- 机器学习知识点复习 上(保研、复试、面试)百面机器学习笔记
机器学习知识点复习上一、特征工程1.为什么需要对数值类型的特征做归一化?2.文本表示模型3.图像数据不足的处理方法二、模型评估1.常见的评估指标2.ROC曲线3.为什么在一些场景中要使用余弦相似度而不是欧氏距离?4.过拟合和欠拟合三、经典算法1.支持向量机SVM2.逻辑回归3.决策树四、降维1.主成分分析(PrinalComponentsAnalysis,PCA)降维中最经典的方法2.线性判别分析
- 【机器学习笔记 Ⅱ】9 模型评估
巴伦是只猫
机器学习机器学习笔记人工智能
评估机器学习模型是确保其在实际应用中有效性和可靠性的关键步骤。以下是系统化的评估方法,涵盖分类、回归、聚类等任务的评估指标和技术:一、分类模型评估1.基础指标2.高级指标ROC-AUC:通过绘制真正例率(TPR)vs假正例率(FPR)曲线下面积评估模型整体性能。AUC=1:完美分类;AUC=0.5:随机猜测。适用于二分类及多分类(OvR或OvO策略)。混淆矩阵:可视化模型在各类别上的具体错误(如将
- 【机器学习笔记 Ⅱ】7 多类分类
巴伦是只猫
机器学习机器学习笔记分类
1.多类分类(Multi-classClassification)定义多类分类是指目标变量(标签)有超过两个类别的分类任务。例如:手写数字识别:10个类别(0~9)。图像分类:区分猫、狗、鸟等。新闻主题分类:政治、经济、体育等。特点互斥性:每个样本仅属于一个类别(区别于多标签分类)。输出要求:模型需输出每个类别的概率分布,且概率之和为1。实现方式One-vs-Rest(OvR):训练K个二分类器(
- 【机器学习笔记 Ⅱ】4 神经网络中的推理
推理(Inference)是神经网络在训练完成后利用学到的参数对新数据进行预测的过程。与训练阶段不同,推理阶段不计算梯度也不更新权重,仅执行前向传播。以下是其实现原理和代码示例的完整解析:1.推理的核心步骤加载训练好的模型参数(权重和偏置)。前向传播:输入数据逐层计算,得到输出。后处理:根据任务类型解析输出(如分类取概率最大值,回归直接输出)。2.代码实现(Python+NumPy)(1)定义模型
- 【机器学习笔记 Ⅲ】3 异常检测算法
巴伦是只猫
机器学习机器学习笔记算法
异常检测算法(AnomalyDetection)详解异常检测是识别数据中显著偏离正常模式的样本(离群点)的技术,广泛应用于欺诈检测、故障诊断、网络安全等领域。以下是系统化的解析:1.异常类型类型描述示例点异常单个样本明显异常信用卡交易中的天价消费上下文异常在特定上下文中异常(如时间序列)夏季气温突降至零下集体异常一组相关样本联合表现为异常网络流量中突然的DDOS攻击流量2.常用算法(1)基于统计的
- 【机器学习笔记 Ⅲ】4 特征选择
巴伦是只猫
机器学习机器学习笔记人工智能
特征选择(FeatureSelection)系统指南特征选择是机器学习中优化模型性能的关键步骤,通过筛选最相关、信息量最大的特征,提高模型精度、降低过拟合风险并加速训练。以下是完整的特征选择方法论:1.特征选择的核心目标提升模型性能:去除噪声和冗余特征,增强泛化能力。降低计算成本:减少训练和预测时间。增强可解释性:简化模型,便于业务理解。2.特征选择方法分类(1)过滤法(FilterMethods
- 机器学习笔记二-回归
回归是统计学和机器学习中的一种基本方法,用于建模变量之间的关系,特别是用一个或多个自变量(输入变量)来预测一个因变量(输出变量)的值。回归分析广泛应用于预测、趋势分析和关联研究中。根据目标和数据的性质,可以使用不同类型的回归方法。1.回归的基本概念:自变量(IndependentVariable):也称为预测变量、解释变量,是模型中的输入变量,用于预测或解释因变量的变化。因变量(Dependent
- 【机器学习笔记 Ⅱ】11 决策树模型
巴伦是只猫
机器学习机器学习笔记决策树
决策树模型(DecisionTree)详解决策树是一种树形结构的监督学习模型,通过一系列规则对数据进行分类或回归。其核心思想是模仿人类决策过程,通过不断提问(基于特征划分)逐步逼近答案。1.核心概念节点类型:根节点:起始问题(最佳特征划分点)。内部节点:中间决策步骤(特征判断)。叶节点:最终预测结果(类别或数值)。分支:对应特征的取值或条件判断(如“年龄≥30?”)。2.构建决策树的关键步骤(1)
- 【机器学习笔记 Ⅱ】10 完整周期
机器学习的完整生命周期(End-to-EndPipeline)机器学习的完整周期涵盖从问题定义到模型部署的全过程,以下是系统化的步骤分解和关键要点:1.问题定义(ProblemDefinition)目标:明确业务需求与机器学习任务的匹配性。关键问题:这是分类、回归、聚类还是强化学习问题?成功的标准是什么?(如准确率>90%、降低10%成本)输出:项目目标文档(含评估指标)。2.数据收集(DataC
- 【机器学习笔记Ⅰ】13 正则化代价函数
正则化代价函数(RegularizedCostFunction)详解正则化代价函数是机器学习中用于防止模型过拟合的核心技术,通过在原始代价函数中添加惩罚项,约束模型参数的大小,从而提高泛化能力。以下是系统化的解析:1.为什么需要正则化?过拟合问题:当模型过于复杂(如高阶多项式回归、深度神经网络)时,可能完美拟合训练数据但泛化性能差。解决方案:在代价函数中增加对参数的惩罚,抑制不重要的特征权重。2.
- 【机器学习笔记Ⅰ】6 多类特征
巴伦是只猫
机器学习机器学习笔记人工智能
多类特征(Multi-classFeatures)详解多类特征是指一个特征(变量)可以取多个离散的类别值,且这些类别之间没有内在的顺序关系。这类特征是机器学习中常见的数据类型,尤其在分类和回归问题中需要特殊处理。1.核心概念(1)什么是多类特征?定义:特征是离散的、有限的类别,且类别之间无大小或顺序关系。示例:颜色:红、绿、蓝(无顺序)。城市:北京、上海、广州(无数学意义的大小关系)。动物类别:猫
- 机器学习笔记——支持向量机
star_and_sun
机器学习笔记支持向量机
支持向量机参数模型对分布需要假设(这也是与非参数模型的区别之一)间隔最大化,形式转化为凸二次规划问题最大化间隔间隔最大化是意思:对训练集有着充分大的确信度来分类训练数据,最难以分的点也有足够大的信度将其分开间隔最大化的分离超平面的的求解怎么求呢?最终的方法如下1.线性可分的支持向量机的优化目标其实就是找得到分离的的超平面求得参数w和b的值就可以了注意,最大间隔分离超平面是唯一的,间隔叫硬间隔1.1
- 【机器学习笔记Ⅰ】7 向量化
巴伦是只猫
机器学习机器学习笔记人工智能
向量化(Vectorization)详解向量化是将数据或操作转换为向量(或矩阵)形式,并利用并行计算高效处理的技术。它是机器学习和数值计算中的核心优化手段,能显著提升代码运行效率(尤其在Python中避免显式循环)。1.为什么需要向量化?(1)传统循环的缺陷低效:Python的for循环逐元素操作,速度慢。代码冗长:需手动处理每个元素。示例:计算两个数组的点积(非向量化)a=[1,2,3]b=[4
- 机器学习笔记:MATLAB实践
techDM
机器学习笔记matlabMatlab
在机器学习领域,MATLAB是一种功能强大且广泛使用的工具,它提供了许多内置函数和工具箱,方便开发者进行各种机器学习任务。本文将介绍一些常见的机器学习任务,并提供相应的MATLAB源代码示例。数据预处理在进行机器学习之前,通常需要对原始数据进行预处理。这包括数据清洗、特征选择、特征缩放和数据划分等步骤。%导入数据data=readmatrix('data.csv');%数据清洗cleaned_da
- 机器学习笔记【Week9】
kuiini
人工智能机器学习人工智能
一、异常检测问题动机在现实中,我们经常会遇到“异常检测”的任务:识别罕见、异常、不符合正常模式的数据点。例:工业设备故障检测,银行欺诈识别,异常流量检测等。核心特点:异常样本稀少,难以用监督学习训练模型。二、高斯分布建立算法前,需要假设每个特征满足高斯(正态)分布。在单一特征xjx_jxj上:p(xj;μj,σj2)=12π σjexp(−(xj−μj)22σj2)p(x_j;\mu_j,\si
- 吴恩达机器学习笔记(1)—引言
大饼酥
人工智能机器学习人工智能吴恩达
目录一、欢迎二、机器学习是什么三、监督学习四、无监督学习一、欢迎机器学习是当前信息技术领域中最令人兴奋的方向之一。在这门课程中,你不仅会学习机器学习的前沿知识,还将亲手实现相关算法,从而深入理解其内部机理。事实上,机器学习已广泛渗透进我们的日常生活。例如,每次你使用Google、Bing进行搜索,或用Facebook、Apple的图像识别功能识别朋友,甚至邮箱中的垃圾邮件过滤器,背后都离不开机器学
- 斯坦福CS229机器学习笔记-Lecture2-线性回归+梯度下降+正规方程组
Teeyohuang
机器学习CS229-吴恩达机器学习笔记CS229吴恩达机器学习
声明:此系列博文根据斯坦福CS229课程,吴恩达主讲所写,为本人自学笔记,写成博客分享出来博文中部分图片和公式都来源于CS229官方notes。CS229的视频和讲义均为互联网公开资源Lecture2这一节主要讲的是三个部分的内容:·LinearRegression(线性回归)·GradientDescent(梯度下降)·NormalEquations(正规方程组)1、线性回归首先给了一个例子,如
- 机器学习笔记 周志华 第一章绪论
Olivia_ll
learningnotemachinelearningmachinelearning
概念和术语属性空间(attributespace)/样本空间(samplespace)/输入空间:属性张成的空间特征向量(featurevector):一个示例标记(label):关于示例结果的信息样例(example):拥有了标记信息的示例标记空间(labelspace)/输出空间:所有标记的集合监督学习(supervisedlearning)分类(classification)——预测离散值回
- 机器学习笔记【Week6】
kuiini
人工智能机器学习人工智能
一、模型结果下一步训练模型得到结果后,常面临:模型性能不理想,下一步如何改进?通过对训练误差和验证误差的观察,判断是高偏差(欠拟合)还是高方差(过拟合)。一般步骤:计算训练误差和验证误差,不包含正则项。判断两者的大小和差距。根据判断选择策略:情况训练误差验证误差结论改进方向欠拟合(高偏差)高高模型能力不足增加特征,减小正则化过拟合(高方差)低高泛化能力差增加训练数据,增加正则化二、评估假设的误差训
- 机器学习笔记:时域和频域变换
灰暗世界%
机器学习笔记机器学习笔记人工智能
加窗操作使用内置的STFT/ISTFT接口这种方法利用torch.stft(内部采用rfft)和torch.istft完成变换,同时借助加窗(例如Hann窗)保证帧内加窗并采用重叠相加(常用50%重叠)实现完美重构。窗口长度可以灵活设置,例如64或32。这种方式利用了PyTorch内置的STFT与ISTFT函数,它们内部使用了rfft/irfft,同时支持加窗并且能够保证重构出的信号长度与输入一致
- 机器学习笔记——特征工程
好评笔记
机器学习人工智能深度学习AIGC算法岗校招实习
大家好,这里是好评笔记,公主号:Goodnote,专栏文章私信限时Free。本笔记介绍机器学习中常见的特征工程方法、正则化方法和简要介绍强化学习。文章目录特征工程(FzeatureEngineering)1.特征提取(FeatureExtraction)手工特征提取(ManualFeatureExtraction):自动特征提取(AutomatedFeatureExtraction):2.特征选择
- AIGC视频生成模型:ByteDance的PixelDance模型
好评笔记
AIGC深度学习人工智能计算机视觉机器学习transformer论文阅读
大家好,这里是好评笔记,公主号:Goodnote,专栏文章私信限时Free。本文详细介绍ByteDance的视频生成模型PixelDance,论文于2023年11月发布,模型上线于2024年9月,同时期上线的模型还有Seaweed(论文未发布)。热门专栏机器学习机器学习笔记合集深度学习深度学习笔记合集优质专栏回顾:机器学习笔记深度学习笔记多模态论文笔记AIGC—图像文章目录热门专栏机器学习深度学习
- Meta的AIGC视频生成模型——Emu Video
好评笔记
AIGC深度学习人工智能机器学习transformer校招面试八股
大家好,这里是好评笔记,公主号:Goodnote,专栏文章私信限时Free。本文详细介绍Meta的视频生成模型EmuVideo,作为Meta发布的第二款视频生成模型,在视频生成领域发挥关键作用。优质专栏回顾:机器学习笔记深度学习笔记多模态论文笔记AIGC—图像文章目录论文摘要引言相关工作文本到图像(T2I)扩散模型视频生成/预测文本到视频(T2V)生成分解生成方法预备知识EmuVideo生成步骤图
- Python机器学习笔记(二十五、算法链与管道)
FreedomLeo1
Python机器学习机器学习算法pythonmake_pipelinePipelinenamed_steps属性
对于许多机器学习算法,特定数据表示非常重要。首先对数据进行缩放,然后手动合并特征,再利用无监督机器学习来学习特征。因此,大多数机器学习应用不仅需要应用单个算法,而且还需要将许多不同的处理步骤和机器学习模型链接在一起。Pipeline类可以用来简化构建变换和模型链的过程。将Pipeline和GridSearchCV结合起来,可以同时搜索所有处理步骤中的参数。举例:使用MinMaxScaler对can
- Python机器学习笔记(二十三 模型评估与改进-网格搜索)
FreedomLeo1
Python机器学习机器学习python支持向量机交叉验证网格搜索scikit-learn
上一次学习了评估一个模型的泛化能力,现在继续学习通过调参来提升模型的泛化性能。scikit-learn中许多算法的参数设置,在尝试调参之前,重要的是要理解参数的含义。找到一个模型的重要参数(提供最佳泛化性能的参数)的取值是一项棘手的任务,但对于几乎所有模型和数据集来说都是必要的。scikit-learn中有一些标准方法可以帮我们完成调参。最常用的方法就是网格搜索(gridsearch),它主要是指
- 吴恩达机器学习笔记:特征与多项式回归
ちゆきー
机器学习笔记回归
1.特征和多项式回归如房价预测问题,ℎθ(x)=θ0+θ1×frontage+θ2×deptℎx1=frontage(临街宽度),x2=deptℎ(纵向深度),x=frontage∗deptℎ=area(面积),则:hθ(x)=θ0+θ1xh_\theta(x)=\theta_0+\theta_1xhθ(x)=θ0+θ1x线性回归并不适用于所有数据,有时我们需要曲线来适应我们的数据,比如一个二次方
- 吴恩达机器学习笔记:多维梯度下降实践
ちゆきー
机器学习笔记计算机视觉
1.特征放缩在我们面对多维特征问题的时候,我们要保证这些特征都具有相近的尺度,这将帮助梯度下降算法更快地收敛。以房价问题为例,假设我们使用两个特征,房屋的尺寸和房间的数量,尺寸的值为0-2000平方英尺,而房间数量的值则是0-5,以两个参数分别为横纵坐标,绘制代价函数的等高线图能看出图像会显得很扁,梯度下降算法需要非常多次的迭代才能收敛。解决的方法是尝试将所有特征的尺度都尽量缩放到-1到1之间。如
- 吴恩达机器学习笔记:监督学习
ちゆきー
机器学习笔记学习
1.回归我们用一个例子介绍什么是监督学习把正式的定义放在后面介绍。假如说你想预测房价。前阵子,一个学生从波特兰俄勒冈州的研究所收集了一些房价的数据。你把这些数据画出来,看起来是这个样子:横轴表示房子的面积,单位是平方英尺,纵轴表示房价,单位是千美元。那基于这组数据,假如你有一个朋友,他有一套750平方英尺房子,现在他希望把房子卖掉,他想知道这房子能卖多少钱。我们应用学习算法,可以在这组数据中画一条
- 大连理工大学选修课——机器学习笔记(7):集成学习及随机森林
江安的猪猪
大连理工大学选修:机器学习机器学习笔记集成学习
集成学习及随机森林集成学习概述泛化能力的局限每种学习模型的能力都有其上限限制于特定结构受限于训练样本的质量和规模如何再提高泛化能力?研究新结构扩大训练规模提升模型的泛化能力创造性思路组合多个学习模型集成学习集成学习不是特定的学习模型,而实一种构建模型的思路,一种训练学习的思想强可学习和弱可学习强可学习:对于一个概念或者一个类,如果存在一个多项式学习算法可以学习它,正确率高,则该概念是强可学习的。弱
- 机器学习笔记:python中使用sklearn的linear_model回归预测
代码先觉
pythonpythonsklearn
fromsklearnimportlinear_model#LinearRegression拟合一个带有系数w=(w_1,...,w_p)的线性模型,#使得数据集实际观测数据和预测数据(估计值)之间的残差平方和最小。reg=linear_model.LinearRegression()reg.fit([[0,0],[1,2],[2,4]],[0,1,2])print(reg.coef_)print
- ztree设置禁用节点
3213213333332132
JavaScriptztreejsonsetDisabledNodeAjax
ztree设置禁用节点的时候注意,当使用ajax后台请求数据,必须要设置为同步获取数据,否者会获取不到节点对象,导致设置禁用没有效果。
$(function(){
showTree();
setDisabledNode();
});
- JVM patch by Taobao
bookjovi
javaHotSpot
在网上无意中看到淘宝提交的hotspot patch,共四个,有意思,记录一下。
7050685:jsdbproc64.sh has a typo in the package name
7058036:FieldsAllocationStyle=2 does not work in 32-bit VM
7060619:C1 should respect inline and
- 将session存储到数据库中
dcj3sjt126com
sqlPHPsession
CREATE TABLE sessions (
id CHAR(32) NOT NULL,
data TEXT,
last_accessed TIMESTAMP NOT NULL,
PRIMARY KEY (id)
);
<?php
/**
* Created by PhpStorm.
* User: michaeldu
* Date
- Vector
171815164
vector
public Vector<CartProduct> delCart(Vector<CartProduct> cart, String id) {
for (int i = 0; i < cart.size(); i++) {
if (cart.get(i).getId().equals(id)) {
cart.remove(i);
- 各连接池配置参数比较
g21121
连接池
排版真心费劲,大家凑合看下吧,见谅~
Druid
DBCP
C3P0
Proxool
数据库用户名称 Username Username User
数据库密码 Password Password Password
驱动名
- [简单]mybatis insert语句添加动态字段
53873039oycg
mybatis
mysql数据库,id自增,配置如下:
<insert id="saveTestTb" useGeneratedKeys="true" keyProperty="id"
parameterType=&
- struts2拦截器配置
云端月影
struts2拦截器
struts2拦截器interceptor的三种配置方法
方法1. 普通配置法
<struts>
<package name="struts2" extends="struts-default">
&
- IE中页面不居中,火狐谷歌等正常
aijuans
IE中页面不居中
问题是首页在火狐、谷歌、所有IE中正常显示,列表页的页面在火狐谷歌中正常,在IE6、7、8中都不中,觉得可能那个地方设置的让IE系列都不认识,仔细查看后发现,列表页中没写HTML模板部分没有添加DTD定义,就是<!DOCTYPE html PUBLIC "-//W3C//DTD XHTML 1.0 Transitional//EN" "http://www.w3
- String,int,Integer,char 几个类型常见转换
antonyup_2006
htmlsql.net
如何将字串 String 转换成整数 int?
int i = Integer.valueOf(my_str).intValue();
int i=Integer.parseInt(str);
如何将字串 String 转换成Integer ?
Integer integer=Integer.valueOf(str);
如何将整数 int 转换成字串 String ?
1.
- PL/SQL的游标类型
百合不是茶
显示游标(静态游标)隐式游标游标的更新和删除%rowtyperef游标(动态游标)
游标是oracle中的一个结果集,用于存放查询的结果;
PL/SQL中游标的声明;
1,声明游标
2,打开游标(默认是关闭的);
3,提取数据
4,关闭游标
注意的要点:游标必须声明在declare中,使用open打开游标,fetch取游标中的数据,close关闭游标
隐式游标:主要是对DML数据的操作隐
- JUnit4中@AfterClass @BeforeClass @after @before的区别对比
bijian1013
JUnit4单元测试
一.基础知识
JUnit4使用Java5中的注解(annotation),以下是JUnit4常用的几个annotation: @Before:初始化方法 对于每一个测试方法都要执行一次(注意与BeforeClass区别,后者是对于所有方法执行一次)@After:释放资源 对于每一个测试方法都要执行一次(注意与AfterClass区别,后者是对于所有方法执行一次
- 精通Oracle10编程SQL(12)开发包
bijian1013
oracle数据库plsql
/*
*开发包
*包用于逻辑组合相关的PL/SQL类型(例如TABLE类型和RECORD类型)、PL/SQL项(例如游标和游标变量)和PL/SQL子程序(例如过程和函数)
*/
--包用于逻辑组合相关的PL/SQL类型、项和子程序,它由包规范和包体两部分组成
--建立包规范:包规范实际是包与应用程序之间的接口,它用于定义包的公用组件,包括常量、变量、游标、过程和函数等
--在包规
- 【EhCache二】ehcache.xml配置详解
bit1129
ehcache.xml
在ehcache官网上找了多次,终于找到ehcache.xml配置元素和属性的含义说明文档了,这个文档包含在ehcache.xml的注释中!
ehcache.xml : http://ehcache.org/ehcache.xml
ehcache.xsd : http://ehcache.org/ehcache.xsd
ehcache配置文件的根元素是ehcahe
ehcac
- java.lang.ClassNotFoundException: org.springframework.web.context.ContextLoaderL
白糖_
javaeclipsespringtomcatWeb
今天学习spring+cxf的时候遇到一个问题:在web.xml中配置了spring的上下文监听器:
<listener>
<listener-class>org.springframework.web.context.ContextLoaderListener</listener-class>
</listener>
随后启动
- angular.element
boyitech
AngularJSAngularJS APIangular.element
angular.element
描述: 包裹着一部分DOM element或者是HTML字符串,把它作为一个jQuery元素来处理。(类似于jQuery的选择器啦) 如果jQuery被引入了,则angular.element就可以看作是jQuery选择器,选择的对象可以使用jQuery的函数;如果jQuery不可用,angular.e
- java-给定两个已排序序列,找出共同的元素。
bylijinnan
java
import java.util.ArrayList;
import java.util.Arrays;
import java.util.List;
public class CommonItemInTwoSortedArray {
/**
* 题目:给定两个已排序序列,找出共同的元素。
* 1.定义两个指针分别指向序列的开始。
* 如果指向的两个元素
- sftp 异常,有遇到的吗?求解
Chen.H
javajcraftauthjschjschexception
com.jcraft.jsch.JSchException: Auth cancel
at com.jcraft.jsch.Session.connect(Session.java:460)
at com.jcraft.jsch.Session.connect(Session.java:154)
at cn.vivame.util.ftp.SftpServerAccess.connec
- [生物智能与人工智能]神经元中的电化学结构代表什么?
comsci
人工智能
我这里做一个大胆的猜想,生物神经网络中的神经元中包含着一些化学和类似电路的结构,这些结构通常用来扮演类似我们在拓扑分析系统中的节点嵌入方程一样,使得我们的神经网络产生智能判断的能力,而这些嵌入到节点中的方程同时也扮演着"经验"的角色....
我们可以尝试一下...在某些神经
- 通过LAC和CID获取经纬度信息
dai_lm
laccid
方法1:
用浏览器打开http://www.minigps.net/cellsearch.html,然后输入lac和cid信息(mcc和mnc可以填0),如果数据正确就可以获得相应的经纬度
方法2:
发送HTTP请求到http://www.open-electronics.org/celltrack/cell.php?hex=0&lac=<lac>&cid=&
- JAVA的困难分析
datamachine
java
前段时间转了一篇SQL的文章(http://datamachine.iteye.com/blog/1971896),文章不复杂,但思想深刻,就顺便思考了一下java的不足,当砖头丢出来,希望引点和田玉。
-----------------------------------------------------------------------------------------
- 小学5年级英语单词背诵第二课
dcj3sjt126com
englishword
money 钱
paper 纸
speak 讲,说
tell 告诉
remember 记得,想起
knock 敲,击,打
question 问题
number 数字,号码
learn 学会,学习
street 街道
carry 搬运,携带
send 发送,邮寄,发射
must 必须
light 灯,光线,轻的
front
- linux下面没有tree命令
dcj3sjt126com
linux
centos p安装
yum -y install tree
mac os安装
brew install tree
首先来看tree的用法
tree 中文解释:tree
功能说明:以树状图列出目录的内容。
语 法:tree [-aACdDfFgilnNpqstux][-I <范本样式>][-P <范本样式
- Map迭代方式,Map迭代,Map循环
蕃薯耀
Map循环Map迭代Map迭代方式
Map迭代方式,Map迭代,Map循环
>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>
蕃薯耀 2015年
- Spring Cache注解+Redis
hanqunfeng
spring
Spring3.1 Cache注解
依赖jar包:
<!-- redis -->
<dependency>
<groupId>org.springframework.data</groupId>
<artifactId>spring-data-redis</artifactId>
- Guava中针对集合的 filter和过滤功能
jackyrong
filter
在guava库中,自带了过滤器(filter)的功能,可以用来对collection 进行过滤,先看例子:
@Test
public void whenFilterWithIterables_thenFiltered() {
List<String> names = Lists.newArrayList("John"
- 学习编程那点事
lampcy
编程androidPHPhtml5
一年前的夏天,我还在纠结要不要改行,要不要去学php?能学到真本事吗?改行能成功吗?太多的问题,我终于不顾一切,下定决心,辞去了工作,来到传说中的帝都。老师给的乘车方式还算有效,很顺利的就到了学校,赶巧了,正好学校搬到了新校区。先安顿了下来,过了个轻松的周末,第一次到帝都,逛逛吧!
接下来的周一,是我噩梦的开始,学习内容对我这个零基础的人来说,除了勉强完成老师布置的作业外,我已经没有时间和精力去
- 架构师之流处理---------bytebuffer的mark,limit和flip
nannan408
ByteBuffer
1.前言。
如题,limit其实就是可以读取的字节长度的意思,flip是清空的意思,mark是标记的意思 。
2.例子.
例子代码:
String str = "helloWorld";
ByteBuffer buff = ByteBuffer.wrap(str.getBytes());
Sy
- org.apache.el.parser.ParseException: Encountered " ":" ": "" at line 1, column 1
Everyday都不同
$转义el表达式
最近在做Highcharts的过程中,在写js时,出现了以下异常:
严重: Servlet.service() for servlet jsp threw exception
org.apache.el.parser.ParseException: Encountered " ":" ": "" at line 1,
- 用Java实现发送邮件到163
tntxia
java实现
/*
在java版经常看到有人问如何用javamail发送邮件?如何接收邮件?如何访问多个文件夹等。问题零散,而历史的回复早已经淹没在问题的海洋之中。
本人之前所做过一个java项目,其中包含有WebMail功能,当初为用java实现而对javamail摸索了一段时间,总算有点收获。看到论坛中的经常有此方面的问题,因此把我的一些经验帖出来,希望对大家有些帮助。
此篇仅介绍用
- 探索实体类存在的真正意义
java小叶檀
POJO
一. 实体类简述
实体类其实就是俗称的POJO,这种类一般不实现特殊框架下的接口,在程序中仅作为数据容器用来持久化存储数据用的
POJO(Plain Old Java Objects)简单的Java对象
它的一般格式就是
public class A{
private String id;
public Str