(y)−A(θ))=b(y)exp⁡(η(θ)⋅T(y)−A(θ))p(y;\eta)=b(y)\exp(\eta^{T}T(y)-a(\eta))\\=b(y)\
  • 【西瓜书笔记】补充1：logistic回归及其损失函数，梯度下降推导 西风瘦马1912 《机器学习》西瓜书第15期逻辑回归随机梯度下降最大似然机器学习
    Logistic回归理论知识补充建模流程假设我们建立一个二分类模型。假设有两个人A、B在争论如何对一个新样本xxx进行0-1二分类，他们两个分别对新样本进行打分，如果A的分数大于B的分数，则样本被预测为1，反之则被预测为0。假设两人的打分分数可以通过线性回归进行预测建模y1=θ1x+ϵ1,ϵ1∼N1(0,δ)y2=θ2x+ϵ2,ϵ2∼N2(0,δ)\begin{aligned}&y_{1}=\th
  • 气象类Python编程实战案例项目汇总 qazwsxpy 气象python数据挖掘数据分析能源街景地图
    目录1.气象数据科学语言教程(1)Python基础(2)Numpy教程(3)Pandas教程(4)Xarray实例(5)Dask教程2.气象数据读取/数据处理/数据分析/数值计算3.气象可视化(1)Matplotlib绘图教程(2)Cartopy绘图教程(3)Metpy绘图教程(4)Basemap库教程(5)气象可视化案例4.机器学习系列教程(1)周志华《机器学习》西瓜书笔记(2)吴恩达《机器学习
  • 机器学习西瓜书笔记：软间隔和支持向量回归SVR sunMoonStar_c 机器学习机器学习支持向量机
    1、首先由SVM问题（最大间隔超平面模型）：所有样本都可以正确分类的最优化问题，引入软间隔SVM（允许分类错误）的最优化问题，即需要添加损失函数（样本不满足约束的程度，或者说分类错误的程度），然后最优化。这里强调一下：超平面这个回归模型如何实现分类功能：套上sign函数。损失函数要找性质好的，即凸函数，连续损失函数不要单纯只反映分类正确和错误（0/1损失函数）。而是分类正确时，损失记为0，分类错误
  • 西瓜书笔记之支持向量机 OeyOew_up 机器学习机器学习
    这章节的内容对于小白来说属实有点难，把我难到无法用自己的语言去做笔记。好在互联网上的大神随处可见，寻到一篇“码农场”的一篇文章，虽然他整理的不是西瓜书，而是《统计学方法》的第七章，支持向量机。但是我觉得要比西瓜书更加容易理解。反复多嚼几遍，总会有意想不到的收获！下面奉上链接，大家一起学习ba！支持向量机--码农场关于公式推导的补充
  • 【西瓜书笔记】5. 软间隔与支持向量机回归 西风瘦马1912 《机器学习》西瓜书第15期支持向量机回归机器学习
    5.1软间隔SVM之前我们使用的是严格线性可分的硬间隔SVM：min⁡w,b12∥w∥2s.t.1−yi(wTxi+b)⩽0,i=1,2,…,m\begin{array}{ll}\min_{\boldsymbol{w},b}&\frac{1}{2}\|\boldsymbol{w}\|^{2}\\\text{s.t.}&1-y_{i}\left(\boldsymbol{w}^{\mathrm{T}}
  • 【西瓜书笔记】4. 支持向量机 西风瘦马1912 《机器学习》西瓜书第15期支持向量机机器学习算法
    4.1超平面wTx+b=0\boldsymbol{w}^{\mathrm{T}}\boldsymbol{x}+b=0wTx+b=0法向量恒垂直于超平面和法向量方向相同的点(与w\boldsymbol{w}w夹角θ\thetaθ小于90度的向量)代入超平面方程恒大于等于0，否则恒小于等于0(与w\boldsymbol{w}w夹角θ\thetaθ大于90度的向量)法向量和位移项唯一确定一个超平面等倍缩
  • 西瓜书笔记6:支持向量机 lagoon_lala 人工智能机器学习SVM
    目录6.1间隔与支持向量6.2对偶问题求解w求解b6.3核函数非线性映射核函数6.4软间隔与正则化软间隔参数求解正则化6.5支持向量回归6.6核方法6.1间隔与支持向量分类学习基本想法:就是基于训练集D在样本空间中找到一个划分超平面、将不同类别的样本分开.超平面(w,b)的线性方程:$$\boldsymbol{w}^T\boldsymbol{x}+b=0\\其中\boldsymbol{w}=(w_
  • 西瓜书笔记第五章-神经网络 weixin_41872340 西瓜书
    chapter55.1神经元模型定义：神经网络是由具有适应性的，简单单元组成的，广泛并行互联的网络，它的组织能够模拟生物神经系统对真实世界物体所做出的交互反映。神经网络的基本单元是神经元模型，当一个神经元兴奋时，会向相连的神经元发送化学介质，从而改变神经元内的电位，如果某神经元的电位超过了阈值，那么就会兴奋起来（阈值就是平时所说的偏差bias）。M-P神经元模型：模型中，神经元接受其它神经元传来的
  • 西瓜书笔记（第六章 支持向量机） xhy. 机器学习支持向量机算法机器学习
    西瓜书笔记（第六章支持向量机）6.1间隔与支持向量直观上看，应该去找位于两类训练样本“正中间”的划分超平面，即图6.1中红色的那个，因为该划分超平面对训练样本局部扰动的“容忍”性最好.例如，由于训练集的局限性或噪声的因素，训练集外的样本可能比图6.1中的训练样本更接近两个类的分隔界，这将使许多划分超平面出现错误，而红色的超平面受影响最小，换言之，这个划分超平面所产生的分类结果是最鲁棒的，对未见示例
  • 西瓜书笔记Chapter1&2 名侦探波本 机器学习人工智能
    序言南瓜书（机器学习公式详解）作者谢文睿老师在南瓜书前言中如此写到：“周志华老师的《机器学习》（西瓜书）是机器学习领域的经典入门教材之一，周老师为了使尽可能多的读者通过西瓜书对机器学习有所了解,所以在书中对部分公式的推导细节没有详述，但是这对那些想深究公式推导细节的读者来说可能“不太友好”，本书旨在对西瓜书里比较难理解的公式加以解析，以及对部分公式补充具体的推导细节。”读到这里，大家可能会疑问为啥
  • 机器学习西瓜书笔记：神经网络：BP算法公式推导 sunMoonStar_c 机器学习机器学习神经网络
    1、变量符号含义1、训练集D={(x⃗1,y⃗1),(x⃗2,y⃗2),...,(x⃗m,y⃗m)}D=\{(\vec{x}_1,\vec{y}_1),(\vec{x}_2,\vec{y}_2),...,(\vec{x}_m,\vec{y}_m)\}D={(x1,y1),(x2,y2),...,(xm,ym)}，共m个样例2、x⃗i∈Rd,y⃗i∈Rd\vec{x}_i\in\mathbb{R}^
  • 西瓜书笔记5:神经网络 lagoon_lala 人工智能神经网络
    目录5.1神经元模型5.2感知机与多层网络感知机感知机模型感知机学习策略感知机学习算法多层网络5.3误差逆传播算法标准BP(误差逆传播)算法变量符号公式推导工作流程累积BP算法5.4全局最小与局部极小跳出局部极小的技术5.5其他常见神经网络5.5.1RBF网络5.5.2ART网络5.5.3SOM网络5.5.4级联相关网络5.5.5Elman网络5.5.6Boltzmann机5.6深度学习5.1神经
  • 西瓜书笔记16-2:逆强化学习 lagoon_lala 人工智能人工智能逆强化学习
    感谢康傲同学的深刻讨论与精彩讲解.目录逆强化学习概述强化学习与逆强化区别逆向强化学习分类学徒学习学徒学习思想相关定义算法描述学徒算法找最优策略\(\tilde{\pi}\)逆强化学习概述参考:https://zhuanlan.zhihu.com/p/26682811强化学习与逆强化区别强化学习是求累积回报期望最大时的最优策略，在求解过程中立即回报是人为给定的。人在完成具体任务时,指定回报函数的方法
  • 周志华西瓜书笔记 1.2 基本术语 0ng 西瓜书笔记
    我原本想着一边读一边删减一些以后好复习的,谁知这书一句废话没有,一晚上敲了个寂寞1.2基本术语关于西瓜的数据:(色泽===青绿;根蒂===蜷缩;敲声===浊响)(色泽===乌黑;根蒂===稍蜷;敲声===沉闷)(色泽===浅白;根蒂===硬挺;敲声===清脆)  一对括号内是一条记录,"===“意思是"取值为”.  一组记录的集合称为一个"数据集"(dataset),每条记录是关于一个事件或对象(
  • 读西瓜书笔记（一）绪论 謙卑 笔记机器学习机器学习笔记
    读西瓜书笔记（一）绪论（一）什么是机器学习机器学习致力于研究如何通过计算的手段，利用经验来改善自身的性能。机器学习所研究的主要内容，是关于在计算机上从数据中产生“模型”的算法，即“学习算法”，有了学习算法，我们把经验数据提供给学习算法，它就能基于这些数据产生模型，在面对新的情况时，模型就会给出相应的判断。有文献用“模型”指全局性结果（如一颗决策树），而用“模式”指局部性结果通俗的理解机器学习（买西
  • 西瓜书笔记系列 - 第1章 绪论 - 1.2 基本术语 FSHelix 读书笔记机器学习
    西瓜书笔记系列-目录1.2基本术语术语集见文末。因为是边读边做的笔记，且是第一次读这本书的笔记，所以除了零零散散添加的想法以外，做得有点像单纯的转述摘抄了。如这一组关于西瓜的记录：(色泽=青绿；根蒂=蜷缩；敲声=浊响)，(色泽=乌黑；根蒂=稍蜷；敲声=沉闷)，……这些记录是关于某一个事物的描述，称为示例或样本，它们构成的集合称为数据集。其中如"色泽"、“根蒂”、“敲声”，反映了事物在某方面的性质，
  • 2、周志华西瓜书笔记：模型评估与选择 Zzzybfly 机器学习
    2.1经验误差与过拟合错误率：分类错误的样本数占样本总数的比例。精度：1-错误率=精度误差：学习器的实际预测输出与样本的真实输出之间的差异。训练误差/经验误差：学习器在训练集上的误差。泛化误差：在新样本上的误差。过拟合：学习器学习能力太好导致把训练本身的特点当作所有样本都具有的特点，导致泛化能力下降。2.2评估方法通常，我们通过实验测试学习器的泛化误差来进行评估进而做出选择，以测试集的测试误差作为
  • mongodb3.03开启认证 21jhf mongodb
    下载了最新mongodb3.03版本，当使用--auth 参数命令行开启mongodb用户认证时遇到很多问题，现总结如下： （百度上搜到的基本都是老版本的，看到db.addUser的就是，请忽略） Windows下我做了一个bat文件，用来启动mongodb，命令行如下： mongod --dbpath db\data --port 27017 --directoryperdb --logp
  • 【Spark103】Task not serializable bit1129 Serializable
    Task not serializable是Spark开发过程最令人头疼的问题之一，这里记录下出现这个问题的两个实例，一个是自己遇到的，另一个是stackoverflow上看到。等有时间了再仔细探究出现Task not serialiazable的各种原因以及出现问题后如何快速定位问题的所在，至少目前阶段碰到此类问题，没有什么章法 1.   package spark.exampl
  • 你所熟知的 LRU(最近最少使用) dalan_123 java
    关于LRU这个名词在很多地方或听说，或使用，接下来看下lru缓存回收的实现 1、大体的想法     a、查询出最近最晚使用的项     b、给最近的使用的项做标记 通过使用链表就可以完成这两个操作，关于最近最少使用的项只需要返回链表的尾部；标记最近使用的项，只需要将该项移除并放置到头部，那么难点就出现 你如何能够快速在链表定位对应的该项？ 这时候多
  • Javascript 跨域 周凡杨 JavaScriptjsonp跨域cross-domain
                                       
  • linux下安装apache服务器 g21121 apache
    安装apache 下载windows版本apache，下载地址：http://httpd.apache.org/download.cgi   1.windows下安装apache Windows下安装apache比较简单，注意选择路径和端口即可，这里就不再赘述了。 2.linux下安装apache： 下载之后上传到linux的相关目录，这里指定为/home/apach
  • FineReport的JS编辑框和URL地址栏语法简介 老A不折腾 finereportweb报表报表软件语法总结
      JS编辑框： 1.FineReport的js。 作为一款BS产品，browser端的JavaScript是必不可少的。 FineReport中的js是已经调用了finereport.js的。 大家知道，预览报表时，报表servlet会将cpt模板转为html，在这个html的head头部中会引入FineReport的js，这个finereport.js中包含了许多内置的fun
  • 根据STATUS信息对MySQL进行优化 墙头上一根草 status
    mysql  查看当前正在执行的操作，即正在执行的sql语句的方法为:      show processlist 命令   mysql> show global status;可以列出MySQL服务器运行各种状态值，我个人较喜欢的用法是show status like '查询值%';一、慢查询mysql> show variab
  • 我的spring学习笔记7-Spring的Bean配置文件给Bean定义别名 aijuans Spring 3
    本文介绍如何给Spring的Bean配置文件的Bean定义别名？ 原始的 <bean id="business" class="onlyfun.caterpillar.device.Business"> <property name="writer"> <ref b
  • 高性能mysql 之 性能剖析 annan211 性能mysqlmysql 性能剖析剖析
    1 定义性能优化 mysql服务器性能，此处定义为 响应时间。 在解释性能优化之前，先来消除一个误解，很多人认为，性能优化就是降低cpu的利用率或者减少对资源的使用。 这是一个陷阱。 资源时用来消耗并用来工作的，所以有时候消耗更多的资源能够加快查询速度，保持cpu忙绿，这是必要的。很多时候发现 编译进了新版本的InnoDB之后，cpu利用率上升的很厉害，这并不
  • 主外键和索引唯一性约束 百合不是茶 索引唯一性约束主外键约束联机删除
    目标;第一步;创建两张表 用户表和文章表         第二步;发表文章       1,建表; ---用户表 BlogUsers --userID唯一的 --userName --pwd --sex create
  • 线程的调度 bijian1013 java多线程thread线程的调度java多线程
    1.       Java提供一个线程调度程序来监控程序中启动后进入可运行状态的所有线程。线程调度程序按照线程的优先级决定应调度哪些线程来执行。   2.       多数线程的调度是抢占式的（即我想中断程序运行就中断，不需要和将被中断的程序协商） a) 
  • 查看日志常用命令 bijian1013 linux命令unix
    一.日志查找方法，可以用通配符查某台主机上的所有服务器grep "关键字" /wls/applogs/custom-*/error.log   二.查看日志常用命令1.grep '关键字' error.log：在error.log中搜索'关键字'2.grep -C10 '关键字' error.log：显示关键字前后10行记录3.grep '关键字' error.l
  • 【持久化框架MyBatis3一】MyBatis版HelloWorld bit1129 helloworld
    MyBatis这个系列的文章，主要参考《Java Persistence with MyBatis 3》。   样例数据 本文以MySQL数据库为例，建立一个STUDENTS表，插入两条数据，然后进行单表的增删改查     CREATE TABLE STUDENTS ( stud_id int(11) NOT NULL AUTO_INCREMENT,
  • 【Hadoop十五】Hadoop Counter bit1129 hadoop
       1. 只有Map任务的Map Reduce Job File System Counters FILE: Number of bytes read=3629530 FILE: Number of bytes written=98312 FILE: Number of read operations=0 FILE: Number of lar
  • 解决Tomcat数据连接池无法释放 ronin47 tomcat 连接池　优化
    近段时间，公司的检测中心报表系统(SMC)的开发人员时不时找到我，说用户老是出现无法登录的情况。前些日子因为手头上 有Jboss集群的测试工作，发现用户不能登录时，都是在Tomcat中将这个项目Reload一下就好了，不过只是治标而已，因为大概几个小时之后又会 再次出现无法登录的情况。 今天上午，开发人员小毛又找到我，要我协助将这个问题根治一下，拖太久用户难保不投诉。 简单分析了一
  • java-75-二叉树两结点的最低共同父结点 bylijinnan java
    import java.util.LinkedList; import java.util.List; import ljn.help.*; public class BTreeLowestParentOfTwoNodes { public static void main(String[] args) { /* * node data is stored in
  • 行业垂直搜索引擎网页抓取项目 carlwu LuceneNutchHeritrixSolr
    公司有一个搜索引擎项目，希望各路高人有空来帮忙指导，谢谢！ 这是详细需求： （1） 通过提供的网站地址(大概100-200个网站)，网页抓取程序能不断抓取网页和其它类型的文件（如Excel、PDF、Word、ppt及zip类型），并且程序能够根据事先提供的规则，过滤掉不相干的下载内容。 （2） 程序能够搜索这些抓取的内容，并能对这些抓取文件按照油田名进行分类，然后放到服务器不同的目录中。
  • [通讯与服务]在总带宽资源没有大幅增加之前,不适宜大幅度降低资费 comsci 资源
          降低通讯服务资费，就意味着有更多的用户进入，就意味着通讯服务提供商要接待和服务更多的用户，在总体运维成本没有由于技术升级而大幅下降的情况下，这种降低资费的行为将导致每个用户的平均带宽不断下降，而享受到的服务质量也在下降，这对用户和服务商都是不利的。。。。。。。。     &nbs
  • Java时区转换及时间格式 Cwind java
    本文介绍Java API 中 Date, Calendar, TimeZone和DateFormat的使用，以及不同时区时间相互转化的方法和原理。   问题描述： 向处于不同时区的服务器发请求时需要考虑时区转换的问题。譬如，服务器位于东八区（北京时间，GMT+8:00），而身处东四区的用户想要查询当天的销售记录。则需把东四区的“今天”这个时间范围转换为服务器所在时区的时间范围。
  • readonly,只读，不可用 dashuaifu jsjspdisablereadOnlyreadOnly
    readOnly 和 readonly 不同，在做js开发时一定要注意函数大小写和jsp黄线的警告！！！我就经历过这么一件事： 使用readOnly在某些浏览器或同一浏览器不同版本有的可以实现“只读”功能，有的就不行，而且函数readOnly有黄线警告！！！就这样被折磨了不短时间！！！（期间使用过disable函数，但是发现disable函数之后后台接收不到前台的的数据！！！）  
  • LABjs、RequireJS、SeaJS 介绍 dcj3sjt126com jsWeb
    LABjs 的核心是 LAB（Loading and Blocking）：Loading 指异步并行加载，Blocking 是指同步等待执行。LABjs 通过优雅的语法（script 和 wait）实现了这两大特性，核心价值是性能优化。LABjs 是一个文件加载器。RequireJS 和 SeaJS 则是模块加载器，倡导的是一种模块化开发理念，核心价值是让 JavaScript 的模块化开发变得更
  • [应用结构]入口脚本 dcj3sjt126com PHPyii2
    入口脚本 入口脚本是应用启动流程中的第一环，一个应用（不管是网页应用还是控制台应用）只有一个入口脚本。终端用户的请求通过入口脚本实例化应用并将将请求转发到应用。 Web 应用的入口脚本必须放在终端用户能够访问的目录下，通常命名为 index.php，也可以使用 Web 服务器能定位到的其他名称。 控制台应用的入口脚本一般在应用根目录下命名为 yii（后缀为.php），该文
  • haoop shell命令 eksliang hadoophadoop shell
    cat chgrp chmod chown copyFromLocal copyToLocal cp du dus expunge get getmerge ls lsr mkdir movefromLocal mv put rm rmr setrep stat tail test text
  • MultiStateView不同的状态下显示不同的界面 gundumw100 android
    只要将指定的view放在该控件里面，可以该view在不同的状态下显示不同的界面，这对ListView很有用，比如加载界面，空白界面，错误界面。而且这些见面由你指定布局，非常灵活。 PS：ListView虽然可以设置一个EmptyView，但使用起来不方便，不灵活，有点累赘。 <com.kennyc.view.MultiStateView xmlns:android=&qu
  • jQuery实现页面内锚点平滑跳转 ini JavaScripthtmljqueryhtml5css
    平时我们做导航滚动到内容都是通过锚点来做，刷的一下就直接跳到内容了，没有一丝的滚动效果，而且 url 链接最后会有“小尾巴”，就像#keleyi，今天我就介绍一款 jquery 做的滚动的特效，既可以设置滚动速度，又可以在 url 链接上没有“小尾巴”。   效果体验：http://keleyi.com/keleyi/phtml/jqtexiao/37.htmHTML文件代码： &
  • kafka offset迁移 kane_xie kafka
    在早前的kafka版本中（0.8.0），offset是被存储在zookeeper中的。   到当前版本（0.8.2）为止，kafka同时支持offset存储在zookeeper和offset manager（broker）中。   从官方的说明来看，未来offset的zookeeper存储将会被弃用。因此现有的基于kafka的项目如果今后计划保持更新的话，可以考虑在合适
  • android > 搭建 cordova 环境 mft8899 android
      1 , 安装 node.js        http://nodejs.org      node -v   查看版本   2, 安装 npm   可以先从  https://github.com/isaacs/npm/tags  下载 源码 解压到
  • java封装的比较器，比较是否全相同，获取不同字段名字 qifeifei
     非常实用的java比较器，贴上代码： import java.util.HashSet; import java.util.List; import java.util.Set; import net.sf.json.JSONArray; import net.sf.json.JSONObject; import net.sf.json.JsonConfig; i
  • 记录一些函数用法 .Aky. 位运算PHP数据库函数IP
    高手们照旧忽略。 想弄个全天朝IP段数据库，找了个今天最新更新的国内所有运营商IP段，copy到文件，用文件函数，字符串函数把玩下。分割出startIp和endIp这样格式写入.txt文件，直接用phpmyadmin导入.csv文件的形式导入。（生命在于折腾，也许你们觉得我傻X，直接下载人家弄好的导入不就可以，做自己的菜鸟，让别人去说吧） 当然用到了ip2long()函数把字符串转为整型数
  • sublime text 3 rust wudixiaotie Sublime Text
    1.sublime text 3 => install package => Rust 2.cd ~/.config/sublime-text-3/Packages 3.mkdir rust 4.git clone https://github.com/sp0/rust-style 5.cd rust-style 6.cargo build --release 7.ctrl
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他