- 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
- 机器学习算法笔记-逻辑回归
diudiu~bo
机器学习经典算法算法机器学习概率论
逻辑回归(LR)我的理解是,逻辑回归就是以改进的线性回归的方法求分类,改进的内容就是引入了非线性函数,最常用的就是sigmoid函数。如下图就是sigmoid函数,横轴z=0时,纵轴g(z)=0.5,z趋向于负无穷时,g(z)趋向于0,z趋向于正无穷时,g(z)趋向于1。其中z=thetaT*X,g(z)表示概率,逻辑回归目标函数的推导见下图。逻辑回归最经典的是二分类函数,二分类回归常用的损失函数
- 机器学习算法笔记:贝叶斯线性回归
xiaochengJF
机器学习机器学习
文章目录贝叶斯线性回归推断预测参考文献贝叶斯线性回归线性回归当噪声为高斯分布的时候,最小二乘损失导出的结果相当于对概率模型应用MLE,引入参数先验分布是高斯分布,那么MAP的结果相当于岭回归的正则化,如果先验是拉普拉斯分布,那么相当于Lasso的正则化。利用贝叶斯方法来求解参数的后验分布,线性回归的模型假设为:f(x)=wTxy=f(x)+εε∼N(0,σ2)\begin{aligned}f(x)
- ML机器学习算法笔记
l_aiya
机器学习算法python
文章目录5.2数据预处理5.2.1缺失值处理5.2.2数据规范化5.2.3主成分分析5.3线性回归(回归模型)5.4逻辑回归(分类模型)5.5神经网络5.5.3Python神经网络分类应用5.5.4Python神经网络回归应用5.6支持向量机核函数选择:5.7K-均值聚类PythonK-均值聚类算法应用5.2数据预处理5.2.1缺失值处理importpandasaspdimportnumpyasn
- 机器学习算法笔记:GMM高斯混合模型
xiaochengJF
机器学习机器学习
文章目录高斯混合模型极大似然估计EM求解GMM参考文献高斯混合模型为了解决高斯模型的单峰性的问题,引入多个高斯模型的加权平均来拟合多峰数据:p(x)=∑k=1KαkN(μk,Σk)p(x)=\sum\limits_{k=1}^K\alpha_k\mathcal{N}(\mu_k,\Sigma_k)p(x)=k=1∑KαkN(μk,Σk)引入隐变量zzz,表示对应样本xxx属于哪一个高斯分布,该变量
- 【机器学习算法笔记】6. 降维与主分量分析(PCA)
tostq
机器学习机器学习算法笔记机器学习算法PCA降维
【机器学习算法笔记】6.降维与主分量分析(PCA)6.1PCA算法特征选择问题是指将数据空间变换到特征空间,我们希望设计一种变换使得数据集由维数较少的有效特征来表示。PCA是最常用的线性降维方法,它的目标是通过某种线性投影,将高维的数据映射到低维的空间中表示,并期望在所投影的维度上数据的方差最大,以此使用较少的数据维度,同时保留住较多的原数据点的特性。通俗的理解,如果把所有的点都映射到一起,那么几
- 机器学习算法笔记-决策树
diudiu~bo
机器学习经典算法算法决策树sklearn
决策树(DT)树模型如何切分特征衡量标准如何选择特征衡量决策树不纯度的方法剪枝策略树模型决策树:从根节点开始一步步走到叶子节点(决策)所有的数据最终都会落到叶子节点,既可以分类也可以回归。决策树对于特征判断的顺序比较严格,如果判断顺序不同,最终的结果可能不同树的组成:根节点、非叶子结点与分支、叶子节点如何切分特征衡量标准熵:表示随机变量不确定性的度量,即混乱程度。不确定性越大,得到的熵值也就越大。
- 【机器学习算法笔记】5. 自组织映射SOM
tostq
机器学习机器学习算法笔记机器学习算法SOM自组织映射
【机器学习算法笔记】5.自组织映射SOM自组织映射是一类非监督学习算法自组织原则:1、自增强:如果两个神经元是同时激活的,则突触强度会选择性地增强;如果是异步激活的,突触强度会减弱2、竞争原则:可用资源的局限使得最强健增长的突触是以其他神经元作为代价的3、协作:在神经元级别中,对突触权值的修改趋于互相合作。4、结构化信息:在一个输入信号中存在的潜在次序和结构代表了冗余信息,其通过自组织系统以知识的
- 机器学习算法笔记:降维
xiaochengJF
机器学习机器学习
文章目录降维线性降维-主成分分析PCA原始空间重构最大投影方差最小重构距离SVD与PCoAP-PCA参考文献降维解决过拟合问题除正则化和添加数据外,降维就是最好的方法。一个nnn维球的体积可表示为:CRnCR^nCRn那么在球体积与边长为2R2R2R的超立方体比值为:limn→0CRn2nRn=0\lim\limits_{n\rightarrow0}\frac{CR^n}{2^nR^n}=0n→
- 机器学习算法笔记之5:支持向量机SVM
marsjhao
机器学习/深度学习机器学习svm核函数KKT条件
一、概述支持向量机(SupportVectorMachine,SVM)的基本模型是定义在特征空间上间隔最大的线性分类器,它是一种二分类模型,当采用了适当的核技巧后,支持向量机可以用于非线性分类。(1)线性可分支持向量机(硬间隔支持向量机):当训练数据线性可分时,通过硬间隔最大化,可以学得一个线性可分支持向量机。(2)线性支持向量机(软间隔支持向量机):当训练数据近似线性可分时,通过软间隔最大化,学
- 机器学习算法笔记-线性回归的实验过程
diudiu~bo
机器学习经典算法深度学习机器学习线性代数
线性回归的实验过程参数直接求解方法数据预处理梯度下降模块学习率对结果的影响学习率衰减3种策略的对比多项式回归模型复杂度样本数量对实验的影响正则化的作用参数直接求解方法如下图所示,根据目标函数的极值可以直接求出参数theta的表达式,用这种方法也可以直接求出线性回归的最终结果,但是这种方法并非适用于所有数据,因为theta的求解公式中包含了特征矩阵的逆矩阵,求解逆矩阵是有前提条件的,不是所有的矩阵都
- 机器学习算法笔记
_爱碎碎碎碎念
这是我的第一篇笔记,主要用来归纳几种经典的机器学习算法的思想、适用性、优缺点等。主要是失业在家,需要每天给自己点任务,接受大家监督。序言一些基础知识的引入,但是并没有递进关系。判别式和生成式模型机器学习方法按照训练数据有无标签将算法分成有监督和无监督的算法,这个概念浅显易懂就不多说。但是最近刷互联网公司的真题时多次预测判别式和生成式模型,就有必要提一提。判别式模型和生成式模型都是有监督的学习方法,
- 混淆矩阵
竹林皓月
机器学习算法笔记(二十七):混淆矩阵、精准率与召回率、F1Score转自:https://louyu.site/articles/machine-learning/2019/09/?p=1907/对于回归问题来说,评论算法的好坏我们讨论过MSE、MAE、RMSE、RSquared。但对于分类算法的评价,我们在前面始终使用“分类准确度”这一个指标。实际上分配准确度在评价分类算法的时候是存在问题的,这
- 【机器学习算法笔记】2. 学习算法与最小均方算法(LMS)
tostq
机器学习机器学习算法笔记
【机器学习算法笔记】2.学习算法与最小均方算法(LMS)最小均方算法是一个非常流行的在线学习算法。其是建立在自适应滤波和自适应调整权重上的。2.1迭代下降思想三种以迭代下降思想为基础的无约束最优化方法:2.1.1最速下降法:在最速下降法中,对权值向量的调整是在最速下降的方向进行的,即它是与梯度向量方向相反的,梯度向量记为:最速下降法一般表示为:其原理是根据一阶泰勒展开式:2.1.2牛顿法:牛顿法是
- 机器学习算法笔记:RBM受限玻尔兹曼机
xiaochengJF
机器学习
文章目录玻尔兹曼机受限玻尔兹曼机推断BinaryRBM参考文献玻尔兹曼机玻尔兹曼机是一种存在隐节点的无向图模型。在图模型中最简单的是朴素贝叶斯模型(朴素贝叶斯假设),引入单个隐变量后,发展出了GMM,如果单个隐变量变成序列的隐变量,就得到了状态空间模型(引入齐次马尔可夫假设和观测独立假设就有HMM,KalmanFilter,ParticleFilter),为了引入观测变量之间的关联,引入了一种最大
- 机器学习算法笔记:目录
xiaochengJF
机器学习
机器学习算法笔记前面大部分来源:【机器学习】【白板推导系列】【合集1~23】,笔记主要参考Bilibili-机器学习白板系列,其它参考的大部分资料也均已列出,纯属个人笔记,如有不当之处,见谅!机器学习算法笔记代码谱聚类LDS线性动态系统(卡尔曼滤波)贝叶斯线性回归RBM受限玻尔兹曼机ParticleFilter粒子滤波降维HMM隐马尔可夫模型SVM支持向量机线性分类GMM高斯混合模型EM期望最大M
- 【机器学习算法笔记系列】逻辑回归(LR)算法详解和实战
fpzRobert
机器学习
逻辑回归(LR)算法概述逻辑回归(LogisticRegression)是用于处理因变量为分类变量的回归问题,常见的是二分类或二项分布问题,也可以处理多分类问题,它实际上是属于一种分类方法。逻辑回归算法原理预测函数和决策边界逻辑回归的预测函数可以表示为:举一个例子,假设我们有许多样本,并在图中表示出来了,并且假设我们已经通过某种方法求出了LR模型的参数(如下图):这时,直线上方所有样本都是正样本y
- 机器学习算法笔记Ⅳ——主成分分析原理及应用
DeepHao
机器学习算法笔记
文章目录PCA算法简介相关矩阵原理特征值与特征向量正定矩阵与正交向量PCA原理推导函数求解PCA算法流程PCAmatlab计算PCA实现鸢尾花分类PCA数据降维处理KNN实现分类效果总结PCA算法简介主成分分析(英语:Principalcomponentsanalysis,PCA)是在不损失或者不很损失原始数据信息的情况下将一个多维数据进行降维处理,其中降维有两个目的:◆减少输入信息,突出特征信息
- 【机器学习算法笔记系列】朴素贝叶斯(NB)算法详解和实战
fpzRobert
机器学习
朴素贝叶斯(NB)算法概述朴素贝叶斯(NaïveBayes,NB)算法,是一种基于贝叶斯定理与特征条件独立假设的分类方法。朴素:特征条件独立;贝叶斯:基于贝叶斯定理。属于监督学习的生成模型,实现简单,并有坚实的数学理论(即贝叶斯定理)作为支撑。在大量样本下会有较好的表现,不适用于输入向量的特征条件有关联的场景。朴素贝叶斯算法原理贝叶斯定理条件概率:就是事件AAA在另外一个事件BBB已经发生条件下的
- 机器学习算法笔记之K近邻算法(KNeighborsClassifier)
smallcases
pythonsklearn
介绍:在sklearn库中,KNeighborsClassifier是实现K近邻算法的一个类,一般都使用欧式距离进行测量。这个类的结构如下:sklearn.neighbors.KNeighborsClassifierclasssklearn.neighbors.KNeighborsClassifier(n_neighbors=5,weights=’uniform’,algorithm=’auto’
- 机器学习算法笔记:LDS线性动态系统(卡尔曼滤波)
xiaochengJF
机器学习
文章目录线性动态系统模型定义LDS滤波递推公式PredictionUpdate参考文献线性动态系统动态系统两大问题:{LearningInference:p(Z∣X){decoding→HMM (维特比)probofevidence→p(O∣λ)(前向/后向)filtering: p(zt∣x1,x2,⋯ ,xt)smoothing: p(zt∣x1,x2,⋯ ,xT)(
- 【机器学习算法笔记系列】K-近邻(KNN)算法详解和实战
fpzRobert
机器学习数据挖掘
KNN算法算法概述K最近邻(K-NearestNeighbor,KNN)算法,是著名的模式识别统计学方法,在机器学习分类算法中占有相当大的地位。它是一个理论上比较成熟的方法。既是最简单的机器学习算法之一,也是基于实例的学习方法中最基本的,又是最好的文本分类算法之一。算法原理:“近朱者赤近墨者黑”KNN的输入是测试数据和训练样本数据集,输出是测试样本的类别。KNN没有显示的训练过程,在测试时,计算测
- 【机器学习算法笔记系列】决策树(Decision Tree)算法详解和实战
fpzRobert
机器学习数据挖掘
决策树(DecisionTree)算法算法概述本文主要介绍机器学习中的决策树模型。决策树模型是一类算法的集合,在数据挖掘十大算法中,具体的决策树算法占有两席位置,即C4.5和CART算法。决策树是通过一系列规则对数据进行分类的过程。它提供一种在什么条件下会得到什么值的类似规则的方法。决策树分为分类树和回归树两种,分类树对离散变量做决策树,回归树对连续变量做决策树。同时也特别适合集成学习比如随机森林
- 常见机器学习算法笔记
星尘逸风
ML
机器学习开发的流程(sk-learn)加载数据集数据预处理选择模型(算法)训练模型评估模型如果模型达到要求,进入实战如果模型达不到要求,可以优化(调参数).扩展数据集,增加泛化能力,可以换模型——————————————————————·监督学习算法——————K-近邻算法(KNN)样本集包含每条数据与分类的对应关系输入新数据,将新数据的每个特征与样本集中数据对应特征比较计算新数据与样本集每条数据
- 机器学习算法笔记——KNN算法k近邻详解
qq_39830629
机器学习
一、什么是KNN(k近邻)算法?简单来说KNN算法就是通过在训练数据中找到最接近预测数据的均值,比如现在有一个人想要知道他的房子在某同城能租到的价格,他拿到了最近一年的所有租房记录(模拟训练数据)accommodates(容纳人数)bedrooms(卧室数量)bathrooms(卫生间数量)price(价格)3118542110042210811160211791043280他的房子数据是(测试数
- 机器学习算法笔记之9:偏差与方差、学习曲线
marsjhao
机器学习/深度学习
1.偏差与方差的理解在训练机器学习模型时,使用不同的训练集很可能会得到不同的估计模型,估计模型随着训练集的改变而变化的程度就叫做方差variance。我们训练得到的估计模型与实际真实模型的偏差即为bias,估计与实际差距越大,bias就越高。为了得到较低的误差,需要尽可能地降低方差和偏差,然而这两者不能同时减小,在bias与variance之间存在一个权衡trade-off。低偏差的模型可以很好的
- 机器学习算法笔记之1:kNN算法
marsjhao
机器学习/深度学习
一、k近邻算法1、概述k近邻(k-NearestNeighbor,简称kNN)算法是一种常见的监督学习算法。其工作机制可概括为:给定测试样本,基于某种距离度量找出训练集中与其距离最近的k个训练样本,通常k是不大于20的整数。然后基于这k个“邻居”的类别信息来进行预测,通常使用投票法,即选择这k个样本中出现最多的类别来标记测试样本,在回归任务中可使用“平均法”,即将这k个训练样本标记的平均值作为预测
- 机器学习算法笔记(一)
智能血压计
(1)容斥原理a.容斥原理是组合数学方法,可以求解集合、复合事件的概率等。b.计算几个集合并集的大小,先计算出所有单个集合的大小,减去所有两个集合相交的部分,加上三个集合相交的部分,再减去四个集合相交的部分,以此类推,一直计算到所有集合相交的部分。c.概率论:事件Ai(i=1,...,n),P(Ai)为对应事件发生的概率。至少一个事件发生的概率:转自:https://blog.csdn.net/m
- 【机器学习算法笔记系列】线性回归算法详解和实战
fpzRobert
机器学习数据挖掘
线性回归算法算法概述在统计学中,线性回归(LinearRegression)是利用称为线性回归方程的最小平方函数对一个或多个自变量和因变量之间关系进行建模的一种回归分析。这种函数是由一个或多个称为回归系数的模型参数的线性组合而成。回归分析中,只包括一个自变量和一个因变量,且二者的关系可用一条直线近似表示,这种回归分析称为一元线性回归分析。如果回归分析中包括两个或两个以上的自变量,且因变量和自变量之
- 机器学习算法笔记
夏季梦幻想
python
机器学习三个步骤Step1:ModelStep2:GoodnessofFunctionStep3:GradientDe’scent线性模型(linearmodel)y=b+w1x1+w1x2…神经网络TotalLoss等于CrossEntrpy之和使用GradientDescent使用backprapogation算偏微分使用dropout优化技巧:当神经网络很深时,训练结果不一定更好,因为有梯度
- TOMCAT在POST方法提交参数丢失问题
357029540
javatomcatjsp
摘自http://my.oschina.net/luckyi/blog/213209
昨天在解决一个BUG时发现一个奇怪的问题,一个AJAX提交数据在之前都是木有问题的,突然提交出错影响其他处理流程。
检查时发现页面处理数据较多,起初以为是提交顺序不正确修改后发现不是由此问题引起。于是删除掉一部分数据进行提交,较少数据能够提交成功。
恢复较多数据后跟踪提交FORM DATA ,发现数
- 在MyEclipse中增加JSP模板 删除-2008-08-18
ljy325
jspxmlMyEclipse
在D:\Program Files\MyEclipse 6.0\myeclipse\eclipse\plugins\com.genuitec.eclipse.wizards_6.0.1.zmyeclipse601200710\templates\jsp 目录下找到Jsp.vtl,复制一份,重命名为jsp2.vtl,然后把里面的内容修改为自己想要的格式,保存。
然后在 D:\Progr
- JavaScript常用验证脚本总结
eksliang
JavaScriptjavaScript表单验证
转载请出自出处:http://eksliang.iteye.com/blog/2098985
下面这些验证脚本,是我在这几年开发中的总结,今天把他放出来,也算是一种分享吧,现在在我的项目中也在用!包括日期验证、比较,非空验证、身份证验证、数值验证、Email验证、电话验证等等...!
&nb
- 微软BI(4)
18289753290
微软BI SSIS
1)
Q:查看ssis里面某个控件输出的结果:
A MessageBox.Show(Dts.Variables["v_lastTimestamp"].Value.ToString());
这是我们在包里面定义的变量
2):在关联目的端表的时候如果是一对多的关系,一定要选择唯一的那个键作为关联字段。
3)
Q:ssis里面如果将多个数据源的数据插入目的端一
- 定时对大数据量的表进行分表对数据备份
酷的飞上天空
大数据量
工作中遇到数据库中一个表的数据量比较大,属于日志表。正常情况下是不会有查询操作的,但如果不进行分表数据太多,执行一条简单sql语句要等好几分钟。。
分表工具:linux的shell + mysql自身提供的管理命令
原理:使用一个和原表数据结构一样的表,替换原表。
linux shell内容如下:
=======================开始 
- 本质的描述与因材施教
永夜-极光
感想随笔
不管碰到什么事,我都下意识的想去探索本质,找寻一个最形象的描述方式。
我坚信,世界上对一件事物的描述和解释,肯定有一种最形象,最贴近本质,最容易让人理解
&
- 很迷茫。。。
随便小屋
随笔
小弟我今年研一,也是从事的咱们现在最流行的专业(计算机)。本科三流学校,为了能有个更好的跳板,进入了考研大军,非常有幸能进入研究生的行业(具体学校就不说了,怕把学校的名誉给损了)。
先说一下自身的条件,本科专业软件工程。主要学习就是软件开发,几乎和计算机没有什么区别。因为学校本身三流,也就是让老师带着学生学点东西,然后让学生毕业就行了。对专业性的东西了解的非常浅。就那学的语言来说
- 23种设计模式的意图和适用范围
aijuans
设计模式
Factory Method 意图 定义一个用于创建对象的接口,让子类决定实例化哪一个类。Factory Method 使一个类的实例化延迟到其子类。 适用性 当一个类不知道它所必须创建的对象的类的时候。 当一个类希望由它的子类来指定它所创建的对象的时候。 当类将创建对象的职责委托给多个帮助子类中的某一个,并且你希望将哪一个帮助子类是代理者这一信息局部化的时候。
Abstr
- Java中的synchronized和volatile
aoyouzi
javavolatilesynchronized
说到Java的线程同步问题肯定要说到两个关键字synchronized和volatile。说到这两个关键字,又要说道JVM的内存模型。JVM里内存分为main memory和working memory。 Main memory是所有线程共享的,working memory则是线程的工作内存,它保存有部分main memory变量的拷贝,对这些变量的更新直接发生在working memo
- js数组的操作和this关键字
百合不是茶
js数组操作this关键字
js数组的操作;
一:数组的创建:
1、数组的创建
var array = new Array(); //创建一个数组
var array = new Array([size]); //创建一个数组并指定长度,注意不是上限,是长度
var arrayObj = new Array([element0[, element1[, ...[, elementN]]]
- 别人的阿里面试感悟
bijian1013
面试分享工作感悟阿里面试
原文如下:http://greemranqq.iteye.com/blog/2007170
一直做企业系统,虽然也自己一直学习技术,但是感觉还是有所欠缺,准备花几个月的时间,把互联网的东西,以及一些基础更加的深入透析,结果这次比较意外,有点突然,下面分享一下感受吧!
&nb
- 淘宝的测试框架Itest
Bill_chen
springmaven框架单元测试JUnit
Itest测试框架是TaoBao测试部门开发的一套单元测试框架,以Junit4为核心,
集合DbUnit、Unitils等主流测试框架,应该算是比较好用的了。
近期项目中用了下,有关itest的具体使用如下:
1.在Maven中引入itest框架:
<dependency>
<groupId>com.taobao.test</groupId&g
- 【Java多线程二】多路条件解决生产者消费者问题
bit1129
java多线程
package com.tom;
import java.util.LinkedList;
import java.util.Queue;
import java.util.concurrent.ThreadLocalRandom;
import java.util.concurrent.locks.Condition;
import java.util.concurrent.loc
- 汉字转拼音pinyin4j
白糖_
pinyin4j
以前在项目中遇到汉字转拼音的情况,于是在网上找到了pinyin4j这个工具包,非常有用,别的不说了,直接下代码:
import java.util.HashSet;
import java.util.Set;
import net.sourceforge.pinyin4j.PinyinHelper;
import net.sourceforge.pinyin
- org.hibernate.TransactionException: JDBC begin failed解决方案
bozch
ssh数据库异常DBCP
org.hibernate.TransactionException: JDBC begin failed: at org.hibernate.transaction.JDBCTransaction.begin(JDBCTransaction.java:68) at org.hibernate.impl.SessionImp
- java-并查集(Disjoint-set)-将多个集合合并成没有交集的集合
bylijinnan
java
import java.util.ArrayList;
import java.util.Arrays;
import java.util.HashMap;
import java.util.HashSet;
import java.util.Iterator;
import java.util.List;
import java.util.Map;
import java.ut
- Java PrintWriter打印乱码
chenbowen00
java
一个小程序读写文件,发现PrintWriter输出后文件存在乱码,解决办法主要统一输入输出流编码格式。
读文件:
BufferedReader
从字符输入流中读取文本,缓冲各个字符,从而提供字符、数组和行的高效读取。
可以指定缓冲区的大小,或者可使用默认的大小。大多数情况下,默认值就足够大了。
通常,Reader 所作的每个读取请求都会导致对基础字符或字节流进行相应的读取请求。因
- [天气与气候]极端气候环境
comsci
环境
如果空间环境出现异变...外星文明并未出现,而只是用某种气象武器对地球的气候系统进行攻击,并挑唆地球国家间的战争,经过一段时间的准备...最大限度的削弱地球文明的整体力量,然后再进行入侵......
那么地球上的国家应该做什么样的防备工作呢?
&n
- oracle order by与union一起使用的用法
daizj
UNIONoracleorder by
当使用union操作时,排序语句必须放在最后面才正确,如下:
只能在union的最后一个子查询中使用order by,而这个order by是针对整个unioning后的结果集的。So:
如果unoin的几个子查询列名不同,如
Sql代码
select supplier_id, supplier_name
from suppliers
UNI
- zeus持久层读写分离单元测试
deng520159
单元测试
本文是zeus读写分离单元测试,距离分库分表,只有一步了.上代码:
1.ZeusMasterSlaveTest.java
package com.dengliang.zeus.webdemo.test;
import java.util.ArrayList;
import java.util.List;
import org.junit.Assert;
import org.j
- Yii 截取字符串(UTF-8) 使用组件
dcj3sjt126com
yii
1.将Helper.php放进protected\components文件夹下。
2.调用方法:
Helper::truncate_utf8_string($content,20,false); //不显示省略号 Helper::truncate_utf8_string($content,20); //显示省略号
&n
- 安装memcache及php扩展
dcj3sjt126com
PHP
安装memcache tar zxvf memcache-2.2.5.tgz cd memcache-2.2.5/ /usr/local/php/bin/phpize (?) ./configure --with-php-confi
- JsonObject 处理日期
feifeilinlin521
javajsonJsonOjbectJsonArrayJSONException
写这边文章的初衷就是遇到了json在转换日期格式出现了异常 net.sf.json.JSONException: java.lang.reflect.InvocationTargetException 原因是当你用Map接收数据库返回了java.sql.Date 日期的数据进行json转换出的问题话不多说 直接上代码
&n
- Ehcache(06)——监听器
234390216
监听器listenerehcache
监听器
Ehcache中监听器有两种,监听CacheManager的CacheManagerEventListener和监听Cache的CacheEventListener。在Ehcache中,Listener是通过对应的监听器工厂来生产和发生作用的。下面我们将来介绍一下这两种类型的监听器。
- activiti 自带设计器中chrome 34版本不能打开bug的解决
jackyrong
Activiti
在acitivti modeler中,如果是chrome 34,则不能打开该设计器,其他浏览器可以,
经证实为bug,参考
http://forums.activiti.org/content/activiti-modeler-doesnt-work-chrome-v34
修改为,找到
oryx.debug.js
在最头部增加
if (!Document.
- 微信收货地址共享接口-终极解决
laotu5i0
微信开发
最近要接入微信的收货地址共享接口,总是不成功,折腾了好几天,实在没办法网上搜到的帖子也是骂声一片。我把我碰到并解决问题的过程分享出来,希望能给微信的接口文档起到一个辅助作用,让后面进来的开发者能快速的接入,而不需要像我们一样苦逼的浪费好几天,甚至一周的青春。各种羞辱、谩骂的话就不说了,本人还算文明。
如果你能搜到本贴,说明你已经碰到了各种 ed
- 关于人才
netkiller.github.com
工作面试招聘netkiller人才
关于人才
每个月我都会接到许多猎头的电话,有些猎头比较专业,但绝大多数在我看来与猎头二字还是有很大差距的。 与猎头接触多了,自然也了解了他们的工作,包括操作手法,总体上国内的猎头行业还处在初级阶段。
总结就是“盲目推荐,以量取胜”。
目前现状
许多从事人力资源工作的人,根本不懂得怎么找人才。处在人才找不到企业,企业找不到人才的尴尬处境。
企业招聘,通常是需要用人的部门提出招聘条件,由人
- 搭建 CentOS 6 服务器 - 目录
rensanning
centos
(1) 安装CentOS
ISO(desktop/minimal)、Cloud(AWS/阿里云)、Virtualization(VMWare、VirtualBox)
详细内容
(2) Linux常用命令
cd、ls、rm、chmod......
详细内容
(3) 初始环境设置
用户管理、网络设置、安全设置......
详细内容
(4) 常驻服务Daemon
- 【求助】mongoDB无法更新主键
toknowme
mongodb
Query query = new Query(); query.addCriteria(new Criteria("_id").is(o.getId())); &n
- jquery 页面滚动到底部自动加载插件集合
xp9802
jquery
很多社交网站都使用无限滚动的翻页技术来提高用户体验,当你页面滑到列表底部时候无需点击就自动加载更多的内容。下面为你推荐 10 个 jQuery 的无限滚动的插件:
1. jQuery ScrollPagination
jQuery ScrollPagination plugin 是一个 jQuery 实现的支持无限滚动加载数据的插件。
2. jQuery Screw
S