- 线性回归(1)
zidea
MachineLearninginMarketing感谢李宏毅《回归-案例研究》部分内容为听取李宏毅老师讲座的笔记,也融入了自己对机器学习理解,个人推荐李宏毅老师的机器学习系列课程,尤其对于初学者强烈推荐。课程设计相对其他课程要容易理解。在机器学习中算法通常分为回归和分类两种,今天我们探讨什么线性回归。以及如何设计一个线性回归模型。什么回归简单理解通过数据最终预测出来一个值。回归问题的实例就是找到
- 从零开始学Python系列课程第07课:Python的输入和输出函数
HerrFu
Python基础python开发语言学习
在程序的执行过程中,可能我们有需要与程序进行交互的地方,那么这些交互应该怎样去编写,是我们需要思考的问题,为此Python提供了输入和输出函数,以便我们和程序之间的简单交互操作。一、输入函数——input我们借助input函数,能够将我们所想的数据传入到程序中,如下例子:str_1=input()此时程序执行时便会要求我们输入内容,输入的内容会被保存到变量str_1中,另外,无论输入函数input
- 从零开始学Python系列课程第02课:Python环境搭建
HerrFu
Python基础python开发语言学习
学习一门新的编程语言,少不了安装各种各样的软件和配置各种各样的环境,为此,给学习本门课程的同学准备了一份环境安装指南,接下来请认真食用。一、安装包下载Python官网:https://www.python.org/上述界面为Python官网首页,在Downloads选项可以下载到Windows、Mac、Linux的Python安装程序或二进制文件。大家可以自行查看官网内容获取Python的安装包,
- 从零开始学Python系列课程第04课:编写并运行Python程序
HerrFu
Python基础pythonpycharm开发语言
在前几篇文章中,我们已经了解了Python语言、安装了运行和编写Python程序所必需的环境、创建了一个新的Python项目,相信大家已经迫不及待的想开始自己的Python编程之旅了。一、创建Python文件书接上文,在讲述了PyCharm如何创建项目之后,还不能直接写代码,还需要创建一个能够承载Python代码的文件,这个文件的后缀名为.py,请看下方截图,如何创建:在前面创建好的Python项
- 从零开始学Python系列课程第01课:Python认知
HerrFu
Python基础python开发语言学习
学习一门编程语言,我们首先要知道这门语言的身世,这样才能够更好的帮助我们了解和认识它!Python是由荷兰数学和计算机科学研究学会的GuidovanRossum(吉多·范罗苏姆,以下简称:吉多大爷)于1990年初设计,准备用Python作为一门叫做ABC语言的替代品。ABC语言ABC语言是NWO(荷兰科学研究组织)旗下CWI(荷兰国家数学与计算机科学研究中心)的LeoGrurts、LambertM
- 从零开始学Python系列课程第14课:Python中的循环结构(下)
HerrFu
Python基础python开发语言学习
在本篇文章中,我们对上文讲过的循环结构做少许补充,除去for-in循环和while循环,其实还存在for-else结构和while-else结构。只是这在编程语言界,Python属于独一份了,独一份循环结构还可以与else关键字一起使用的编程语言,不过这种用法哪怕在Python中也是比较小众。哪怕用到,绝大部分场景也是给到for-else结构,今天我们以for-else结构为例,为大家讲解如何使用
- 从零开始学Python系列课程第16课:Python常见容器型数据类型介绍
HerrFu
Python基础python开发语言学习
Python中有个容器的知识点非常重要,一定要认真学习。我们把可以包含其他数据的数据类型,称之为容器,我们将Python中常用的容器划分为三种:内容连续、有顺序、可以使用下标索引的一类数据容器,我们称之为序列,Python中的列表、字符串、元组都属于序列。在数学里,映射是一个术语,指两个数据集中的元素存在相互对应的关系,称为映射,Python的字典中的元素就具有这样的对应关系。既没有序列的特性,也
- 从零开始学Python系列课程第13课:Python中的循环结构(上)
HerrFu
Python基础python开发语言学习
一、循环结构的应用场景及分类我们在编写程序时,一定会遇到需要重复执行某些指令的场景。举一个简单的例子,在前面讲分支结构时以游戏通关为例,如果第一关结束时分值不够则通关失败需要重新闯关,重新闯关这就是一个重复性的动作,类似的还有很多相似场景,代入编程中就可以使用循环来解决这类问题,这就是我们今天要讲的“循环结构”。所谓循环结构,就是程序中控制某条或某些指令重复执行的结构。在Python中构造循环结构
- 从零开始学Python系列课程第15课:range 方法详解
HerrFu
Python基础python开发语言学习
在循环结构上篇讲述for-in循环时,有一个range方法的知识点没给大家讲,本篇文章我们单独给大家做一个详细讲解。range方法的作用就是根据给定的start、stop、step三个参数,生成一个包含有规律整数的容器。以下是range的语法规则:range(start,stop,step)我们对这几个参数做出解释:可以理解start为左闭区间,stop为右开区间,step为等差序列的差;rang
- 人工智能 python入门体验课_Python系列课程——人工智能篇简单入门
weixin_39536427
人工智能python入门体验课
1、基础篇——基于Python的机器学习现在大热、为未来计算机科学发展方向的机器学习了解多少呢?下面推荐的这个内容比较适合小白,如果数学、模型理论基础不扎实也没关系,可以掌握Python编程语言基本可以轻松学习~例如利用Python编程语言实现线性分类器、支持向量机、朴素贝叶斯等经典机器学习模型来解决诸如肿瘤良恶性预测、手写体识别、泰坦尼克号生还预测等实际问题。并就模型本身泛化力问题(过拟合、欠拟
- 机器学习笔记03_机器学习基本概念(下)
三木今天学习了嘛
机器学习机器学习深度学习人工智能
学习视频:[中英字幕]吴恩达机器学习系列课程学习资料:https://github.com/fengdu78/Coursera-ML-AndrewNg-NotesGitHub不好用的话,我在CSDN资源区也上传了开源资料,0积分下载,期待和大家一起进步!文章目录12聚类Clustering12.1无监督学习UnsupervisedLearning12.2K-均值算法K-MeansAlgorithm
- 吴恩达《机器学习》1-4:无监督学习
不吃花椒的兔酱
机器学习机器学习学习笔记
一、无监督学习无监督学习就像你拿到一堆未分类的东西,没有标签告诉你它们是什么,然后你的任务是自己找出它们之间的关系或者分成不同的组,而不依赖于任何人给你关于这些东西的指导。以聚类为例,无监督学习算法可以将数据点分成具有相似特征的群组,而不需要提前告知每个数据点属于哪个群组。二、聚类算法将数据集中的对象分成具有相似特征或属性的组,这些组通常称为簇。参考资料:[中英字幕]吴恩达机器学习系列课程黄海广博
- 【李宏毅机器学习·学习笔记】Deep Learning General Guidance
MilkLeong
李宏毅机器学习Python机器学习机器学习深度学习学习
本节课可视为机器学习系列课程的一个前期攻略,这节课主要对MachineLearning的框架进行了简单的介绍;并以trainingdata上的loss大小为切入点,介绍了几种常见的在模型训练的过程中容易出现的情况。课程视频:Youtube:https://www.youtube.com/watch?v=WeHM2xpYQpw课程PPT:https://view.officeapps.live.co
- 机器学习比较好的视频资源
无敌三角猫
深度学习人工智能机器学习
吴恩达,经典入门课程。[中英字幕]吴恩达机器学习系列课程_哔哩哔哩_bilibiliwww.bilibili.com/video/BV164411b7dx?spm_id_from=333.999.0.0正在上传…重新上传取消[双语字幕]吴恩达深度学习deeplearning.ai_哔哩哔哩_bilibiliwww.bilibili.com/video/BV1FT4y1E74V?from=searc
- python网课人工智能,Python系列课程——人工智能篇简单入门
爬山小虎哥
python网课人工智能
1、基础篇——基于Python的机器学习>>>>>>现在大热、为未来计算机科学发展方向的机器学习了解多少呢?下面推荐的这个内容比较适合小白,如果数学、模型理论基础不扎实也没关系,可以掌握Python编程语言基本可以轻松学习~例如利用Python编程语言实现线性分类器、支持向量机、朴素贝叶斯等经典机器学习模型来解决诸如肿瘤良恶性预测、手写体识别、泰坦尼克号生还预测等实际问题。并就模型本身泛化力问题(
- 【经典】吴恩达——机器学习笔记001
superME1226
机器学习机器学习算法
【经典】吴恩达——机器学习笔记001机器学习(MachineLearning)笔记001学习地址:[中英字幕]吴恩达机器学习系列课程文字版参考及PPT来源:Coursera-ML-AndrewNg-Notes听从学长的建议,将吴恩达教授的DL和ML视频作为CV入门学习,本博客为个人学习笔记,旨在记录学习所得,欢迎小伙伴们一起交流学习,批评指正!第二章:【经典】吴恩达——机器学习笔记002课程总述M
- 【CV】吴恩达机器学习课程笔记第18章
Fannnnf
吴恩达机器学习课程笔记机器学习人工智能
本系列文章如果没有特殊说明,正文内容均解释的是文字上方的图片机器学习|Coursera吴恩达机器学习系列课程_bilibili目录18应用案例:照片OCR18-1问题描述与流程(pipeline)18-2滑动窗口(slidingwindows)分类器18-3获取大量数据和人工数据合成18-4上限分析:下一步要做流水线中的哪一个18应用案例:照片OCR18-1问题描述与流程(pipeline)1.找
- 吴恩达机器学习系列课程笔记——第五章:Octave教程(Octave Tutorial)
Lishier99
机器学习机器学习人工智能
提示:这章选学,可以去学python,第六节可以看看。5.1基本操作https://www.bilibili.com/video/BV164411b7dx?p=26本章学习以种编程语言:Octave语言。你能够用它来非常迅速地实现这门课中我们已经学过的,或者将要学的机器学习算法。过去我一直尝试用不同的编程语言来教授机器学习,包括C++、Java、Python、Numpy和Octave。我发现当使用
- 吴恩达机器学习系列课程笔记——第十四章:降维(Dimensionality Reduction)
Lishier99
机器学习机器学习人工智能算法学习
14.1动机一:数据压缩https://www.bilibili.com/video/BV164411b7dx?p=79这个视频,我想开始谈论第二种类型的无监督学习问题,称为降维。有几个不同的的原因使你可能想要做降维。一是数据压缩,后面我们会看了一些视频后,数据压缩不仅允许我们压缩数据,因而使用较少的计算机内存或磁盘空间,但它也让我们加快我们的学习算法。但首先,让我们谈论降维是什么。作为一种生动的
- 吴恩达机器学习系列课程笔记——第十一章:机器学习系统的设计(Machine Learning System Design)
Lishier99
机器学习机器学习人工智能算法
11.1首先要做什么https://www.bilibili.com/video/BV164411b7dx?p=65在接下来的视频中,我将谈到机器学习系统的设计。这些视频将谈及在设计复杂的机器学习系统时,你将遇到的主要问题。同时我们会试着给出一些关于如何巧妙构建一个复杂的机器学习系统的建议。下面的课程的的数学性可能不是那么强,但是我认为我们将要讲到的这些东西是非常有用的,可能在构建大型的机器学习系
- python数据分析、整理、汇总展示_python-数据分析与展示(Numpy、matplotlib、pandas)---2...
weixin_39525118
python数据分析整理汇总展示
笔记内容整理自mooc上北京理工大学嵩天老师python系列课程数据分析与展示,本人小白一枚,如有不对,多加指正1.python自带的图像库PIL1.1常用APIImage.open()Image.fromarray()im.save()convert('L')b.astype('uint8')(这个API用于处理后的数组改变元素的数据类型,科学计算python不同于C++等编程语言,操作之后,数
- 吴恩达机器学习课程笔记:监督学习、无监督学习
Uncertainty!!
机器学习基础监督学习无监督学习
1.吴恩达机器学习课程笔记:监督学习、无监督学习吴恩达机器学习系列课程:监督学习吴恩达机器学习系列课程:无监督学习仅作为个人学习笔记,若各位大佬发现错误请指正机器学习的学习算法:监督学习、无监督学习、半监督学习(监督与无监督的结合)、强化学习监督学习与无监督学习的根本区别:监督学习的数据既有特征又有标签,而非监督学习的数据中只有特征而没有标签。(例如:身高属于特征,标签是高或矮)左侧为监督学习针对
- 机器学习(正在更新)
小小怪将军!
机器学习机器学习深度学习
目录自己疑问-----容易错误的点:训练集、验证集、测试集训练集验证集测试集以下视频地址:[中英字幕]吴恩达机器学习系列课程_哔哩哔哩_bilibili第二章2.1线性回归2-2代价函数(类似误差一样)2.5-2.6梯度下降算法,梯度下降算法理解2.3线性回归的梯度下降/Batch梯度下降第四章(正规方程与梯度下降一样是为了求满足条件的(塞塔o))4.1多变量线性回归假设函数4.2多元(多变量)梯
- 机器学习 笔记(继续更新)
M有在认真学习
机器学习python
学习内容跟随“吴恩达机器学习系列课程”。目录1.具有一个特征的学习算法(linearregression线性回归),代价函数编辑的由来,等高图2.可以最小化代价函数的梯度下降法(gradientdescent),以及对于编辑、学习率编辑、导数项的通俗解释3.具有多个变量或特征的学习算法(multivariatelinearregression多元线性回归),它的假设函数和的迭代4.将gradien
- 吴恩达---机器学习的流程(持续更新)
M有在认真学习
机器学习回归逻辑回归
参考:吴恩达机器学习的视频视频链接:[中英字幕]吴恩达机器学习系列课程_哔哩哔哩_bilibili本文用于我自己的内容总结以及层次理解。学习流程:1.具有一个特征的学习算法(linearregression线性回归),代价函数编辑的由来,等高图2.可以最小化代价函数的梯度下降法(gradientdescent),以及对于编辑、学习率编辑、导数项的通俗解释3.具有多个变量或特征的学习算法(multi
- 机器学习算法笔记(1)——逻辑斯蒂回归Logistic处理二分类任务
念旧NiceJeo
机器学习算法笔记算法机器学习python可视化
逻辑斯蒂回归LogisticRegressor处理二分类任务一.逻辑斯蒂回归1.模型2.代价函数(损失函数)3.优化算法二.代码实现1.二维二分类2.多维二分类本系列为观看吴恩达老师的[中英字幕]吴恩达机器学习系列课程做的课堂笔记。图片来自视频截图。不得不说,看了老师的视频真的学到了很多。即使数学不好的同志们也可以看懂,真的可谓是细致入微了。一.逻辑斯蒂回归1.模型学过深度学习的同志们对这张图一定
- 【机器学习(九)】大数据集及其梯度下降算法
趴抖
机器学习算法人工智能
声明:本文是以吴恩达机器学习系列课程为学习对象而作的学习笔记。本文对应P102-P105。大数据集假定你的训练集的大小m为100000000。如果你想训练一个线性回归模型或是一个逻辑回归模型。其梯度下降规则如下:当m的值为100000000时,就需要对一亿项进行求和。这是为了计算导数项以及演算单步下降。因为计算超过一亿项的代价太高了。我们容易思考:为什么不能在这一亿项中取一千个样本的子集,然后仅用
- 【机器学习(八)】神经网络进阶
趴抖
机器学习神经网络逻辑回归
声明:本文是以吴恩达机器学习系列课程为学习对象而作的学习笔记。本文对应P50-P56。代价函数假设我们有一个与下图类似的神经网络结构,再假设我们有一个像这样的训练集,其中有m组训练样本(x(i),y(I))。用L来表示神经网络结构的总层数:我们将会考虑两种分类问题:二元分类问题这里的y只能为0或1,在这种情况下,我们会有一个输出单元即K=1。同时神经网络的输出结果h(x)会是一个实数多类别分类问题
- 【机器学习(四)】分类问题与logistic回归模型
趴抖
机器学习回归分类
声明:本文是以吴恩达机器学习系列课程为学习对象而作的学习笔记。本文对应P32-P36、P38。情景引入在前面几篇文章中,我们提到了判断邮件是否为垃圾邮件的例子,以及良性与恶性肿瘤的例子。在所有的这些问题中,我们尝试预测的变量y,都是可以有两个取值的变量——0或1。我们用0来表示的这一类还可以叫做”负类“,用1来表示的这一类还可以叫做正类。现在我们要从只包含0和1两类的分类问题开始。假设陈述——lo
- 【机器学习(六)】过拟合问题及正则化
趴抖
机器学习人工智能逻辑回归
声明:本文是以吴恩达机器学习系列课程为学习对象而作的学习笔记。本文对应P39-P42。过拟合问题下面是一个用线性回归来预测房价的例子:第一种拟合没有很好地拟合训练集,称其为欠拟合。或者说,这个算法具有高偏差。第二种恰当地拟合了训练集。第三种拟合似乎很好地拟合了训练集,代价函数实际上可能非常接近于0,毕竟它通过了所有的数据点,但这是一条扭曲的,不停上下波动的曲线。事实上我们并不认为它是一个预测房价的
- ASM系列六 利用TreeApi 添加和移除类成员
lijingyao8206
jvm动态代理ASM字节码技术TreeAPI
同生成的做法一样,添加和移除类成员只要去修改fields和methods中的元素即可。这里我们拿一个简单的类做例子,下面这个Task类,我们来移除isNeedRemove方法,并且添加一个int 类型的addedField属性。
package asm.core;
/**
* Created by yunshen.ljy on 2015/6/
- Springmvc-权限设计
bee1314
springWebjsp
万丈高楼平地起。
权限管理对于管理系统而言已经是标配中的标配了吧,对于我等俗人更是不能免俗。同时就目前的项目状况而言,我们还不需要那么高大上的开源的解决方案,如Spring Security,Shiro。小伙伴一致决定我们还是从基本的功能迭代起来吧。
目标:
1.实现权限的管理(CRUD)
2.实现部门管理 (CRUD)
3.实现人员的管理 (CRUD)
4.实现部门和权限
- 算法竞赛入门经典(第二版)第2章习题
CrazyMizzz
c算法
2.4.1 输出技巧
#include <stdio.h>
int
main()
{
int i, n;
scanf("%d", &n);
for (i = 1; i <= n; i++)
printf("%d\n", i);
return 0;
}
习题2-2 水仙花数(daffodil
- struts2中jsp自动跳转到Action
麦田的设计者
jspwebxmlstruts2自动跳转
1、在struts2的开发中,经常需要用户点击网页后就直接跳转到一个Action,执行Action里面的方法,利用mvc分层思想执行相应操作在界面上得到动态数据。毕竟用户不可能在地址栏里输入一个Action(不是专业人士)
2、<jsp:forward page="xxx.action" /> ,这个标签可以实现跳转,page的路径是相对地址,不同与jsp和j
- php 操作webservice实例
IT独行者
PHPwebservice
首先大家要简单了解了何谓webservice,接下来就做两个非常简单的例子,webservice还是逃不开server端与client端。我测试的环境为:apache2.2.11 php5.2.10做这个测试之前,要确认你的php配置文件中已经将soap扩展打开,即extension=php_soap.dll;
OK 现在我们来体验webservice
//server端 serve
- Windows下使用Vagrant安装linux系统
_wy_
windowsvagrant
准备工作:
下载安装 VirtualBox :https://www.virtualbox.org/
下载安装 Vagrant :http://www.vagrantup.com/
下载需要使用的 box :
官方提供的范例:http://files.vagrantup.com/precise32.box
还可以在 http://www.vagrantbox.es/
- 更改linux的文件拥有者及用户组(chown和chgrp)
无量
clinuxchgrpchown
本文(转)
http://blog.163.com/yanenshun@126/blog/static/128388169201203011157308/
http://ydlmlh.iteye.com/blog/1435157
一、基本使用:
使用chown命令可以修改文件或目录所属的用户:
命令
- linux下抓包工具
矮蛋蛋
linux
原文地址:
http://blog.chinaunix.net/uid-23670869-id-2610683.html
tcpdump -nn -vv -X udp port 8888
上面命令是抓取udp包、端口为8888
netstat -tln 命令是用来查看linux的端口使用情况
13 . 列出所有的网络连接
lsof -i
14. 列出所有tcp 网络连接信息
l
- 我觉得mybatis是垃圾!:“每一个用mybatis的男纸,你伤不起”
alafqq
mybatis
最近看了
每一个用mybatis的男纸,你伤不起
原文地址 :http://www.iteye.com/topic/1073938
发表一下个人看法。欢迎大神拍砖;
个人一直使用的是Ibatis框架,公司对其进行过小小的改良;
最近换了公司,要使用新的框架。听说mybatis不错;就对其进行了部分的研究;
发现多了一个mapper层;个人感觉就是个dao;
- 解决java数据交换之谜
百合不是茶
数据交换
交换两个数字的方法有以下三种 ,其中第一种最常用
/*
输出最小的一个数
*/
public class jiaohuan1 {
public static void main(String[] args) {
int a =4;
int b = 3;
if(a<b){
// 第一种交换方式
int tmep =
- 渐变显示
bijian1013
JavaScript
<style type="text/css">
#wxf {
FILTER: progid:DXImageTransform.Microsoft.Gradient(GradientType=0, StartColorStr=#ffffff, EndColorStr=#97FF98);
height: 25px;
}
</style>
- 探索JUnit4扩展:断言语法assertThat
bijian1013
java单元测试assertThat
一.概述
JUnit 设计的目的就是有效地抓住编程人员写代码的意图,然后快速检查他们的代码是否与他们的意图相匹配。 JUnit 发展至今,版本不停的翻新,但是所有版本都一致致力于解决一个问题,那就是如何发现编程人员的代码意图,并且如何使得编程人员更加容易地表达他们的代码意图。JUnit 4.4 也是为了如何能够
- 【Gson三】Gson解析{"data":{"IM":["MSN","QQ","Gtalk"]}}
bit1129
gson
如何把如下简单的JSON字符串反序列化为Java的POJO对象?
{"data":{"IM":["MSN","QQ","Gtalk"]}}
下面的POJO类Model无法完成正确的解析:
import com.google.gson.Gson;
- 【Kafka九】Kafka High Level API vs. Low Level API
bit1129
kafka
1. Kafka提供了两种Consumer API
High Level Consumer API
Low Level Consumer API(Kafka诡异的称之为Simple Consumer API,实际上非常复杂)
在选用哪种Consumer API时,首先要弄清楚这两种API的工作原理,能做什么不能做什么,能做的话怎么做的以及用的时候,有哪些可能的问题
- 在nginx中集成lua脚本:添加自定义Http头,封IP等
ronin47
nginx lua
Lua是一个可以嵌入到Nginx配置文件中的动态脚本语言,从而可以在Nginx请求处理的任何阶段执行各种Lua代码。刚开始我们只是用Lua 把请求路由到后端服务器,但是它对我们架构的作用超出了我们的预期。下面就讲讲我们所做的工作。 强制搜索引擎只索引mixlr.com
Google把子域名当作完全独立的网站,我们不希望爬虫抓取子域名的页面,降低我们的Page rank。
location /{
- java-归并排序
bylijinnan
java
import java.util.Arrays;
public class MergeSort {
public static void main(String[] args) {
int[] a={20,1,3,8,5,9,4,25};
mergeSort(a,0,a.length-1);
System.out.println(Arrays.to
- Netty源码学习-CompositeChannelBuffer
bylijinnan
javanetty
CompositeChannelBuffer体现了Netty的“Transparent Zero Copy”
查看API(
http://docs.jboss.org/netty/3.2/api/org/jboss/netty/buffer/package-summary.html#package_description)
可以看到,所谓“Transparent Zero Copy”是通
- Android中给Activity添加返回键
hotsunshine
Activity
// this need android:minSdkVersion="11"
getActionBar().setDisplayHomeAsUpEnabled(true);
@Override
public boolean onOptionsItemSelected(MenuItem item) {
- 静态页面传参
ctrain
静态
$(document).ready(function () {
var request = {
QueryString :
function (val) {
var uri = window.location.search;
var re = new RegExp("" + val + "=([^&?]*)", &
- Windows中查找某个目录下的所有文件中包含某个字符串的命令
daizj
windows查找某个目录下的所有文件包含某个字符串
findstr可以完成这个工作。
[html]
view plain
copy
>findstr /s /i "string" *.*
上面的命令表示,当前目录以及当前目录的所有子目录下的所有文件中查找"string&qu
- 改善程序代码质量的一些技巧
dcj3sjt126com
编程PHP重构
有很多理由都能说明为什么我们应该写出清晰、可读性好的程序。最重要的一点,程序你只写一次,但以后会无数次的阅读。当你第二天回头来看你的代码 时,你就要开始阅读它了。当你把代码拿给其他人看时,他必须阅读你的代码。因此,在编写时多花一点时间,你会在阅读它时节省大量的时间。让我们看一些基本的编程技巧: 尽量保持方法简短 尽管很多人都遵
- SharedPreferences对数据的存储
dcj3sjt126com
SharedPreferences简介: &nbs
- linux复习笔记之bash shell (2) bash基础
eksliang
bashbash shell
转载请出自出处:
http://eksliang.iteye.com/blog/2104329
1.影响显示结果的语系变量(locale)
1.1locale这个命令就是查看当前系统支持多少种语系,命令使用如下:
[root@localhost shell]# locale
LANG=en_US.UTF-8
LC_CTYPE="en_US.UTF-8"
- Android零碎知识总结
gqdy365
android
1、CopyOnWriteArrayList add(E) 和remove(int index)都是对新的数组进行修改和新增。所以在多线程操作时不会出现java.util.ConcurrentModificationException错误。
所以最后得出结论:CopyOnWriteArrayList适合使用在读操作远远大于写操作的场景里,比如缓存。发生修改时候做copy,新老版本分离,保证读的高
- HoverTree.Model.ArticleSelect类的作用
hvt
Web.netC#hovertreeasp.net
ArticleSelect类在命名空间HoverTree.Model中可以认为是文章查询条件类,用于存放查询文章时的条件,例如HvtId就是文章的id。HvtIsShow就是文章的显示属性,当为-1是,该条件不产生作用,当为0时,查询不公开显示的文章,当为1时查询公开显示的文章。HvtIsHome则为是否在首页显示。HoverTree系统源码完全开放,开发环境为Visual Studio 2013
- PHP 判断是否使用代理 PHP Proxy Detector
天梯梦
proxy
1. php 类
I found this class looking for something else actually but I remembered I needed some while ago something similar and I never found one. I'm sure it will help a lot of developers who try to
- apache的math库中的回归——regression(翻译)
lvdccyb
Mathapache
这个Math库,虽然不向weka那样专业的ML库,但是用户友好,易用。
多元线性回归,协方差和相关性(皮尔逊和斯皮尔曼),分布测试(假设检验,t,卡方,G),统计。
数学库中还包含,Cholesky,LU,SVD,QR,特征根分解,真不错。
基本覆盖了:线代,统计,矩阵,
最优化理论
曲线拟合
常微分方程
遗传算法(GA),
还有3维的运算。。。
- 基础数据结构和算法十三:Undirected Graphs (2)
sunwinner
Algorithm
Design pattern for graph processing.
Since we consider a large number of graph-processing algorithms, our initial design goal is to decouple our implementations from the graph representation
- 云计算平台最重要的五项技术
sumapp
云计算云平台智城云
云计算平台最重要的五项技术
1、云服务器
云服务器提供简单高效,处理能力可弹性伸缩的计算服务,支持国内领先的云计算技术和大规模分布存储技术,使您的系统更稳定、数据更安全、传输更快速、部署更灵活。
特性
机型丰富
通过高性能服务器虚拟化为云服务器,提供丰富配置类型虚拟机,极大简化数据存储、数据库搭建、web服务器搭建等工作;
仅需要几分钟,根据CP
- 《京东技术解密》有奖试读获奖名单公布
ITeye管理员
活动
ITeye携手博文视点举办的12月技术图书有奖试读活动已圆满结束,非常感谢广大用户对本次活动的关注与参与。
12月试读活动回顾:
http://webmaster.iteye.com/blog/2164754
本次技术图书试读活动获奖名单及相应作品如下:
一等奖(两名)
Microhardest:http://microhardest.ite