- 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
- Java常用排序算法/程序员必须掌握的8大排序算法
cugfy
java
分类:
1)插入排序(直接插入排序、希尔排序)
2)交换排序(冒泡排序、快速排序)
3)选择排序(直接选择排序、堆排序)
4)归并排序
5)分配排序(基数排序)
所需辅助空间最多:归并排序
所需辅助空间最少:堆排序
平均速度最快:快速排序
不稳定:快速排序,希尔排序,堆排序。
先来看看8种排序之间的关系:
1.直接插入排序
(1
- 【Spark102】Spark存储模块BlockManager剖析
bit1129
manager
Spark围绕着BlockManager构建了存储模块,包括RDD,Shuffle,Broadcast的存储都使用了BlockManager。而BlockManager在实现上是一个针对每个应用的Master/Executor结构,即Driver上BlockManager充当了Master角色,而各个Slave上(具体到应用范围,就是Executor)的BlockManager充当了Slave角色
- linux 查看端口被占用情况详解
daizj
linux端口占用netstatlsof
经常在启动一个程序会碰到端口被占用,这里讲一下怎么查看端口是否被占用,及哪个程序占用,怎么Kill掉已占用端口的程序
1、lsof -i:port
port为端口号
[root@slave /data/spark-1.4.0-bin-cdh4]# lsof -i:8080
COMMAND PID USER FD TY
- Hosts文件使用
周凡杨
hostslocahost
一切都要从localhost说起,经常在tomcat容器起动后,访问页面时输入http://localhost:8088/index.jsp,大家都知道localhost代表本机地址,如果本机IP是10.10.134.21,那就相当于http://10.10.134.21:8088/index.jsp,有时候也会看到http: 127.0.0.1:
- java excel工具
g21121
Java excel
直接上代码,一看就懂,利用的是jxl:
import java.io.File;
import java.io.IOException;
import jxl.Cell;
import jxl.Sheet;
import jxl.Workbook;
import jxl.read.biff.BiffException;
import jxl.write.Label;
import
- web报表工具finereport常用函数的用法总结(数组函数)
老A不折腾
finereportweb报表函数总结
ADD2ARRAY
ADDARRAY(array,insertArray, start):在数组第start个位置插入insertArray中的所有元素,再返回该数组。
示例:
ADDARRAY([3,4, 1, 5, 7], [23, 43, 22], 3)返回[3, 4, 23, 43, 22, 1, 5, 7].
ADDARRAY([3,4, 1, 5, 7], "测试&q
- 游戏服务器网络带宽负载计算
墙头上一根草
服务器
家庭所安装的4M,8M宽带。其中M是指,Mbits/S
其中要提前说明的是:
8bits = 1Byte
即8位等于1字节。我们硬盘大小50G。意思是50*1024M字节,约为 50000多字节。但是网宽是以“位”为单位的,所以,8Mbits就是1M字节。是容积体积的单位。
8Mbits/s后面的S是秒。8Mbits/s意思是 每秒8M位,即每秒1M字节。
我是在计算我们网络流量时想到的
- 我的spring学习笔记2-IoC(反向控制 依赖注入)
aijuans
Spring 3 系列
IoC(反向控制 依赖注入)这是Spring提出来了,这也是Spring一大特色。这里我不用多说,我们看Spring教程就可以了解。当然我们不用Spring也可以用IoC,下面我将介绍不用Spring的IoC。
IoC不是框架,她是java的技术,如今大多数轻量级的容器都会用到IoC技术。这里我就用一个例子来说明:
如:程序中有 Mysql.calss 、Oracle.class 、SqlSe
- 高性能mysql 之 选择存储引擎(一)
annan211
mysqlInnoDBMySQL引擎存储引擎
1 没有特殊情况,应尽可能使用InnoDB存储引擎。 原因:InnoDB 和 MYIsAM 是mysql 最常用、使用最普遍的存储引擎。其中InnoDB是最重要、最广泛的存储引擎。她 被设计用来处理大量的短期事务。短期事务大部分情况下是正常提交的,很少有回滚的情况。InnoDB的性能和自动崩溃 恢复特性使得她在非事务型存储的需求中也非常流行,除非有非常
- UDP网络编程
百合不是茶
UDP编程局域网组播
UDP是基于无连接的,不可靠的传输 与TCP/IP相反
UDP实现私聊,发送方式客户端,接受方式服务器
package netUDP_sc;
import java.net.DatagramPacket;
import java.net.DatagramSocket;
import java.net.Ine
- JQuery对象的val()方法执行结果分析
bijian1013
JavaScriptjsjquery
JavaScript中,如果id对应的标签不存在(同理JAVA中,如果对象不存在),则调用它的方法会报错或抛异常。在实际开发中,发现JQuery在id对应的标签不存在时,调其val()方法不会报错,结果是undefined。
- http请求测试实例(采用json-lib解析)
bijian1013
jsonhttp
由于fastjson只支持JDK1.5版本,因些对于JDK1.4的项目,可以采用json-lib来解析JSON数据。如下是http请求的另外一种写法,仅供参考。
package com;
import java.util.HashMap;
import java.util.Map;
import
- 【RPC框架Hessian四】Hessian与Spring集成
bit1129
hessian
在【RPC框架Hessian二】Hessian 对象序列化和反序列化一文中介绍了基于Hessian的RPC服务的实现步骤,在那里使用Hessian提供的API完成基于Hessian的RPC服务开发和客户端调用,本文使用Spring对Hessian的集成来实现Hessian的RPC调用。
定义模型、接口和服务器端代码
|---Model
&nb
- 【Mahout三】基于Mahout CBayes算法的20newsgroup流程分析
bit1129
Mahout
1.Mahout环境搭建
1.下载Mahout
http://mirror.bit.edu.cn/apache/mahout/0.10.0/mahout-distribution-0.10.0.tar.gz
2.解压Mahout
3. 配置环境变量
vim /etc/profile
export HADOOP_HOME=/home
- nginx负载tomcat遇非80时的转发问题
ronin47
nginx负载后端容器是tomcat(其它容器如WAS,JBOSS暂没发现这个问题)非80端口,遇到跳转异常问题。解决的思路是:$host:port
详细如下:
该问题是最先发现的,由于之前对nginx不是特别的熟悉所以该问题是个入门级别的:
? 1 2 3 4 5
- java-17-在一个字符串中找到第一个只出现一次的字符
bylijinnan
java
public class FirstShowOnlyOnceElement {
/**Q17.在一个字符串中找到第一个只出现一次的字符。如输入abaccdeff,则输出b
* 1.int[] count:count[i]表示i对应字符出现的次数
* 2.将26个英文字母映射:a-z <--> 0-25
* 3.假设全部字母都是小写
*/
pu
- mongoDB 复制集
开窍的石头
mongodb
mongo的复制集就像mysql的主从数据库,当你往其中的主复制集(primary)写数据的时候,副复制集(secondary)会自动同步主复制集(Primary)的数据,当主复制集挂掉以后其中的一个副复制集会自动成为主复制集。提供服务器的可用性。和防止当机问题
mo
- [宇宙与天文]宇宙时代的经济学
comsci
经济
宇宙尺度的交通工具一般都体型巨大,造价高昂。。。。。
在宇宙中进行航行,近程采用反作用力类型的发动机,需要消耗少量矿石燃料,中远程航行要采用量子或者聚变反应堆发动机,进行超空间跳跃,要消耗大量高纯度水晶体能源
以目前地球上国家的经济发展水平来讲,
- Git忽略文件
Cwind
git
有很多文件不必使用git管理。例如Eclipse或其他IDE生成的项目文件,编译生成的各种目标或临时文件等。使用git status时,会在Untracked files里面看到这些文件列表,在一次需要添加的文件比较多时(使用git add . / git add -u),会把这些所有的未跟踪文件添加进索引。
==== ==== ==== 一些牢骚
- MySQL连接数据库的必须配置
dashuaifu
mysql连接数据库配置
MySQL连接数据库的必须配置
1.driverClass:com.mysql.jdbc.Driver
2.jdbcUrl:jdbc:mysql://localhost:3306/dbname
3.user:username
4.password:password
其中1是驱动名;2是url,这里的‘dbna
- 一生要养成的60个习惯
dcj3sjt126com
习惯
一生要养成的60个习惯
第1篇 让你更受大家欢迎的习惯
1 守时,不准时赴约,让别人等,会失去很多机会。
如何做到:
①该起床时就起床,
②养成任何事情都提前15分钟的习惯。
③带本可以随时阅读的书,如果早了就拿出来读读。
④有条理,生活没条理最容易耽误时间。
⑤提前计划:将重要和不重要的事情岔开。
⑥今天就准备好明天要穿的衣服。
⑦按时睡觉,这会让按时起床更容易。
2 注重
- [介绍]Yii 是什么
dcj3sjt126com
PHPyii2
Yii 是一个高性能,基于组件的 PHP 框架,用于快速开发现代 Web 应用程序。名字 Yii (读作 易)在中文里有“极致简单与不断演变”两重含义,也可看作 Yes It Is! 的缩写。
Yii 最适合做什么?
Yii 是一个通用的 Web 编程框架,即可以用于开发各种用 PHP 构建的 Web 应用。因为基于组件的框架结构和设计精巧的缓存支持,它特别适合开发大型应
- Linux SSH常用总结
eksliang
linux sshSSHD
转载请出自出处:http://eksliang.iteye.com/blog/2186931 一、连接到远程主机
格式:
ssh name@remoteserver
例如:
ssh
[email protected]
二、连接到远程主机指定的端口
格式:
ssh name@remoteserver -p 22
例如:
ssh i
- 快速上传头像到服务端工具类FaceUtil
gundumw100
android
快速迭代用
import java.io.DataOutputStream;
import java.io.File;
import java.io.FileInputStream;
import java.io.FileNotFoundException;
import java.io.FileOutputStream;
import java.io.IOExceptio
- jQuery入门之怎么使用
ini
JavaScripthtmljqueryWebcss
jQuery的强大我何问起(个人主页:hovertree.com)就不用多说了,那么怎么使用jQuery呢?
首先,下载jquery。下载地址:http://hovertree.com/hvtart/bjae/b8627323101a4994.htm,一个是压缩版本,一个是未压缩版本,如果在开发测试阶段,可以使用未压缩版本,实际应用一般使用压缩版本(min)。然后就在页面上引用。
- 带filter的hbase查询优化
kane_xie
查询优化hbaseRandomRowFilter
问题描述
hbase scan数据缓慢,server端出现LeaseException。hbase写入缓慢。
问题原因
直接原因是: hbase client端每次和regionserver交互的时候,都会在服务器端生成一个Lease,Lease的有效期由参数hbase.regionserver.lease.period确定。如果hbase scan需
- java设计模式-单例模式
men4661273
java单例枚举反射IOC
单例模式1,饿汉模式
//饿汉式单例类.在类初始化时,已经自行实例化
public class Singleton1 {
//私有的默认构造函数
private Singleton1() {}
//已经自行实例化
private static final Singleton1 singl
- mongodb 查询某一天所有信息的3种方法,根据日期查询
qiaolevip
每天进步一点点学习永无止境mongodb纵观千象
// mongodb的查询真让人难以琢磨,就查询单天信息,都需要花费一番功夫才行。
// 第一种方式:
coll.aggregate([
{$project:{sendDate: {$substr: ['$sendTime', 0, 10]}, sendTime: 1, content:1}},
{$match:{sendDate: '2015-
- 二维数组转换成JSON
tangqi609567707
java二维数组json
原文出处:http://blog.csdn.net/springsen/article/details/7833596
public class Demo {
public static void main(String[] args) { String[][] blogL
- erlang supervisor
wudixiaotie
erlang
定义supervisor时,如果是监控celuesimple_one_for_one则删除children的时候就用supervisor:terminate_child (SupModuleName, ChildPid),如果shutdown策略选择的是brutal_kill,那么supervisor会调用exit(ChildPid, kill),这样的话如果Child的behavior是gen_