- 机器学习学习笔记(吴恩达)(第三课第一周)(无监督算法,K-means、异常检测)
kgbkqLjm
吴恩达机器学习2022机器学习算法学习
欢迎聚类算法:无监督学习:聚类、异常检测推荐算法:强化学习:聚类(Clustering)聚类算法:查看大量数据点并自动找到彼此相关或相似的数据点。是一种无监督学习算法聚类与二院监督学习算法对比:无监督:(聚类是无监督学习算法之一)聚类算法应用:如相似的新闻文章组合,市场细分,DNA数据分析,天文数据分析(星系、天体结构)K-means算法是一种常用的聚类算法原理概述【K-means工作原理过程】(
- 机器学习学习笔记(八)多项式回归与模型泛化
下雨天的小白鞋
对非线性的数据进行处理,相应的预测----添加新的特征:原有的特征进行多项式组合scikit-learn中的多项式回归PolynomialFeatures构建特征导包:fromsklearn.preprocessingimportPolynomialFeatures实例:poly=PolynomialFeatures(degree=2)##最多二次幂特征poly.fit(X)X2=poly.tra
- 机器学习学习笔记——数学篇
小胡爱喝水
机器学习
数学中常见的argmin,argmax表示的是什么意思arg是英文单词argument(自变量)的缩写,所以从字面意义上也就可以看出其代表的意思就是求对应自变量的最大最小值。例如:(w∗,b∗w^*,b^*w∗,b∗)=argmin∑1m\sum_1^m∑1m(f(xi)−yif(x_i)-y_if(xi)−yi)求均方误差最小化时的w∗,b∗w^*,b^*w∗,b∗。argmax类似。
- 机器学习学习笔记(3)——量纲与无量纲,标准化、归一化、正则化
野指针小李
数学机器学习机器学习标准化归一化正则化量纲
量纲、无量纲,标准化、归一化、正则化是我百度了很多次都不进脑子的知识,所以我决定还是放在博客上面。不过鉴于我查阅了很多资料,说是有许多的坑,所以我也不清楚我的理解和解释是否是坑,具体的就留给各位来帮忙评判了!目录1量纲与无量纲1.1量纲1.2无量纲2标准化3归一化4正则化5总结6参考1量纲与无量纲1.1量纲量纲我觉得最重要的一句话是:物理量的大小与单位有关。从这句话我们来思考下最核心的两个单词:大
- 机器学习学习笔记 1 Bagging模型
锋锋的快乐小窝
机器学习学习笔记机器学习笔记决策树
Bagging模型Bagging全称(bootstrapaggregation)并行训练一堆分类器的集成方法。每个基模型可以分别、独立、互不影响地生成最典型的代表就是随机森林随机:数据采样随机,特征选择随机森林:很多决策树并行放在一起由于二重随机性,使得每个树基本上都不会一样,最终的结果也会不一样之所以随机选择,是要保证泛化能力,如果树都一样,那就失去参考价值随机森林(RF)的优势:它能够处理很高
- 李宏毅机器学习学习笔记——自注意力机制
jolando
学习笔记机器学习深度学习
self-attention应用场景为什么要使用Self-attention?Self-attention计算过程PositionalEncodingSelf-attention的变体Multi-headSelf-attentionTruncatedSelf-attentionSelf-attention与其他神经网络的比较Self-attentionv.s.CNNSelf-attentionv.
- 机器学习学习笔记——第一章:绪论
福旺旺
机器学习机器学习
机器学习机器学习学习笔记——第一章:绪论文章目录机器学习机器学习学习笔记——第一章:绪论机器学习即为构建一个机器调参的映射函数。要进行机器学习,先要有数据。一、基础术语1.1、数据准备阶段1.2、学得模型阶段1.3、测试模型阶段1.4、典型的机器学习过程1.5、总结二、假设空间三、归纳偏好四、机器学习理论五、机器学习的现实应用机器学习即为构建一个机器调参的映射函数。要进行机器学习,先要有数据。一、
- 机器学习学习笔记——第二章:模型评估与选择
福旺旺
机器学习机器学习人工智能
机器学习机器学习学习笔记——第二章:模型评估与选择文章目录机器学习一、经验误差与过拟合1.1、经验误差与泛化误差1.2、过拟合与欠拟合二、三个问题三、评估方法3.1、留出法(hold-out)3.2、k折-交叉验证法(k-foldcrossvalidation)3.3、自助法(bootstrap)3.4、调参与最终模型四、性能度量4.1、错误率与精度4.2、查准率、查全率与F14.3、ROC与AU
- Python机器学习实践(一)多项式拟合(简单房价预测)
AiTingDeTong
Python机器学习python机器学习人工智能数据分析
Python机器学习学习笔记与实践环境:win10+Anaconda3.8例子一源自《Python与机器学习实战》—何宇健任务:现有47个房子的面积和价格,需要建立一个模型对房价进行预测。1、获取和处理数据房子的面积与价格对应的数据点击下面获得:点击此处获取导入库,并读取文本文件的数据:importnumpyasnpimportmatplotlib.pyplotasplt#读取房子面积和对应的价格
- 【机器学习学习笔记】机器学习入门&监督学习
MikeBennington
机器学习学习笔记机器学习学习人工智能
1.机器学习入门1.1WhatisMachineLearning?"Fieldofstudythatgivescomputerstheabilitytolearnwithoutbeingexplicitlyprogrammed."——ArthurSamuel(1959)亚瑟·萨缪尔:跳棋程序编写者常用机器学习算法:Supervisedlearning(moreimportant)Unsupervi
- 【李宏毅机器学习】Gradient Descent_1 梯度下降(p5、p6、p7 )学习笔记
duanyuchen
MachineLearning机器学习李宏毅学习笔记
李宏毅机器学习学习笔记汇总课程链接文章目录ReviewGradientDescentTipsTip1:Tuningyourlearningrate小心微调你的学习率Tip2StochasticGradientDescentSGD随机梯度下降Tip3FeatureScaling特征缩放GradientDescentReview在第三步,找一个最好的function,解一个optimization最优
- python机器学习学习笔记(六)
weixin_46753186
python机器学习python数据分析支持向量机机器学习
支持向量机分类实例:用SVM分类器对Iris数据集分析并绘制分类图1.线性importnumpyasnpimportmatplotlib.pyplotaspltfromsklearnimportsvm,datasetsiris=datasets.load_iris()x=iris.data[:,:2]#iris数据萼片的长和宽y=iris.targetsvc=svm.SVC(kernel='lin
- 机器学习学习笔记(二)环境搭建
下雨天的小白鞋
语言基础:Python3IDE:Pycharm集成环境:anacoda一.Anacoda下载地址:https://www.anaconda.com/download/下载页面下载-安装安装成功后打开AnacondaNavigator选择jupyterlaunch等会会出现二.Pycharm下载地址:https://www.jetbrains.com/pycharm/download/#sectio
- 机器学习学习笔记(一)基础
下雨天的小白鞋
一.开发环境框架:scikit-learn工具:pycharm,ANACONDA二.开发基础2.1概念数据集下载:scikit-learn内置数据集或者直接下载的数据集:数据整体样本:每一行数据特征:除最后一列,每一列表达样本的一个特征标记:最后一列特征值、特征向量、特征空间2.2基本任务:分类任务、回归任务2.2.1分类任务二分类任务:例如:判断邮件是否为垃圾邮件多分类任务:图像识别,数字识别多
- 机器学习学习笔记2(Ng课程cs229)
-慢慢-
AI机器学习学习笔记cs229高斯混合模型朴素贝叶斯
牛顿方法简单的来说就是通过求当前点的导数得到下一个点.用到的性质是导数值等于该点切线和横轴夹角的正切值.极大似然估计收敛速度:quadraticconversions二次收敛θ为矩阵时每次迭代都需要重新计算H->nxn特征较多时计算量比较大极大似然估计可以推导:高斯分布=>最小二乘法伯努利分布=>logistic回归指数分布族exponentialfamilydistributionp(y;η)=
- python机器学习学习笔记——学习资源汇总
那么CHEN
pythonpython机器学习人工智能编程语言大数据
参考资料Python集成开发环境(IDE)[1]IDLE:Python解释器默认工具[2]VisualStudioCode:https://code.visualstudio.com/[3]PyCharm:https://www.jetbrains.com/pycharm/[4]Anaconda:https://www.continuum.io/参考教程[1]《Python语言程序设计基础(第2版
- 机器学习学习笔记之——模型评估与改进之交叉验证和网格搜索
前丨尘忆·梦
tensorflow深度学习机器学习
交叉验证与网格搜索前面讨论了监督学习和无监督学习的基本原理,并探索了多种机器学习算法,本章我们深入学习模型评估与参数选择。我们将重点介绍监督方法,包括回归与分类,因为在无监督学习中,模型评估与选择通常是一个非常定性的过程。到目前为止,为了评估我们的监督模型,我们使用train_test_split函数将数据集划分为训练集和测试集,在训练集上调用fit方法来构建模型,并且在测试集上用score方法来
- python机器学习学习笔记(五)
weixin_46753186
python机器学习python机器学习支持向量机数据分析
非线性支持向量机分类1.三次多项式用多项式曲线把决策空间分成两部分kernel='poly',degree为多项式次数importnumpyasnpimportmatplotlib.pyplotaspltfromsklearnimportsvmx=np.array([[1,3],[1,2],[1,1.5],[1.5,2],[2,3],[2.5,1.5],[2,1],[3,1],[3,2],[3.5
- 机器学习学习笔记week1
yangqingao
深度学习机器学习
week11引言1.1机器学习是什么?1.2监督学习1.3无监督学习2单变量线性回归2.1模型表示2.2代价函数2.3代价函数的直观理解I2.4代价函数的直观理解II2.5梯度下降2.6梯度下降的直观理解2.7梯度下降的线性回归3线性代数回顾3.1矩阵和向量3.2加法和标量乘法3.3矩阵向量乘法3.4矩阵乘法3.5矩阵乘法的性质3.6逆、转置1引言1.1机器学习是什么?ArthurSamuel:在
- 机器学习 学习笔记(持续更新)
Include everything
学习算法
机器学习学习笔记一、导论1.1什么是机器学习? 机器学习是在没有明确设置的情况下使计算机具有学习能力的研究领域。(ArthurSamuel-1959) 计算机程序从经验E(计算机自己与自己下成千上百万次棋)中学习,解决某一任务T(下跳棋),进行某一性能度量P(与新对手玩跳棋时赢的概率),通过P测定在T上的表现因经验E而提高的程度。(TomMitchell-1998) 机器学习算法最主要分为监
- 机器学习学习笔记(1)
后季暖
字典特征提取第一列表示北京第二列表示上海第三列表示深圳第四列表示温度前面三列是的话用1不是的话用0什么时候用稀疏矩阵:比如上面这种情况当你的城市很多的情况下那这样就会出现大量的0而系数矩阵只存储不是0的位置可以节省大量空间为什么采用这种表示方法呢?首先我们来看假如要分类:人是1企鹅是2章鱼是3那么这样数字表示的就存在优先级不如按这种办法来pclass是一等舱二等舱三等舱这种字典特征抽取的应用场景:
- 机器学习学习笔记——batchsize越大越好?
phily123
机器学习学习笔记深度学习神经网络机器学习
batchsize不是越大越好使用mini-batch好处:提高了运行效率,相比batch-GD的每个epoch只更新一次参数,使用mini-batch可以在一个epoch中多次更新参数,加速收敛。解决了某些任务中,训练集过大,无法一次性读入内存的问题。虽然第一点是mini-batch提出的最初始的原因,但是后来人们发现,使用mini-batch还有个好处,即每次更新时由于没有使用全量数据而仅仅使
- 机器学习学习笔记(一)
图南zzz
python机器学习人工智能算法
目录机器学习笔记(一)一、模型评估二、监督学习三、无监督学习四、单变量线性回归(LinearRegressionwithOneVariable)3.1代价函数(平方误差函数)(损失函数)3.2梯度下降3.3梯度下降的线性回归五、多变量线性回归(LinearRegressionwithMultipleVariables)4.1多维特征4.2多变量梯度下降4.3梯度下降之特征缩放六、正规方程六、逻辑回
- 机器学习学习笔记之——监督学习之线性模型
前丨尘忆·梦
tensorflow深度学习机器学习
线性模型线性模型利用输入特征的线性函数(linearfunction)进行预测。1、用于回归的线性模型对于回归问题,线性模型预测的一般公式如下:y^=w[0]∗x[0]+w[1]∗x[1]+...+w[p]∗x[p]+b\hat{y}=w[0]*x[0]+w[1]*x[1]+...+w[p]*x[p]+by^=w[0]∗x[0]+w[1]∗x[1]+...+w[p]∗x[p]+b这里x[0]到x[
- 机器学习学习笔记(一)——多元线性回归(Multivariate Linear Regression)
lancetop-stardrms
机器学习机器学习
多元线性回归(multivariatelinearregression):在线性回归问题(Linearregression)中,引入多个特征变量(MultipleFeatures)作为输入,也被称为“多元线性回归(MultivariateLinearRegression)”.符号定义:假设函数(hypothesisfunction):Themultivariableformofthehypothe
- 吴恩达机器学习学习笔记——Week 2——多元线性回归(Multivariate Linear Regression)
预见未来to50
机器学习深度学习(MLDeepLearning)
一、课件及课堂练习1.多个特征值(多变量)课堂练习:2.多元梯度下降课堂练习:3.梯度下降实践1——特征值缩放(均值归一化)课堂练习:4.梯度下降实践2——学习率课堂练习:5.特征数量及多项式回归课堂练习:6.标准方程课堂练习:7.标准方程法可能遇到不可逆问题二、内容概要1.多个特征值2.多元梯度下降3.梯度下降实践1——特征值缩放4.梯度下降实践2——学习率5.特征数量及多项式回归6.标准方程7
- 机器学习学习笔记之:loss function损失函数及activation function激活函数
csdshelton
之所以把损失函数和激活函数放在一起做个总结,是因为本身这两都带函数,都是机器学习中的内容,很容易混在一起,第二点,这两者总是一起出现,根据任务的不同,可能出现不同的排列组合。因此想一起整理一下。不同的机器学习方法的损失函数DifferentLossfunctionsfordifferentmachinelearningMethods不同的机器学习方法,损失函数不一样,quadraticloss(平
- Python机器学习学习笔记之——引言
前丨尘忆·梦
tensorflow深度学习机器学习
引言mglearn库的下载地址:链接:https://pan.baidu.com/s/1FkRGBFgtjqsZTikLEJbtzg提取码:4db0机器学习是从数据中提取知识。它是统计学、人工智能和计算机科学交叉的研究领域,也被称为预测分析或统计学习。1、为何选择机器学习在“智能”应用早期,许多系统使用人为制定的“if”和“else”决策规则来处理数据,或根据用户输入的内容进行调整。但人为制定决策
- 《机器学习》周志华(西瓜书)学习笔记 第八章 集成学习
Sundm@lhq
机器学习西瓜书学习笔记机器学习学习笔记集成学习周志华
机器学习学习笔记4总目录第八章集成学习8.1个体与集成集成学习(ensemblelearning)通过构建并结合多个学习器来完成学习任务,有时也被称为多分类器系统(multi-classifiersystem)、基于委员会的学习(committee-basedlearning)等.集成学习的一般结构:先产生一组"个体学习器"(individuallearner),再用某种策略将它们结合起来。同质集
- 【李宏毅机器学习】Recurrent Neural Network Part1 循环神经网络(p20) 学习笔记
duanyuchen
MachineLearning机器学习李宏毅学习笔记
李宏毅机器学习学习笔记汇总课程链接文章目录ExampleApplicationSlotFilling把词用向量来表示的方法1-of-Nencoding/one-hotBeyond1-of-Nencoding存在的问题RecurrentNeuralNetwork(RNN)ExampleRNN处理slotsfilling问题Ofcourseitcanbedeep...RNN的变形ElmanNetwor
- JVM StackMapTable 属性的作用及理解
lijingyao8206
jvm字节码Class文件StackMapTable
在Java 6版本之后JVM引入了栈图(Stack Map Table)概念。为了提高验证过程的效率,在字节码规范中添加了Stack Map Table属性,以下简称栈图,其方法的code属性中存储了局部变量和操作数的类型验证以及字节码的偏移量。也就是一个method需要且仅对应一个Stack Map Table。在Java 7版
- 回调函数调用方法
百合不是茶
java
最近在看大神写的代码时,.发现其中使用了很多的回调 ,以前只是在学习的时候经常用到 ,现在写个笔记 记录一下
代码很简单:
MainDemo :调用方法 得到方法的返回结果
- [时间机器]制造时间机器需要一些材料
comsci
制造
根据我的计算和推测,要完全实现制造一台时间机器,需要某些我们这个世界不存在的物质
和材料...
甚至可以这样说,这种材料和物质,我们在反应堆中也无法获得......
 
- 开口埋怨不如闭口做事
邓集海
邓集海 做人 做事 工作
“开口埋怨,不如闭口做事。”不是名人名言,而是一个普通父亲对儿子的训导。但是,因为这句训导,这位普通父亲却造就了一个名人儿子。这位普通父亲造就的名人儿子,叫张明正。 张明正出身贫寒,读书时成绩差,常挨老师批评。高中毕业,张明正连普通大学的分数线都没上。高考成绩出来后,平时开口怨这怨那的张明正,不从自身找原因,而是不停地埋怨自己家庭条件不好、埋怨父母没有给他创造良好的学习环境。
- jQuery插件开发全解析,类级别与对象级别开发
IT独行者
jquery开发插件 函数
jQuery插件的开发包括两种: 一种是类级别的插件开发,即给
jQuery添加新的全局函数,相当于给
jQuery类本身添加方法。
jQuery的全局函数就是属于
jQuery命名空间的函数,另一种是对象级别的插件开发,即给
jQuery对象添加方法。下面就两种函数的开发做详细的说明。
1
、类级别的插件开发 类级别的插件开发最直接的理解就是给jQuer
- Rome解析Rss
413277409
Rome解析Rss
import java.net.URL;
import java.util.List;
import org.junit.Test;
import com.sun.syndication.feed.synd.SyndCategory;
import com.sun.syndication.feed.synd.S
- RSA加密解密
无量
加密解密rsa
RSA加密解密代码
代码有待整理
package com.tongbanjie.commons.util;
import java.security.Key;
import java.security.KeyFactory;
import java.security.KeyPair;
import java.security.KeyPairGenerat
- linux 软件安装遇到的问题
aichenglong
linux遇到的问题ftp
1 ftp配置中遇到的问题
500 OOPS: cannot change directory
出现该问题的原因:是SELinux安装机制的问题.只要disable SELinux就可以了
修改方法:1 修改/etc/selinux/config 中SELINUX=disabled
2 source /etc
- 面试心得
alafqq
面试
最近面试了好几家公司。记录下;
支付宝,面试我的人胖胖的,看着人挺好的;博彦外包的职位,面试失败;
阿里金融,面试官人也挺和善,只不过我让他吐血了。。。
由于印象比较深,记录下;
1,自我介绍
2,说下八种基本类型;(算上string。楼主才答了3种,哈哈,string其实不是基本类型,是引用类型)
3,什么是包装类,包装类的优点;
4,平时看过什么书?NND,什么书都没看过。。照样
- java的多态性探讨
百合不是茶
java
java的多态性是指main方法在调用属性的时候类可以对这一属性做出反应的情况
//package 1;
class A{
public void test(){
System.out.println("A");
}
}
class D extends A{
public void test(){
S
- 网络编程基础篇之JavaScript-学习笔记
bijian1013
JavaScript
1.documentWrite
<html>
<head>
<script language="JavaScript">
document.write("这是电脑网络学校");
document.close();
</script>
</h
- 探索JUnit4扩展:深入Rule
bijian1013
JUnitRule单元测试
本文将进一步探究Rule的应用,展示如何使用Rule来替代@BeforeClass,@AfterClass,@Before和@After的功能。
在上一篇中提到,可以使用Rule替代现有的大部分Runner扩展,而且也不提倡对Runner中的withBefores(),withAfte
- [CSS]CSS浮动十五条规则
bit1129
css
这些浮动规则,主要是参考CSS权威指南关于浮动规则的总结,然后添加一些简单的例子以验证和理解这些规则。
1. 所有的页面元素都可以浮动 2. 一个元素浮动后,会成为块级元素,比如<span>,a, strong等都会变成块级元素 3.一个元素左浮动,会向最近的块级父元素的左上角移动,直到浮动元素的左外边界碰到块级父元素的左内边界;如果这个块级父元素已经有浮动元素停靠了
- 【Kafka六】Kafka Producer和Consumer多Broker、多Partition场景
bit1129
partition
0.Kafka服务器配置
3个broker
1个topic,6个partition,副本因子是2
2个consumer,每个consumer三个线程并发读取
1. Producer
package kafka.examples.multibrokers.producers;
import java.util.Properties;
import java.util.
- zabbix_agentd.conf配置文件详解
ronin47
zabbix 配置文件
Aliaskey的别名,例如 Alias=ttlsa.userid:vfs.file.regexp[/etc/passwd,^ttlsa:.:([0-9]+),,,,\1], 或者ttlsa的用户ID。你可以使用key:vfs.file.regexp[/etc/passwd,^ttlsa:.: ([0-9]+),,,,\1],也可以使用ttlsa.userid。备注: 别名不能重复,但是可以有多个
- java--19.用矩阵求Fibonacci数列的第N项
bylijinnan
fibonacci
参考了网上的思路,写了个Java版的:
public class Fibonacci {
final static int[] A={1,1,1,0};
public static void main(String[] args) {
int n=7;
for(int i=0;i<=n;i++){
int f=fibonac
- Netty源码学习-LengthFieldBasedFrameDecoder
bylijinnan
javanetty
先看看LengthFieldBasedFrameDecoder的官方API
http://docs.jboss.org/netty/3.1/api/org/jboss/netty/handler/codec/frame/LengthFieldBasedFrameDecoder.html
API举例说明了LengthFieldBasedFrameDecoder的解析机制,如下:
实
- AES加密解密
chicony
加密解密
AES加解密算法,使用Base64做转码以及辅助加密:
package com.wintv.common;
import javax.crypto.Cipher;
import javax.crypto.spec.IvParameterSpec;
import javax.crypto.spec.SecretKeySpec;
import sun.misc.BASE64Decod
- 文件编码格式转换
ctrain
编码格式
package com.test;
import java.io.File;
import java.io.FileInputStream;
import java.io.FileOutputStream;
import java.io.IOException;
import java.io.InputStream;
import java.io.OutputStream;
- mysql 在linux客户端插入数据中文乱码
daizj
mysql中文乱码
1、查看系统客户端,数据库,连接层的编码
查看方法: http://daizj.iteye.com/blog/2174993
进入mysql,通过如下命令查看数据库编码方式: mysql> show variables like 'character_set_%'; +--------------------------+------
- 好代码是廉价的代码
dcj3sjt126com
程序员读书
长久以来我一直主张:好代码是廉价的代码。
当我跟做开发的同事说出这话时,他们的第一反应是一种惊愕,然后是将近一个星期的嘲笑,把它当作一个笑话来讲。 当他们走近看我的表情、知道我是认真的时,才收敛一点。
当最初的惊愕消退后,他们会用一些这样的话来反驳: “好代码不廉价,好代码是采用经过数十年计算机科学研究和积累得出的最佳实践设计模式和方法论建立起来的精心制作的程序代码。”
我只
- Android网络请求库——android-async-http
dcj3sjt126com
android
在iOS开发中有大名鼎鼎的ASIHttpRequest库,用来处理网络请求操作,今天要介绍的是一个在Android上同样强大的网络请求库android-async-http,目前非常火的应用Instagram和Pinterest的Android版就是用的这个网络请求库。这个网络请求库是基于Apache HttpClient库之上的一个异步网络请求处理库,网络处理均基于Android的非UI线程,通
- ORACLE 复习笔记之SQL语句的优化
eksliang
SQL优化Oracle sql语句优化SQL语句的优化
转载请出自出处:http://eksliang.iteye.com/blog/2097999
SQL语句的优化总结如下
sql语句的优化可以按照如下六个步骤进行:
合理使用索引
避免或者简化排序
消除对大表的扫描
避免复杂的通配符匹配
调整子查询的性能
EXISTS和IN运算符
下面我就按照上面这六个步骤分别进行总结:
- 浅析:Android 嵌套滑动机制(NestedScrolling)
gg163
android移动开发滑动机制嵌套
谷歌在发布安卓 Lollipop版本之后,为了更好的用户体验,Google为Android的滑动机制提供了NestedScrolling特性
NestedScrolling的特性可以体现在哪里呢?<!--[if !supportLineBreakNewLine]--><!--[endif]-->
比如你使用了Toolbar,下面一个ScrollView,向上滚
- 使用hovertree菜单作为后台导航
hvt
JavaScriptjquery.nethovertreeasp.net
hovertree是一个jquery菜单插件,官方网址:http://keleyi.com/jq/hovertree/ ,可以登录该网址体验效果。
0.1.3版本:http://keleyi.com/jq/hovertree/demo/demo.0.1.3.htm
hovertree插件包含文件:
http://keleyi.com/jq/hovertree/css
- SVG 教程 (二)矩形
天梯梦
svg
SVG <rect> SVG Shapes
SVG有一些预定义的形状元素,可被开发者使用和操作:
矩形 <rect>
圆形 <circle>
椭圆 <ellipse>
线 <line>
折线 <polyline>
多边形 <polygon>
路径 <path>
- 一个简单的队列
luyulong
java数据结构队列
public class MyQueue {
private long[] arr;
private int front;
private int end;
// 有效数据的大小
private int elements;
public MyQueue() {
arr = new long[10];
elements = 0;
front
- 基础数据结构和算法九:Binary Search Tree
sunwinner
Algorithm
A binary search tree (BST) is a binary tree where each node has a Comparable key (and an associated value) and satisfies the restriction that the key in any node is larger than the keys in all
- 项目出现的一些问题和体会
Steven-Walker
DAOWebservlet
第一篇博客不知道要写点什么,就先来点近阶段的感悟吧。
这几天学了servlet和数据库等知识,就参照老方的视频写了一个简单的增删改查的,完成了最简单的一些功能,使用了三层架构。
dao层完成的是对数据库具体的功能实现,service层调用了dao层的实现方法,具体对servlet提供支持。
&
- 高手问答:Java老A带你全面提升Java单兵作战能力!
ITeye管理员
java
本期特邀《Java特种兵》作者:谢宇,CSDN论坛ID: xieyuooo 针对JAVA问题给予大家解答,欢迎网友积极提问,与专家一起讨论!
作者简介:
淘宝网资深Java工程师,CSDN超人气博主,人称“胖哥”。
CSDN博客地址:
http://blog.csdn.net/xieyuooo
作者在进入大学前是一个不折不扣的计算机白痴,曾经被人笑话过不懂鼠标是什么,