- 【AI日志分析】基于机器学习的异常检测:告别传统规则的智能进阶
人工智能机器学习深度学习
摘要随着系统规模的扩大和复杂性增加,传统基于规则的日志分析方法难以识别隐藏的复杂异常模式。本文将介绍基于机器学习的日志异常检测技术,包括模型选择、特征工程及实现步骤。通过具体的代码示例与图表,展示如何高效检测异常日志,并提供应用场景与优化策略。引言日志是系统运行状态的关键数据来源,但面对海量日志数据,传统规则式分析显得力不从心。机器学习能够根据日志的历史数据和行为模式,通过训练模型检测异常情况,不
- 信息流广告预估技术在美团外卖的实践 思维导图-java架构
用心去追梦
java架构开发语言
创建一个关于“信息流广告预估技术在美团外卖的实践”的思维导图,并且专注于Java架构下的实现,可以按照以下结构来组织内容。这个思维导图将涵盖从数据收集、特征工程、模型选择与训练、系统架构设计到性能优化和效果评估的关键领域。思维导图结构1.项目背景美团外卖平台简介用户群体与市场定位信息流广告的意义提升用户体验增加广告收益2.用户及上下文数据收集数据来源用户行为(点击、浏览、下单等)广告主提供的创意素
- 机器学习特征重要性之feature_importances_属性与permutation_importance方法
一叶_障目
机器学习python数据挖掘
一、feature_importances_属性在机器学习中,分类和回归算法的feature_importances_属性用于衡量每个特征对模型预测的重要性。这个属性通常在基于树的算法中使用,通过feature_importances_属性,您可以了解哪些特征对模型的预测最为重要,从而可以进行特征选择或特征工程,以提高模型的性能和解释性。1、决策树1.1.sklearn.tree.Decision
- 机器学习02-发展历史补充
坐吃山猪
机器学习机器学习人工智能
机器学习02-发展历史补充文章目录机器学习02-发展历史补充1-机器学习个人理解1-初始阶段:统计学习和模式识别(20世纪50年代至80年代)2-第二阶段【集成时代】+【核方法】(20世纪90年代至2000年代初期)3-第三阶段【特征工程】+【模型优化】(2000年代中期至2010年代初期)4-大规模数据和分布式计算(2010年代中后期)5-自动化机器学习和特征选择(2010年代末至今)2-神经网
- Python 机器学习 基础 之 数据表示与特征工程 【分箱、离散化、线性模型与树 / 交互特征与多项式特征】的简单说明
仙魁XAN
Python机器学习基础+实战案例机器学习python分箱离散化线性模型与树交互特征与多项式特征
Python机器学习基础之数据表示与特征工程【分箱、离散化、线性模型与树/交互特征与多项式特征】的简单说明目录Python机器学习基础之数据表示与特征工程【分箱、离散化、线性模型与树/交互特征与多项式特征】的简单说明一、简单介绍二、分箱、离散化、线性模型与树三、交互特征与多项式特征附录一、参考文献一、简单介绍Python是一种跨平台的计算机程序设计语言。是一种面向对象的动态类型语言,最初被设计用于
- 机器学习小组第三周:简单的数据预处理和特征工程
-Helslie
机器学习机器学习
学习目标●无量纲化:最值归一化、均值方差归一化及sklearn中的Scaler●缺失值处理●处理分类型特征:编码与哑变量●处理连续型特征:二值化与分段学习资料首先,参考:《机器学习的敲门砖:归一化与KD树》及《特征工程系列:特征预处理(上)》中相关部分。其次,其他知识点可参考推荐博文:sklearn中的数据预处理和特征工程。20200311数据归一化在量纲不同的情况下,对于部分算法不能反映样本中每
- 机器学习基础(四)——决策树与随机森林
Bayesian小孙
机器学习基础决策树机器学习随机森林
决策树与随机森林文章目录决策树与随机森林一、知识概要(一)二、决策树使用的算法三、sklearn决策树API四、决策树的案例1.数据清洗2.特征工程3.调用决策树API五、集成学习方法-随机森林1.知识概要(二)2.集成学习API3.随机森林的案例importpandasaspdfromsklearn.feature_extractionimportDictVectorizerfromsklear
- Spark MLlib 特征工程系列—特征转换VectorSizeHint
不二人生
Spark实战spark-ml机器学习spark
SparkMLlib特征工程系列—特征转换VectorSizeHintVectorSizeHint是Spark提供的一个特征转换器,用于指定向量列的大小(即维度)。在一些特征转换和建模过程中,要求输入的向量必须有固定的大小。当数据中包含不同大小的向量时,Spark可能无法自动推断出向量的正确大小。这时,VectorSizeHint可以显式地声明向量的大小,确保后续的操作能够顺利进行。为什么需要使用
- 【机器学习】特征提取 特征降维
de-feedback
机器学习人工智能
特征工程特征工程是将原始数据转化为可以用于机器学习的数字特征,比如字典的特征提取,文档的特征提取等。字典特征提取把字典的每个唯一的键作为数据集特征的一个维度,有这个维度的就为1,没有就是0。其他相同的键,该维度的值就是其键值。这样的操作把字典样本的每一条数据转化为了矩阵,但是矩阵中含有大量的0(因为数据中的键和值有很多不同),所以称之为稀疏矩阵为了保存数据的高效,一般使用三元组表存储。保存非零数据
- 【机器学习】特征工程的基本概念以及LASSO回归和主成分分析优化方法
Lossya
机器学习回归人工智能算法特征工程
引言特征工程是机器学习中的一个关键步骤,它涉及到从原始数据中提取和构造新的特征,以提高模型的性能和预测能力LASSO(LeastAbsoluteShrinkageandSelectionOperator)回归是一种用于回归分析的线性模型,它通过引入L1正则化(Lasso正则化)来简化模型并减少过拟合的风险主成分分析(PrincipalComponentAnalysis,PCA)是一种常用的降维技术
- AutoML原理与代码实例讲解
AI大模型应用之禅
计算科学神经计算深度学习神经网络大数据人工智能大型语言模型AIAGILLMJavaPython架构设计AgentRPA
AutoML原理与代码实例讲解作者:禅与计算机程序设计艺术/ZenandtheArtofComputerProgramming1.背景介绍1.1问题的由来随着数据量的爆炸式增长和算法的日益复杂,机器学习在各个领域的应用越来越广泛。然而,机器学习模型的开发过程往往需要大量的专业知识和经验。数据预处理、特征工程、模型选择、参数调优等步骤都需要人工进行,这使得机器学习模型的开发变得复杂且耗时。为了解决这
- python库——sklearn的关键组件和参数设置
零 度°
pythonpythonsklearn
文章目录模型构建线性回归逻辑回归决策树分类器随机森林支持向量机K-近邻模型评估交叉验证性能指标特征工程主成分分析标准化和归一化scikit-learn,简称sklearn,是Python中一个广泛使用的机器学习库,它建立在NumPy、SciPy和Matplotlib这些科学计算库之上。sklearn提供了简单而有效的工具来进行数据挖掘和数据分析。我们将介绍sklearn中一些关键组件的参数设置。模
- 【机器学习】探索数据矿藏:Python中的AI大模型与数据挖掘创新实践
C_GUIQU
机器学习人工智能python
前言:探索数据矿藏1.数据获取与预处理:AI大模型的燃料1.1数据获取:多样性与规模并重1.2数据清洗与处理:提升数据质量1.3特征工程:挖掘数据的深层次信息1.4自动化特征工程:AI与特征工程的结合2.模型训练与优化:构建智能的大脑2.1模型选择:大模型的基础构建2.2模型训练:从数据到智能的转化2.3⚙️模型优化:精益求精的智能化提升2.4模型解释与可视化:揭示黑盒的内部3实际应用案例:AI大
- 深度学习的一个完整过程通常包括以下几个步骤
longerVR
DL深度学习人工智能
深度学习的一个完整过程通常包括以下几个步骤:问题定义和数据收集:定义清晰的问题,明确任务的类型(分类、回归、聚类等)以及预期的输出。收集和整理用于训练和评估模型的数据集。确保数据集的质量,进行预处理和清理。数据预处理:处理缺失值、异常值和重复数据。进行特征工程,选择、转换或创建合适的特征。将数据集划分为训练集、验证集和测试集。选择模型架构:根据问题的性质选择适当的深度学习模型架构,如卷积神经网络(
- 【机器学习】多元线性回归
Mount256
#机器学习机器学习线性回归人工智能
文章目录多元线性回归模型(multipleregressionmodel)损失/代价函数(costfunction)——均方误差(meansquarederror)批量梯度下降算法(batchgradientdescentalgorithm)特征工程(featureengineering)特征缩放(featurescaling)正则化线性回归(regularizationlinearregress
- 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
- 零基础入门金融风控-贷款违约预测Task2 数据分析
一缕阳光lyz
数据分析数据挖掘
Task2数据分析此部分为零基础入门金融风控的Task2数据分析部分,带你来了解数据,熟悉数据,为后续的特征工程做准备,欢迎大家后续多多交流。赛题:零基础入门数据挖掘-零基础入门金融风控之贷款违约目的:1.EDA价值主要在于熟悉了解整个数据集的基本情况(缺失值,异常值),对数据集进行验证是否可以进行接下来的机器学习或者深度学习建模.2.了解变量间的相互关系、变量与预测值之间的存在关系。3.为特征工
- 【吴恩达·机器学习】第二章:多变量线性回归模型(选择学习率、特征缩放、特征工程、多项式回归)
Yaoyao2024
机器学习线性回归人工智能
博主简介:努力学习的22级计算机科学与技术本科生一枚博主主页:@Yaoyao2024每日一言:勇敢的人,不是不落泪的人,而是愿意含着泪继续奔跑的人。——《朗读者》0、声明本系列博客文章是博主本人根据吴恩达老师2022年的机器学习课程所学而写,主要包括老师的核心讲义和自己的理解。在上完课后对课程内容进行回顾和整合,从而加深自己对知识的理解,也方便自己以及后续的同学们复习和回顾。课程地址2022吴恩达
- 深度学习从入门到不想放弃-1
周博洋K
深度学习人工智能
基本功总是很香的,良好的基础才能决定上层建筑的质量和高度。从今天开始陆续连载一些深度学习的基础,包括概念,数学原理,代码,最近也确实没什么热点可以蹭先看机器学习和深度学习的对比:"数据和特征决定了机器学习的上限,而模型与算法则是逼近这个上限而已",机器学习和深度学习的本质区别之一是特征工程,而特征工程又是决定最终结果好坏的最重要的因素之一;上图最上面描述是机器学习的流程,如果让一个计算机理解输入的
- 《区块链公链数据分析简易速速上手小册》第8章:实战案例研究(2024 最新版)
江帅帅
区块链数据分析数据挖掘人工智能pythonweb3机器学习
文章目录8.1案例分析:投资决策支持8.1.1基础知识8.1.2重点案例:股票市场趋势预测准备工作实现步骤步骤1:加载和准备数据步骤2:特征工程步骤3:训练模型步骤4:评估模型结论8.1.3拓展案例1:基于情感分析的投资策略准备工作实现步骤
- 机器学习中的特征工程
qq_44980515
机器学习python数据分析人工智能
目录一、特征工程目标二、特征工程内容(一)异常处理(二)特征标准化/归一化(三)数据分桶(四)缺失值处理(五)特征构造(六)特征筛选(特征选择)(七)降维三、代码示例(一)导入数据(二)删除异常值(三)特征构造(四)特征筛选1.过滤式2.包裹式一、特征工程目标对于特征进行进一步分析,并对于数据进行处理。完成对于特征工程的分析,并对于数据进行一些图表或者文字总结。特征工程的主要目的还是在于将数据转换
- FFA 2023 专场解读:AI 特征工程、数据集成
flink大数据
今年FlinkForwardAsia(以下简称FFA)重新回归线下,将于12月8-9日在北京望京凯悦酒店举办。FlinkForwardAsia2023大会议程已正式上线!FlinkForward是由Apache官方授权的ApacheFlink社区官方技术大会,作为最受ApacheFlink社区开发者期盼的年度峰会之一,FFA2023将持续集结行业最佳实践以及Flink最新技术动态,是中国Flink
- 【大厂AI课学习笔记】【2.2机器学习开发任务实例】(1)搭建一个机器学习模型
giszz
人工智能学习笔记人工智能学习笔记
今天学习的是,如何搭建一个机器学习模型。主要有以上的步骤:原始数据采集特征工程数据预处理特征提取特征转换(构造)预测识别(模型训练和测试)在实际工作中,特征比模型更重要。数据和特征的选择,已经决定了模型的天花板,模型算法只是去逼近这个上限。在上述的特征工程中:数据预处理,就是去除数据的噪声,例如文本中的错误、不再使用的词语等;特征提取,就是从原始数据中提取一些有效的特征。例如图像分类中,提取边缘、
- 基于决策树的金融市场波动性预测与应用
OverlordDuke
机器学习决策树决策树算法机器学习
基于决策树的金融市场波动性预测与应用项目背景与意义数据概述与分析数据来源数据特征数据预处理与特征工程模型训练与评估结果与应用总结LightGBM是一个机器学习算法库,用于梯度提升机(GradientBoostingMachine)的实现。梯度提升机是一种集成学习方法,通过串行训练多个弱学习器(通常是决策树),每次学习的模型都试图纠正前一次模型的错误,从而逐步提升整体模型的性能。LightGBM算法
- 探索XGBoost:时间序列数据建模
Echo_Wish
Python笔记Python算法python算法开发语言
导言XGBoost是一种强大的机器学习算法,广泛应用于各种领域的数据建模任务中。但是,在处理时间序列数据时,需要特别注意数据的特点和模型的选择。本教程将深入探讨如何在Python中使用XGBoost建模时间序列数据,包括数据准备、特征工程和模型训练等方面,并提供相应的代码示例。准备数据在处理时间序列数据之前,首先需要准备数据。通常,时间序列数据是按照时间顺序排列的,每个时间点都有相应的观测值。以下
- 葫芦书第一章——特征工程
单调不减
葫芦书是机器学习岗位面试的必读书,第一遍读,就当作对自己这四个月以来入门机器学习的知识测验,顺便查漏补缺。葫芦书比较好的一点是它的写作是通过问答方式进行的,就像一场模拟面试一样,而这些问题可能是我自学相关知识的时候没有细想过的,通过这些问题我也可以发现自己的知识盲区,再查阅相关资料。闲言少叙,开始啦。特征工程,顾名思义,是对原始数据进行一系列工程处理,将其提炼为特征,作为输入供算法和模型使用。从本
- task3 特征工程
1598903c9dd7
1.采用tsfresh工具包提取时间序列特征导入工具包:提取特征:融合之前单变量特征之后,预测变差......哭
- task 13 集成学习
罐罐儿111
蒸汽量预测1.特征工程一般流程:1.去掉无用特征2.去掉冗余特征3.利用存在的特征、特征转换、内容中的特征以及其他数据源生成新特征4.特征转换(数值化、类别转换、归一化)5.特征处理(异常值、最大值、最小值、缺失值)观察特征核密度估计,已知散点图,做回归,要求连线尽可能平滑,大致观察数据的分布情况。在本例中,通过核密度估计,观察训练集与测试集数据的分布情况,从而删除不具有相似分布的属性值计算相关性
- 机器学习各种算法汇总模板
怎么菜成这样
机器学习机器学习python算法随机森林支持向量机
机器学习算法模板包含了KNN,线性回归,逻辑回归,朴素贝叶斯,决策树,支持向量机,随机森林,kmeans,集成算法各种算法,特征工程,评估方式任你选择!!!#导包fromsklearn.neighborsimportKNeighborsClassifierfromsklearn.linear_modelimportLinearRegressionfromsklearn.naive_bayesimp
- 特征工程:数据平衡
林浩杨
数据探索与可视化机器学习python人工智能机器学习算法数据挖掘
目录一、前言二、正文Ⅰ.基于过采样算法Ⅱ.基于欠采样算法Ⅲ..基于过采样和欠采样的综合算法三、结语一、前言大多数情况下,使用的数据集是不完美的,会出现各种各样的问题,尤其针对分类问题的时候,会出现类别不平衡的问题。例如:在垃圾邮件分类时,垃圾邮件数据会有较少的样本量,从而导致两种类型的邮件数据量差别很大;在欺诈监测数据集中,往往包含的欺诈样本并没有那么多。处理这类数据集的分类的时候,需要对数据集的
- Java开发中,spring mvc 的线程怎么调用?
小麦麦子
springmvc
今天逛知乎,看到最近很多人都在问spring mvc 的线程http://www.maiziedu.com/course/java/ 的启动问题,觉得挺有意思的,那哥们儿问的也听仔细,下面的回答也很详尽,分享出来,希望遇对遇到类似问题的Java开发程序猿有所帮助。
问题:
在用spring mvc架构的网站上,设一线程在虚拟机启动时运行,线程里有一全局
- maven依赖范围
bitcarter
maven
1.test 测试的时候才会依赖,编译和打包不依赖,如junit不被打包
2.compile 只有编译和打包时才会依赖
3.provided 编译和测试的时候依赖,打包不依赖,如:tomcat的一些公用jar包
4.runtime 运行时依赖,编译不依赖
5.默认compile
依赖范围compile是支持传递的,test不支持传递
1.传递的意思是项目A,引用
- Jaxb org.xml.sax.saxparseexception : premature end of file
darrenzhu
xmlprematureJAXB
如果在使用JAXB把xml文件unmarshal成vo(XSD自动生成的vo)时碰到如下错误:
org.xml.sax.saxparseexception : premature end of file
很有可能时你直接读取文件为inputstream,然后将inputstream作为构建unmarshal需要的source参数。InputSource inputSource = new In
- CSS Specificity
周凡杨
html权重Specificitycss
有时候对于页面元素设置了样式,可为什么页面的显示没有匹配上呢? because specificity
CSS 的选择符是有权重的,当不同的选择符的样式设置有冲突时,浏览器会采用权重高的选择符设置的样式。
规则:
HTML标签的权重是1
Class 的权重是10
Id 的权重是100
- java与servlet
g21121
servlet
servlet 搞java web开发的人一定不会陌生,而且大家还会时常用到它。
下面是java官方网站上对servlet的介绍: java官网对于servlet的解释 写道
Java Servlet Technology Overview Servlets are the Java platform technology of choice for extending and enha
- eclipse中安装maven插件
510888780
eclipsemaven
1.首先去官网下载 Maven:
http://www.apache.org/dyn/closer.cgi/maven/binaries/apache-maven-3.2.3-bin.tar.gz
下载完成之后将其解压,
我将解压后的文件夹:apache-maven-3.2.3,
并将它放在 D:\tools目录下,
即 maven 最终的路径是:D:\tools\apache-mave
- jpa@OneToOne关联关系
布衣凌宇
jpa
Nruser里的pruserid关联到Pruser的主键id,实现对一个表的增删改,另一个表的数据随之增删改。
Nruser实体类
//*****************************************************************
@Entity
@Table(name="nruser")
@DynamicInsert @Dynam
- 我的spring学习笔记11-Spring中关于声明式事务的配置
aijuans
spring事务配置
这两天学到事务管理这一块,结合到之前的terasoluna框架,觉得书本上讲的还是简单阿。我就把我从书本上学到的再结合实际的项目以及网上看到的一些内容,对声明式事务管理做个整理吧。我看得Spring in Action第二版中只提到了用TransactionProxyFactoryBean和<tx:advice/>,定义注释驱动这三种,我承认后两种的内容很好,很强大。但是实际的项目当中
- java 动态代理简单实现
antlove
javahandlerproxydynamicservice
dynamicproxy.service.HelloService
package dynamicproxy.service;
public interface HelloService {
public void sayHello();
}
dynamicproxy.service.impl.HelloServiceImpl
package dynamicp
- JDBC连接数据库
百合不是茶
JDBC编程JAVA操作oracle数据库
如果我们要想连接oracle公司的数据库,就要首先下载oralce公司的驱动程序,将这个驱动程序的jar包导入到我们工程中;
JDBC链接数据库的代码和固定写法;
1,加载oracle数据库的驱动;
&nb
- 单例模式中的多线程分析
bijian1013
javathread多线程java多线程
谈到单例模式,我们立马会想到饿汉式和懒汉式加载,所谓饿汉式就是在创建类时就创建好了实例,懒汉式在获取实例时才去创建实例,即延迟加载。
饿汉式:
package com.bijian.study;
public class Singleton {
private Singleton() {
}
// 注意这是private 只供内部调用
private static
- javascript读取和修改原型特别需要注意原型的读写不具有对等性
bijian1013
JavaScriptprototype
对于从原型对象继承而来的成员,其读和写具有内在的不对等性。比如有一个对象A,假设它的原型对象是B,B的原型对象是null。如果我们需要读取A对象的name属性值,那么JS会优先在A中查找,如果找到了name属性那么就返回;如果A中没有name属性,那么就到原型B中查找name,如果找到了就返回;如果原型B中也没有
- 【持久化框架MyBatis3六】MyBatis3集成第三方DataSource
bit1129
dataSource
MyBatis内置了数据源的支持,如:
<environments default="development">
<environment id="development">
<transactionManager type="JDBC" />
<data
- 我程序中用到的urldecode和base64decode,MD5
bitcarter
cMD5base64decodeurldecode
这里是base64decode和urldecode,Md5在附件中。因为我是在后台所以需要解码:
string Base64Decode(const char* Data,int DataByte,int& OutByte)
{
//解码表
const char DecodeTable[] =
{
0, 0, 0, 0, 0, 0
- 腾讯资深运维专家周小军:QQ与微信架构的惊天秘密
ronin47
社交领域一直是互联网创业的大热门,从PC到移动端,从OICQ、MSN到QQ。到了移动互联网时代,社交领域应用开始彻底爆发,直奔黄金期。腾讯在过去几年里,社交平台更是火到爆,QQ和微信坐拥几亿的粉丝,QQ空间和朋友圈各种刷屏,写心得,晒照片,秀视频,那么谁来为企鹅保驾护航呢?支撑QQ和微信海量数据背后的架构又有哪些惊天内幕呢?本期大讲堂的内容来自今年2月份ChinaUnix对腾讯社交网络运营服务中心
- java-69-旋转数组的最小元素。把一个数组最开始的若干个元素搬到数组的末尾,我们称之为数组的旋转。输入一个排好序的数组的一个旋转,输出旋转数组的最小元素
bylijinnan
java
public class MinOfShiftedArray {
/**
* Q69 旋转数组的最小元素
* 把一个数组最开始的若干个元素搬到数组的末尾,我们称之为数组的旋转。输入一个排好序的数组的一个旋转,输出旋转数组的最小元素。
* 例如数组{3, 4, 5, 1, 2}为{1, 2, 3, 4, 5}的一个旋转,该数组的最小值为1。
*/
publ
- 看博客,应该是有方向的
Cb123456
反省看博客
看博客,应该是有方向的:
我现在就复习以前的,在补补以前不会的,现在还不会的,同时完善完善项目,也看看别人的博客.
我刚突然想到的:
1.应该看计算机组成原理,数据结构,一些算法,还有关于android,java的。
2.对于我,也快大四了,看一些职业规划的,以及一些学习的经验,看看别人的工作总结的.
为什么要写
- [开源与商业]做开源项目的人生活上一定要朴素,尽量减少对官方和商业体系的依赖
comsci
开源项目
为什么这样说呢? 因为科学和技术的发展有时候需要一个平缓和长期的积累过程,但是行政和商业体系本身充满各种不稳定性和不确定性,如果你希望长期从事某个科研项目,但是却又必须依赖于某种行政和商业体系,那其中的过程必定充满各种风险。。。
所以,为避免这种不确定性风险,我
- 一个 sql优化 ([精华] 一个查询优化的分析调整全过程!很值得一看 )
cwqcwqmax9
sql
见 http://www.itpub.net/forum.php?mod=viewthread&tid=239011
Web翻页优化实例
提交时间: 2004-6-18 15:37:49 回复 发消息
环境:
Linux ve
- Hibernat and Ibatis
dashuaifu
Hibernateibatis
Hibernate VS iBATIS 简介 Hibernate 是当前最流行的O/R mapping框架,当前版本是3.05。它出身于sf.net,现在已经成为Jboss的一部分了 iBATIS 是另外一种优秀的O/R mapping框架,当前版本是2.0。目前属于apache的一个子项目了。 相对Hibernate“O/R”而言,iBATIS 是一种“Sql Mappi
- 备份MYSQL脚本
dcj3sjt126com
mysql
#!/bin/sh
# this shell to backup mysql
#
[email protected] (QQ:1413161683 DuChengJiu)
_dbDir=/var/lib/mysql/
_today=`date +%w`
_bakDir=/usr/backup/$_today
[ ! -d $_bakDir ] && mkdir -p
- iOS第三方开源库的吐槽和备忘
dcj3sjt126com
ios
转自
ibireme的博客 做iOS开发总会接触到一些第三方库,这里整理一下,做一些吐槽。 目前比较活跃的社区仍旧是Github,除此以外也有一些不错的库散落在Google Code、SourceForge等地方。由于Github社区太过主流,这里主要介绍一下Github里面流行的iOS库。 首先整理了一份
Github上排名靠
- html wlwmanifest.xml
eoems
htmlxml
所谓优化wp_head()就是把从wp_head中移除不需要元素,同时也可以加快速度。
步骤:
加入到function.php
remove_action('wp_head', 'wp_generator');
//wp-generator移除wordpress的版本号,本身blog的版本号没什么意义,但是如果让恶意玩家看到,可能会用官网公布的漏洞攻击blog
remov
- 浅谈Java定时器发展
hacksin
java并发timer定时器
java在jdk1.3中推出了定时器类Timer,而后在jdk1.5后由Dou Lea从新开发出了支持多线程的ScheduleThreadPoolExecutor,从后者的表现来看,可以考虑完全替代Timer了。
Timer与ScheduleThreadPoolExecutor对比:
1.
Timer始于jdk1.3,其原理是利用一个TimerTask数组当作队列
- 移动端页面侧边导航滑入效果
ini
jqueryWebhtml5cssjavascirpt
效果体验:http://hovertree.com/texiao/mobile/2.htm可以使用移动设备浏览器查看效果。效果使用到jquery-2.1.4.min.js,该版本的jQuery库是用于支持HTML5的浏览器上,不再兼容IE8以前的浏览器,现在移动端浏览器一般都支持HTML5,所以使用该jQuery没问题。HTML文件代码:
<!DOCTYPE html>
<h
- AspectJ+Javasist记录日志
kane_xie
aspectjjavasist
在项目中碰到这样一个需求,对一个服务类的每一个方法,在方法开始和结束的时候分别记录一条日志,内容包括方法名,参数名+参数值以及方法执行的时间。
@Override
public String get(String key) {
// long start = System.currentTimeMillis();
// System.out.println("Be
- redis学习笔记
MJC410621
redisNoSQL
1)nosql数据库主要由以下特点:非关系型的、分布式的、开源的、水平可扩展的。
1,处理超大量的数据
2,运行在便宜的PC服务器集群上,
3,击碎了性能瓶颈。
1)对数据高并发读写。
2)对海量数据的高效率存储和访问。
3)对数据的高扩展性和高可用性。
redis支持的类型:
Sring 类型
set name lijie
get name lijie
set na
- 使用redis实现分布式锁
qifeifei
在多节点的系统中,如何实现分布式锁机制,其中用redis来实现是很好的方法之一,我们先来看一下jedis包中,有个类名BinaryJedis,它有个方法如下:
public Long setnx(final byte[] key, final byte[] value) {
checkIsInMulti();
client.setnx(key, value);
ret
- BI并非万能,中层业务管理报表要另辟蹊径
张老师的菜
大数据BI商业智能信息化
BI是商业智能的缩写,是可以帮助企业做出明智的业务经营决策的工具,其数据来源于各个业务系统,如ERP、CRM、SCM、进销存、HER、OA等。
BI系统不同于传统的管理信息系统,他号称是一个整体应用的解决方案,是融入管理思想的强大系统:有着系统整体的设计思想,支持对所有
- 安装rvm后出现rvm not a function 或者ruby -v后提示没安装ruby的问题
wudixiaotie
function
1.在~/.bashrc最后加入
[[ -s "$HOME/.rvm/scripts/rvm" ]] && source "$HOME/.rvm/scripts/rvm"
2.重新启动terminal输入:
rvm use ruby-2.2.1 --default
把当前安装的ruby版本设为默