- 《模式识别与机器学习》第一章
CS_Zero
机器学习人工智能
C1符号含义x\boldxx:向量,曲线拟合问题中的x坐标数值序列。元素个数为N。t\boldtt:向量,曲线拟合问题中的y坐标(target)数值序列。w\boldww:向量,曲线拟合问题中的待估计的参数,即M阶多项式的各阶系数。β\betaβ:标量,协方差的倒数,表示样本的精度。α\alphaα:标量,同上,曲线拟合例子中的先验的精度。多项式曲线拟合E(w)=12∑n=1N{y(xn,w)−t
- 【课程作业_01】国科大2023模式识别与机器学习实践作业
lzl2040
我的笔记python机器学习数据集人工智能
国科大2023模式识别与机器学习实践作业作业内容从四类方法中选三类方法,从选定的每类方法中,各选一种具体的方法,从给定的数据集中选一个数据集(MNIST,CIFAR-10,电信用户流失数据集)对这三种方法进行测试比较。第一类方法::线性方法:线性SVM、LogisticRegression第二类方法:非线性方法:KernelSVM,决策树第三类方法:集成学习:Bagging,Boosting第四类
- 模式识别与机器学习—PCA分析
在下雨599
模式识别复习机器学习人工智能
主成分分析将高维空间线性投影到一个低维空间,希望在这个低维空间能够表征高维空间中的绝大部分信息,即信息损失最小。关键:找到投影方向补充知识:主成分分析(PCA)目标函数1:最小化重建误差主成分分析(PCA)目标函数2:最大投影后的方差
- 国科大模式识别与机器学习2015-2019、2021仅考题
智商欠费,不死也废
期末机器学习人工智能
2015(8)试描述线性判别函数的基本概念,并说明既然有线性判别函,为什么还需要非线性判别函数?假设有两种模式,每类包括6个4维不同的模式,且良好分布。如果他们是线性可分的。问权向量至少需要几个系数分量?假如要建立额尔茨的多项式判别函数,又至少需要几个系数分量?(设模式的良好分布不因模式变化而改变)(8分)简述偏差方差分解及其推导过程,并说明偏差、方差、噪声三部分的内在含义。(8分)试描述用EM算
- 模式识别与机器学习-半监督学习
Kilig*
机器学习机器学习学习人工智能
模式识别与机器学习-半监督学习半监督学习半监督学习的三个假设半监督学习算法自学习算法自学习的步骤:自学习的优缺点:优点:缺点:协同训练多视角学习生成模型半监督SVM谨以此博客作为复习期间的记录半监督学习半监督学习(Semi-SupervisedLearning)是机器学习的一种范式,它利用同时包含标记(有标签)和未标记(无标签)数据的数据集来进行模型训练。相比于监督学习和无监督学习,半监督学习尝试
- 模式识别与机器学习-概率图模型
Kilig*
机器学习机器学习人工智能
模式识别与机器学习-概率图模型概率图模型三大基本问题表示推断学习有向概率图模型例子三种经典的图HMMViterbi算法谨以此博客作为复习期间的记录概率图模型三大基本问题概率图模型通常涉及三个基本问题,即表示(Representation)、推断(Inference)和学习(Learning)。这三个问题是概率图模型中关键的核心概念。表示(Representation):表示问题涉及选择合适的图结构
- 模式识别与机器学习-集成学习
Kilig*
机器学习机器学习集成学习人工智能
集成学习集成学习思想过拟合与欠拟合判断方法K折交叉验证BootstrapBagging随机森林的特点和工作原理:BoostingAdaBoost工作原理:AdaBoost的特点和优点:AdaBoost的缺点:GradientBoosting工作原理:GradientBoosting的特点和优点:GradientBoosting的变种:Bagging和Boosting算法比较Bagging(Boot
- 模式识别与机器学习-无监督学习-降维
Kilig*
机器学习机器学习学习人工智能
模式识别与机器学习-无监督学习-降维为什么要降维维度选择手工移除特征过滤式选择包裹式选择嵌入式选择维度抽取(线性模型)MDSPCA目标1:最小重构误差目标2:最大投影方差SVD思考:为什么保留特征值大的?维度抽取(非线性模型)KPCA流形学习ISOMAP优点:缺点:LLET-SNE谨以此博客作为复习期间的记录为什么要降维消除冗余信息和噪声:原始数据集可能包含大量冗余特征或噪声,这些特征可能对模型训
- 模式识别与机器学习-SVM(带软间隔的支持向量机)
Kilig*
机器学习支持向量机机器学习算法
SVM(带软间隔的支持向量机)软间隔思想的由来软间隔的引入谨以此博客作为复习期间的记录。软间隔思想的由来在上一篇博客中,回顾了线性可分的支持向量机,但在实际情况中,很少有完全线性可分的情况,大部分线性可分的情况都是整体线性可分,个别样本点无法线性分割开。因此就要避免这极个别样本点对分割平面产生的影响。线性可分支持向量机软间隔的引入在分类过程中,允许极个别数据点“越界”,如何在目标函数中体现这一点呢
- 模式识别与机器学习-无监督学习-聚类
Kilig*
机器学习机器学习学习聚类
无监督学习-聚类监督学习&无监督学习K-meansK-means聚类的优点:K-means的局限性:解决方案:高斯混合模型(GaussianMixtureModels,GMM)多维高斯分布的概率密度函数:高斯混合模型(GaussianMixtureModel,GMM)模型形式:EM算法迭代过程:K-means与高斯混合模型(GMM)的对比:K-means:高斯混合模型(GMM):高斯混合模型(GM
- 模式识别与机器学习-SVM(线性支持向量机)
Kilig*
机器学习支持向量机机器学习算法
线性支持向量机线性支持向量机间隔距离学习的对偶算法算法:线性可分支持向量机学习算法线性可分支持向量机例子谨以此博客作为复习期间的记录线性支持向量机在以上四条线中,都可以作为分割平面,误差率也都为0。但是那个分割平面效果更好呢?其实可以看出,黑色的线具有更好的性质,因为如果将黑色的线作为分割平面,将会有更大的间隔距离。其中,分割平面可以用以下式子表示:wx+b=0wx+b=0wx+b=0w和bw\t
- 模式识别与机器学习-SVM(核方法)
Kilig*
机器学习机器学习支持向量机人工智能
SVM(核方法)核方法核技巧在SVM中的应用谨以此博客作为复习期间的记录核方法对解线性分类问题,线性分类支持向量机是一种非常有效的方法.但是,有时分类问题是非线性的,这时可以使用非线性支持向量机,核心思想是通过核方法将低维非线性可分数据转化为高维线性可分数据。非线性问题往往不好求解,所以希望能用解线性分类问题的方法解决这个问题.所采取的方法是进行一个非线性变换,将非线性问题变换为线性问题,通过解变
- 模式识别与机器学习第一章
露(^_^)
模式识别与机器学习python
一、模式的概念广义:存在于时间和空间中可观察的物体。如果可以区别它们是否相同或是否相似,都可以称之为模式。狭义:模式所指的不是事物本身,而是从事物获得的信息,模式往往表现为具有时间和空间分布的信息。模式的直观特性:可观察性、可区分性、相似性。二、模式识别的概念模式识别:直观,无所不在,“人以类聚,物以群分”。目的:利用计算机对物理对象进行分类,在错误概率最小的条件下,使识别的结果尽量与客观物体相符
- 模式识别与机器学习(十二):Stacking
从零开始的奋豆
模式识别与机器学习机器学习人工智能
原理在本次实验中以决策树、svm和随机森林为基学习器,以决策树为元学习器。Stacking的做法是首先构建多个不同类型的一级学习器,并使用他们来得到一级预测结果,然后基于这些一级预测结果,构建一个二级学习器,来得到最终的预测结果。Stacking的动机可以描述为:如果某个一级学习器错误地学习了特征空间的某个区域,那么二级学习器通过结合其他一级学习器的学习行为,可以适当纠正这种错误。具体步骤如下图所
- 模式识别与机器学习(十二):随机森林
从零开始的奋豆
模式识别与机器学习机器学习随机森林人工智能
原理随机森林(RandomForest,RF)是Bagging的一个扩展变体。RF在以决策树为基学习器构建Bagging集成的基础上,在决策树的训练过程中引入随机属性选择。训练每颗决策树时随机选出部分特征作为输入,所以该算法被称为随机森林算法。在RF中,对基决策树的每个结点,先从该结点的属性集合中随机选择一个包含k个属性的子集(假定有d个属性),然后再从这个子集中选择一个最优属性用于划分。参数k控
- 模式识别与机器学习-特征选择和提取
Kilig*
机器学习机器学习人工智能
模式识别与机器学习-特征选择和提取特征选择一些距离测度公式独立特征的选择准则一般特征的散布矩阵准则离散K-L变换谨以此博客作为复习期间的记录。常见分类问题的流程,数据预处理和特征选择提取时机器学习环节中最重要的两个流程。这两个环节直接决定了最终性能的上下限,本部分记录一下特征提取和选择部分(特征工程)特征选择可以表示为:从一个包含n个度量值的集合{x1,x2,…,xn}\{x_1,x_2,\dot
- 模式识别与机器学习第三章
露(^_^)
模式识别与机器学习python
一、线性判别函数1.两类问题的判别函数若这些属于ω1和ω2两类的模式可用一个直线方程d(x)=0来划分,d(x)=w1x1+w2x2+w3=0d(x)称为两类模式的判别函数;d(x)=0称为决策面/判别界面方程。用判别函数进行模式分类依赖的两个因素:(1)判别函数的几何性质:线性的和非线性的函数。(2)判别函数的系数:判别函数的形式确定后,主要就是确定判别函数的系数问题。2.n维线性判别函数的一般
- 【模式识别与机器学习】——2.2正态分布模式的贝叶斯分类器
weixin_30421809
人工智能
出发点:当已知或者有理由设想类概率密度函数P(x|ωi)是多变量的正态分布时,上一节介绍的贝叶斯分类器可以导出一些简单的判别函数。由于正态密度函数易于分析,且对许多重要的实际应用又是一种合适的模型,因此受到很大的重视。(贝叶斯分类规则是基于统计概念的。如果只有少数模式样本,一般较难获得最优的结果)正态分布模式的贝叶斯判别函数具有M种模式类别的多变量正态类密度函数为:其中,每一类模式的分布密度都完全
- 模式识别与机器学习-判别式分类器
Kilig*
机器学习人工智能
模式识别与机器学习-判别式分类器生成式模型和判别式模型的区别线性判别函数多分类情况多分类情况1多分类情况2多分类情况3例题广义线性判别函数实例分段线性判别函数Fisher线性判别感知机算法例:感知机多类别分类谨以此博客作为学习期间的记录生成式模型和判别式模型的区别生成式模型关注如何生成整个数据的分布,而判别式模型则专注于学习如何根据给定输入预测输出标签或数值。在实践中多数判别式模型要优于生成式模型
- 模式识别与机器学习(十一):Bagging
从零开始的奋豆
模式识别与机器学习机器学习
1.原理Bagging[Breiman,1996a]是井行式集成学习方法最著名的代表.从名字即可看出,它直接基于自助采样法(bootstrapsampling)。给定包含m个样本的数据集,我们先随机取出一个样本放入采样集中,再把该样本放回初始数据集,使得下次采样时该样本仍有可能被选中,这样,经过m次随机采样操作,我们得到含m个样本的采样集,初始训练集中有的样本在采样集里多次出现,有的则从未出现,初
- 模式识别与机器学习(十):梯度提升树
从零开始的奋豆
模式识别与机器学习机器学习人工智能
1.原理提升方法实际采用加法模型(即基函数的线性组合)与前向分步算法。以决策树为基函数的提升方法称为提升树(boostingtree)。对分类问题决策树是二叉分类树,对回归问题决策树是二叉回归树。提升树模型可以表示为决策树的加法模型:fM(x)=∑m=1MT(x;θm)f_M(x)=\sum_{m=1}^MT(x;\theta_m)fM(x)=m=1∑MT(x;θm)其中,T(x;θm)T(x;\
- 模式识别与机器学习(九):Adaboost
从零开始的奋豆
模式识别与机器学习机器学习人工智能
1.原理AdaBoost是AdaptiveBoosting(自适应增强)的缩写,它的自适应在于:被前一个基本分类器误分类的样本的权值会增大,而正确分类的样本的权值会减小,并再次用来训练下一个基本分类器。同时,在每一轮迭代中,加入一个新的弱分类器,直到达到某个预定的足够小的错误率或预先指定的最大迭代次数再确定最后的强分类器。1.算法步骤首先,是初始化训练数据的权值分布D1。假设有N个训练样本数据,则
- 模式识别与机器学习(八):决策树
从零开始的奋豆
模式识别与机器学习机器学习决策树人工智能
1.原理决策树(DecisionTree),它是一种以树形数据结构来展示决策规则和分类结果的模型,作为一种归纳学习算法,其重点是将看似无序、杂乱的已知数据,通过某种技术手段将它们转化成可以预测未知数据的树状模型,每一条从根结点(对最终分类结果贡献最大的属性)到叶子结点(最终分类结果)的路径都代表一条决策的规则。一般,一棵决策树包含一个根节点,若干个内部结点和若干个叶结点。叶结点对应于决策结果,其他
- 模式识别与机器学习(七):集成学习
从零开始的奋豆
模式识别与机器学习机器学习集成学习人工智能
集成学习1.概念1.1类型1.2集成策略1.3优势2.代码实例2.1boosting2.2bagging2.3集成1.概念集成学习是一种机器学习方法,旨在通过组合多个个体学习器的预测结果来提高整体的预测性能。它通过将多个弱学习器(个体学习器)组合成一个强学习器,以获得更准确、更稳定的预测结果。在集成学习中,个体学习器可以是同质的(使用相同的学习算法,但在不同的训练集上训练)或异质的(使用不同的学习
- 图像形状及数量识别(matlab实现)
一寸光阴不可轻
matlab计算机视觉图像处理
米粒形状识别文章目录米粒形状识别概述一、图像处理1.图像去噪2.图像锐化3.边缘提取4.特征匹配二、matlab实现三、总程序代码结语概述基于视觉的沙粒形状识别系统模型需要借助计算机对特征的信息处理和分析,实现像人一样的智能识别,所以通常模式识别与机器学习存在着一定的联系。机器识别技术的实现主要分为以下几个步骤:(1)获取图像数据。(2)数据预处理。(3)图像特征提取。(4)设置分类器完成分类。基
- 模式识别与机器学习(六):数据降维
从零开始的奋豆
模式识别与机器学习matlab算法机器学习
1.数据降维数据降维有很多种,这里我们列出几个较为简单的2.PCAPCA是一种基于从高维空间映射到低维空间的映射方法,也是最基础的无监督降维算法,其目标是向数据变化最大的方向投影,或者说向重构误差最小化的方向投影。它由KarlPearson在1901年提出,属于线性降维方法。与PCA相关的原理通常被称为最大方差理论或最小误差理论。这两者目标一致,但过程侧重点则不同。求中心化后样本矩阵的协方差。求协
- 模式识别与机器学习(二):贝叶斯分类matlab实现
从零开始的奋豆
模式识别与机器学习分类人工智能数据挖掘
一.最小错误率step1:估计分类样本的各个属性的概率分布step2:估计先验概率step3:估计属于该类别的概率并取最大值这里以正态分布为例clc;clear;%风险表f=ones(4,4);%读数据X=xlsread('数据.xls');x=X(1:15,2:end);x_test=X(16:end,2:4);x1=x(find(x(:,4)==1),1:3);[n1,~]=size(x1);
- 推荐几本机器学习的书籍
古斯塔夫歼星炮
机器学习人工智能深度学习python开发语言
推荐几本机器学习的书籍:《机器学习》(TomM.Mitchell)、《统计学习方法》(李航)、《深度学习》(IanGoodfellow、YoshuaBengio和AaronCourville)、《模式识别与机器学习》(ChristopherM.Bishop)。
- 模式识别与机器学习(一)——引言
谢欣燕
笔记机器学习模式识别
1.1基本概念模式识别:从数据中识别或发现规律,并加以有效使用。为了进行模式识别,往往要借助计算设备进行编程实现和决策执行,这种设备即机器。机器学习:从计算设备的角度出发,是指机器从不具备某方面能力到具备次能力的学习过程,即发现数据中的规律并加以使用的能力。1.1.1投票选举近邻法集成学习主动学习1.2典型的机器学习系统1.2.1医学图像诊断病理图像:高倍显微镜下看到的将人体组织做成病理切片后的图
- 模式识别与机器学习·第二章——统计判别
谷雨·清明
UCAS模式识别与机器学习模式识别机器学习贝叶斯
模式识别与机器学习·第二章——统计判别统计判别的意义贝叶斯判别贝叶斯最小风险判别两类(M=2)情况的贝叶斯最小风险判别多类(M类)情况的贝叶斯最小风险判别正态分布模式的贝叶斯分类器统计判别的意义模式识别的目的就是要确定某一个给定的模式样本属于哪一类。可以通过对被识别对象的多次观察和测量,构成特征向量,并将其作为某一个判决规则的输入,按此规则来对样本进行分类。在获取模式的观测值时,有些事物具有确定的
- Java 并发包之线程池和原子计数
lijingyao8206
Java计数ThreadPool并发包java线程池
对于大数据量关联的业务处理逻辑,比较直接的想法就是用JDK提供的并发包去解决多线程情况下的业务数据处理。线程池可以提供很好的管理线程的方式,并且可以提高线程利用率,并发包中的原子计数在多线程的情况下可以让我们避免去写一些同步代码。
这里就先把jdk并发包中的线程池处理器ThreadPoolExecutor 以原子计数类AomicInteger 和倒数计时锁C
- java编程思想 抽象类和接口
百合不是茶
java抽象类接口
接口c++对接口和内部类只有简介的支持,但在java中有队这些类的直接支持
1 ,抽象类 : 如果一个类包含一个或多个抽象方法,该类必须限定为抽象类(否者编译器报错)
抽象方法 : 在方法中仅有声明而没有方法体
package com.wj.Interface;
- [房地产与大数据]房地产数据挖掘系统
comsci
数据挖掘
随着一个关键核心技术的突破,我们已经是独立自主的开发某些先进模块,但是要完全实现,还需要一定的时间...
所以,除了代码工作以外,我们还需要关心一下非技术领域的事件..比如说房地产
&nb
- 数组队列总结
沐刃青蛟
数组队列
数组队列是一种大小可以改变,类型没有定死的类似数组的工具。不过与数组相比,它更具有灵活性。因为它不但不用担心越界问题,而且因为泛型(类似c++中模板的东西)的存在而支持各种类型。
以下是数组队列的功能实现代码:
import List.Student;
public class
- Oracle存储过程无法编译的解决方法
IT独行者
oracle存储过程
今天同事修改Oracle存储过程又导致2个过程无法被编译,流程规范上的东西,Dave 这里不多说,看看怎么解决问题。
1. 查看无效对象
XEZF@xezf(qs-xezf-db1)> select object_name,object_type,status from all_objects where status='IN
- 重装系统之后oracle恢复
文强chu
oracle
前几天正在使用电脑,没有暂停oracle的各种服务。
突然win8.1系统奔溃,无法修复,开机时系统 提示正在搜集错误信息,然后再开机,再提示的无限循环中。
无耐我拿出系统u盘 准备重装系统,没想到竟然无法从u盘引导成功。
晚上到外面早了一家修电脑店,让人家给装了个系统,并且那哥们在我没反应过来的时候,
直接把我的c盘给格式化了 并且清理了注册表,再装系统。
然后的结果就是我的oracl
- python学习二( 一些基础语法)
小桔子
pthon基础语法
紧接着把!昨天没看继续看django 官方教程,学了下python的基本语法 与c类语言还是有些小差别:
1.ptyhon的源文件以UTF-8编码格式
2.
/ 除 结果浮点型
// 除 结果整形
% 除 取余数
* 乘
** 乘方 eg 5**2 结果是5的2次方25
_&
- svn 常用命令
aichenglong
SVN版本回退
1 svn回退版本
1)在window中选择log,根据想要回退的内容,选择revert this version或revert chanages from this version
两者的区别:
revert this version:表示回退到当前版本(该版本后的版本全部作废)
revert chanages from this versio
- 某小公司面试归来
alafqq
面试
先填单子,还要写笔试题,我以时间为急,拒绝了它。。时间宝贵。
老拿这些对付毕业生的东东来吓唬我。。
面试官很刁难,问了几个问题,记录下;
1,包的范围。。。public,private,protect. --悲剧了
2,hashcode方法和equals方法的区别。谁覆盖谁.结果,他说我说反了。
3,最恶心的一道题,抽象类继承抽象类吗?(察,一般它都是被继承的啊)
4,stru
- 动态数组的存储速度比较 集合框架
百合不是茶
集合框架
集合框架:
自定义数据结构(增删改查等)
package 数组;
/**
* 创建动态数组
* @author 百合
*
*/
public class ArrayDemo{
//定义一个数组来存放数据
String[] src = new String[0];
/**
* 增加元素加入容器
* @param s要加入容器
- 用JS实现一个JS对象,对象里有两个属性一个方法
bijian1013
js对象
<html>
<head>
</head>
<body>
用js代码实现一个js对象,对象里有两个属性,一个方法
</body>
<script>
var obj={a:'1234567',b:'bbbbbbbbbb',c:function(x){
- 探索JUnit4扩展:使用Rule
bijian1013
java单元测试JUnitRule
在上一篇文章中,讨论了使用Runner扩展JUnit4的方式,即直接修改Test Runner的实现(BlockJUnit4ClassRunner)。但这种方法显然不便于灵活地添加或删除扩展功能。下面将使用JUnit4.7才开始引入的扩展方式——Rule来实现相同的扩展功能。
1. Rule
&n
- [Gson一]非泛型POJO对象的反序列化
bit1129
POJO
当要将JSON数据串反序列化自身为非泛型的POJO时,使用Gson.fromJson(String, Class)方法。自身为非泛型的POJO的包括两种:
1. POJO对象不包含任何泛型的字段
2. POJO对象包含泛型字段,例如泛型集合或者泛型类
Data类 a.不是泛型类, b.Data中的集合List和Map都是泛型的 c.Data中不包含其它的POJO
 
- 【Kakfa五】Kafka Producer和Consumer基本使用
bit1129
kafka
0.Kafka服务器的配置
一个Broker,
一个Topic
Topic中只有一个Partition() 1. Producer:
package kafka.examples.producers;
import kafka.producer.KeyedMessage;
import kafka.javaapi.producer.Producer;
impor
- lsyncd实时同步搭建指南——取代rsync+inotify
ronin47
1. 几大实时同步工具比较 1.1 inotify + rsync
最近一直在寻求生产服务服务器上的同步替代方案,原先使用的是 inotify + rsync,但随着文件数量的增大到100W+,目录下的文件列表就达20M,在网络状况不佳或者限速的情况下,变更的文件可能10来个才几M,却因此要发送的文件列表就达20M,严重减低的带宽的使用效率以及同步效率;更为要紧的是,加入inotify
- java-9. 判断整数序列是不是二元查找树的后序遍历结果
bylijinnan
java
public class IsBinTreePostTraverse{
static boolean isBSTPostOrder(int[] a){
if(a==null){
return false;
}
/*1.只有一个结点时,肯定是查找树
*2.只有两个结点时,肯定是查找树。例如{5,6}对应的BST是 6 {6,5}对应的BST是
- MySQL的sum函数返回的类型
bylijinnan
javaspringsqlmysqljdbc
今天项目切换数据库时,出错
访问数据库的代码大概是这样:
String sql = "select sum(number) as sumNumberOfOneDay from tableName";
List<Map> rows = getJdbcTemplate().queryForList(sql);
for (Map row : rows
- java设计模式之单例模式
chicony
java设计模式
在阎宏博士的《JAVA与模式》一书中开头是这样描述单例模式的:
作为对象的创建模式,单例模式确保某一个类只有一个实例,而且自行实例化并向整个系统提供这个实例。这个类称为单例类。 单例模式的结构
单例模式的特点:
单例类只能有一个实例。
单例类必须自己创建自己的唯一实例。
单例类必须给所有其他对象提供这一实例。
饿汉式单例类
publ
- javascript取当月最后一天
ctrain
JavaScript
<!--javascript取当月最后一天-->
<script language=javascript>
var current = new Date();
var year = current.getYear();
var month = current.getMonth();
showMonthLastDay(year, mont
- linux tune2fs命令详解
daizj
linuxtune2fs查看系统文件块信息
一.简介:
tune2fs是调整和查看ext2/ext3文件系统的文件系统参数,Windows下面如果出现意外断电死机情况,下次开机一般都会出现系统自检。Linux系统下面也有文件系统自检,而且是可以通过tune2fs命令,自行定义自检周期及方式。
二.用法:
Usage: tune2fs [-c max_mounts_count] [-e errors_behavior] [-g grou
- 做有中国特色的程序员
dcj3sjt126com
程序员
从出版业说起 网络作品排到靠前的,都不会太难看,一般人不爱看某部作品也是因为不喜欢这个类型,而此人也不会全不喜欢这些网络作品。究其原因,是因为网络作品都是让人先白看的,看的好了才出了头。而纸质作品就不一定了,排行榜靠前的,有好作品,也有垃圾。 许多大牛都是写了博客,后来出了书。这些书也都不次,可能有人让为不好,是因为技术书不像小说,小说在读故事,技术书是在学知识或温习知识,有
- Android:TextView属性大全
dcj3sjt126com
textview
android:autoLink 设置是否当文本为URL链接/email/电话号码/map时,文本显示为可点击的链接。可选值(none/web/email/phone/map/all) android:autoText 如果设置,将自动执行输入值的拼写纠正。此处无效果,在显示输入法并输
- tomcat虚拟目录安装及其配置
eksliang
tomcat配置说明tomca部署web应用tomcat虚拟目录安装
转载请出自出处:http://eksliang.iteye.com/blog/2097184
1.-------------------------------------------tomcat 目录结构
config:存放tomcat的配置文件
temp :存放tomcat跑起来后存放临时文件用的
work : 当第一次访问应用中的jsp
- 浅谈:APP有哪些常被黑客利用的安全漏洞
gg163
APP
首先,说到APP的安全漏洞,身为程序猿的大家应该不陌生;如果抛开安卓自身开源的问题的话,其主要产生的原因就是开发过程中疏忽或者代码不严谨引起的。但这些责任也不能怪在程序猿头上,有时会因为BOSS时间催得紧等很多可观原因。由国内移动应用安全检测团队爱内测(ineice.com)的CTO给我们浅谈关于Android 系统的开源设计以及生态环境。
1. 应用反编译漏洞:APK 包非常容易被反编译成可读
- C#根据网址生成静态页面
hvt
Web.netC#asp.nethovertree
HoverTree开源项目中HoverTreeWeb.HVTPanel的Index.aspx文件是后台管理的首页。包含生成留言板首页,以及显示用户名,退出等功能。根据网址生成页面的方法:
bool CreateHtmlFile(string url, string path)
{
//http://keleyi.com/a/bjae/3d10wfax.htm
stri
- SVG 教程 (一)
天梯梦
svg
SVG 简介
SVG 是使用 XML 来描述二维图形和绘图程序的语言。 学习之前应具备的基础知识:
继续学习之前,你应该对以下内容有基本的了解:
HTML
XML 基础
如果希望首先学习这些内容,请在本站的首页选择相应的教程。 什么是SVG?
SVG 指可伸缩矢量图形 (Scalable Vector Graphics)
SVG 用来定义用于网络的基于矢量
- 一个简单的java栈
luyulong
java数据结构栈
public class MyStack {
private long[] arr;
private int top;
public MyStack() {
arr = new long[10];
top = -1;
}
public MyStack(int maxsize) {
arr = new long[maxsize];
top
- 基础数据结构和算法八:Binary search
sunwinner
AlgorithmBinary search
Binary search needs an ordered array so that it can use array indexing to dramatically reduce the number of compares required for each search, using the classic and venerable binary search algori
- 12个C语言面试题,涉及指针、进程、运算、结构体、函数、内存,看看你能做出几个!
刘星宇
c面试
12个C语言面试题,涉及指针、进程、运算、结构体、函数、内存,看看你能做出几个!
1.gets()函数
问:请找出下面代码里的问题:
#include<stdio.h>
int main(void)
{
char buff[10];
memset(buff,0,sizeof(buff));
- ITeye 7月技术图书有奖试读获奖名单公布
ITeye管理员
活动ITeye试读
ITeye携手人民邮电出版社图灵教育共同举办的7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。
7月试读活动回顾:
http://webmaster.iteye.com/blog/2092746
本次技术图书试读活动的优秀奖获奖名单及相应作品如下(优秀文章有很多,但名额有限,没获奖并不代表不优秀):
《Java性能优化权威指南》