X1AO___X1A
X1AO___X1A

机器学习 | 目录（持续更新）

侠的机器学习笔记

使用博客来记录自己的机器学习过程，笔记是通过网络、书籍以及自我总结而成的。

本笔记分为五部分：

  1. 机器学习基础
  2. 监督学习算法
  3. 无监督学习算法
  4. 深度学习算法
  5. 强化学习算法

所有已完成的笔记都会发布到 CSDN Blog 上，感兴趣的小伙伴可以关注一下，我将会坚持更新机器学习以及深度学习的笔记。所有的笔记都是由 Jupyter Notebook 写成的，Notebook 可以在这个 Github 库内找到。

Q：为什么文章经常会变成 404 ？
A：因为我会经常更新以前的文章，而修改过的文章需要一段时间进行审核。

关于各类机器学习算法的优点，可以参考这篇文章

关于各类机器学习算法的应用场合，可以参考这篇文章

PS：监督学习中分类算法和回归算法并没有严格的界限，分类算法可以做回归，而回归算法也可以做分类。但为了方便起见，因此将按算法首次提出时的目的进行区分。

1. 机器学习基础

  • 机器学习 | 分类评估指标

  • 机器学习 | 回归评估指标

  • 机器学习 | 聚类评估指标

  • 机器学习 | 距离计算

  • 机器学习 | 模型选择

  • 机器学习 | 特征缩放

  • 机器学习 | 网络搜索及可视化

  • 机器学习 | 梯度下降原理及Python实现

  • 机器学习 | 早期停止法原理及Python实现

  • 机器学习 | EM 算法原理

2. 监督学习

2.1 分类算法

  • 机器学习 | 分类评估指标

贝叶斯

  • 监督学习 | 朴素贝叶斯原理及Python实现
  • 监督学习 | 朴素贝叶斯之Sklearn实现

决策树

  • 监督学习 | ID3 决策树原理及Python实现
  • 监督学习 | ID3 & C4.5 决策树原理
  • 监督学习 | CART 分类回归树原理
  • 监督学习 | 决策树之Sklearn实现
  • 监督学习 | 决策树之网络搜索

SVM 支持向量机

  • 监督学习 | SVM 之线性支持向量机原理
  • 监督学习 | SVM 之非线性支持向量机原理
  • 监督学习 | SVM 之支持向量机Sklearn实现

KNN K近邻

  • 监督学习 | KNN K近邻原理及Sklearn实现

2.2 回归算法

  • 机器学习 | 回归评估指标

多元线性回归

  • 监督学习 | 线性回归 之多元线性回归原理及Sklearn实现

正则线性模型

  • 监督学习 | 线性回归 之正则线性模型原理及Sklearn实现
  • 监督学习 | 线性回归 之Softmax回归原理及Sklearn实现

Logistic 回归分类器

  • 监督学习 | 线性分类 之Logistic回归原理及Sklearn实现

非线性回归

  • 监督学习 | 非线性回归 之多项式回归原理及Sklearn实现

2.3 集成方法

Bagging、随机森林

  • 监督学习 | 集成学习 之Bagging、随机森林及Sklearn实现

AdaBoost

  • 监督学习 | 集成学习 之AdaBoost原理及Slearn实现

3. 无监督学习

3.1 聚类算法

  • 机器学习 | 聚类评估指标
  • 机器学习 | 距离计算

原型聚类 - KMeans K均值

  • 无监督学习 | KMeans 与 KMeans++ 原理
  • 无监督学习 | KMeans 之Sklearn实现：电影评分聚类

层次聚类 - 凝聚聚类

  • 无监督学习 | 层次聚类 之凝聚聚类原理及Sklearn实现

密度聚类 - DBSCAN

  • 无监督学习 | DBSCAN 原理及Sklearn实现

概率聚类 - GMM 高斯混合

  • 无监督学习 | GMM 高斯混合聚类原理及Sklearn实现

3.2 降维算法

PCA 主成分分析

  • 无监督学习 | PCA 主成分分析原理及Sklearn实现

  • 无监督学习 | PCA 主成分分析之客户分类

随机投影

  • 无监督学习 | 随机投影原理及Sklearn实现

ICA 独立成分分析

  • 无监督学习 | ICA 独立成分分析原理及Sklearn实现

4. 深度学习

深度学习基础

BP 神经网络

CNN 卷积神经网络

5. 强化学习

强化学习基础

动态规划

蒙特卡洛模拟

时间差分

深度 Q 学习

策略梯度

行动者-评论者方法

你可能感兴趣的:(机器学习基础,监督学习,无监督学习)

  • 机器学习与深度学习间关系与区别 ℒℴѵℯ心·动ꦿ໊ོ꫞ 人工智能学习深度学习python
    一、机器学习概述定义机器学习（MachineLearning,ML）是一种通过数据驱动的方法，利用统计学和计算算法来训练模型，使计算机能够从数据中学习并自动进行预测或决策。机器学习通过分析大量数据样本，识别其中的模式和规律，从而对新的数据进行判断。其核心在于通过训练过程，让模型不断优化和提升其预测准确性。主要类型1.监督学习（SupervisedLearning）监督学习是指在训练数据集中包含输入
  • Python前沿技术：机器学习与人工智能 4.0啊 Python人工智能python机器学习
    Python前沿技术：机器学习与人工智能一、引言随着科技的飞速发展，机器学习和人工智能（AI）已经成为了计算机科学领域的热门话题。Python作为一门易学易用且功能强大的编程语言，已经成为了这两个领域的首选语言之一。本文将深入探讨Python在机器学习和人工智能领域的应用，以及一些前沿技术和工具。二、Python机器学习基础2.1机器学习概述机器学习是人工智能（AI）的一个关键子集，它的核心在于让
  • 如何有效的学习AI大模型？ Python程序员罗宾 学习人工智能语言模型自然语言处理架构
    学习AI大模型是一个系统性的过程，涉及到多个学科的知识。以下是一些建议，帮助你更有效地学习AI大模型：基础知识储备：数学基础：学习线性代数、概率论、统计学和微积分等，这些是理解机器学习算法的数学基础。编程技能：掌握至少一种编程语言，如Python，因为大多数AI模型都是用Python实现的。理论学习：机器学习基础：了解监督学习、非监督学习、强化学习等基本概念。深度学习：学习神经网络的基本结构，如卷
  • 概率潜在语义分析（Probabilistic Latent Semantic Analysis,PLSA）—无监督学习方法、概率模型、生成模型、共现模型、非线性模型、参数化模型、批量学习 剑海风云 ArtificialIntelligence人工智能机器学习概率潜在语义分析PLSA
    定义输入:设单词集合为W={ω1,ω2,⋯ ,ωM}W=\{\omega_1,\omega_2,\cdots,\omega_M\}W={ω1,ω2,⋯,ωM},文本集合为D={d1,d2,⋯ ,dN}D=\{d_1,d_2,\cdots,d_N\}D={d1,d2,⋯,dN},话题集合为Z={z1,z2,⋯ ,zN}Z=\{z_1,z_2,\cdots,z_N\}Z={z1,z2,⋯,zN},共现
  • 潜在狄利克雷分配（Latent Dirichlet Allocation,LDA）—无监督学习方法、概率模型、生成模型、线性模型、非参数化模型、贝叶斯学习、批量学习 剑海风云 ArtificialIntelligence人工智能机器学习潜在狄利克雷分配LDA
    定义输入:单词集合W={ω1,⋯ ,ωv,⋯ ,ωV},其中ωv是第v个单词,v=1,2,⋯ ,V,V是单词第个数。单词集合W=\{\omega_1,\cdots,\omega_v,\cdots,\omega_V\},其中\omega_v是第v个单词,v=1,2,\cdots,V,V是单词第个数。单词集合W={ω1,⋯,ωv,⋯,ωV},其中ωv是第v个单词,v=1,2,⋯,V,V是单词第个数。文
  • 计算机视觉中，什么是Hide-and-Seek？ Wils0nEdwards 计算机视觉人工智能
    是的，Hide-and-Seek技术主要是在弱监督学习领域中使用的，它的核心思想是通过随机遮掩输入图像的一部分，强迫模型学习更全面的特征，而不是仅仅依赖显著的局部信息。由于弱监督场景下的监督信号有限，例如只有少量的点标注、粗略标注或没有任何标注，模型容易过度依赖于图像中最显著的部分，而忽略其他信息。这种现象会导致模型只关注容易识别的局部特征，而无法理解物体的整体结构或捕捉更多的背景信息。1.Hid
  • AdaBoost算法（AdbBoost Algorithm）—有监督学习方法、非概率模型、判别模型、非线性模型、非参数化模型、批量学习 剑海风云 ArtificialIntelligence人工智能机器学习提升方法AdaBoost
    定义输入:训练数据集T={(x1,y1),(x2,y2),⋯ ,(xN,yN)}T=\{(x_1,y_1),(x_2,y_2),\cdots,(x_N,y_N)\}T={(x1,y1),(x2,y2),⋯,(xN,yN)},其中，xi∈χ⊆Rn,yi∈y={−1,+1}x_i\in\chi\subseteqR^n,y_i\in{\tty}=\{-1,+1\}xi∈χ⊆Rn,yi∈y={−1,+1}
  • 什么是监督学习（Supervised Learning） 救救孩子把 AIAI学习
    一、监督学习概述监督学习（SupervisedLearning）是一种极具威力的机器学习方法，能够训练算法以识别数据中的模式，并据此进行精准的预测或分类。借助已有的标记数据，监督学习模型学会了从输入到输出的映射关系，进而在各类实际问题中实现自动化决策。无论是医疗诊断、金融市场分析、客户行为预测，还是提升生产效率以及个性化推荐系统等领域，监督学习都彰显出巨大的潜力与价值。随着技术的持续进步，监督学习
  • 深度学习算法，该如何深入，举例说明 liyy614 深度学习
    深度学习算法的深入学习可以从理论和实践两个方面进行。理论上，深入理解深度学习需要掌握数学基础（如线性代数、概率论、微积分）、机器学习基础和深度学习框架原理。实践上，可以通过实现和优化深度学习模型来提升技能。理论深入数学基础线性代数：理解向量、矩阵、特征值和特征向量等，对于理解神经网络的权重和偏置矩阵至关重要。概率论：用于理解模型的不确定性，如Dropout等正则化技术。微积分：理解梯度下降等优化算
  • 【机器学习】机器学习的基本概念、算法的工作原理、实际应用案例 @我们的天空 人工智能技术机器学习算法人工智能自然语言处理金融pythonsklearn
    一、机器学习的基本概念定义：机器学习是人工智能的一个分支，它使计算机能够在没有明确编程的情况下从数据中学习并改进其性能。机器学习的目标是让计算机自动学习模式和规律，从而能够对未知数据做出预测或决策。主要类型：监督学习：在这种类型的学习中，算法通过已知输入输出数据对进行训练，学习映射函数，以便对新的输入数据进行预测。常见的监督学习任务包括分类和回归。无监督学习：无监督学习的任务是发现数据中的结构或模
  • 机器学习之 K-均值聚类算法 维生素￥ 机器学习机器学习算法均值算法
    K-均值（K-means）聚类算法是一种常用的无监督学习算法，用于将数据集划分为K个不同的簇。该算法通过迭代的方式将数据点分配到最近的簇中，并更新簇的中心，直到收敛为止。一、K-均值聚类算法的基本步骤：初始化K个簇的中心点（可以随机选择或者根据数据集初始化）。将每个数据点分配到最近的簇中。更新每个簇的中心点为该簇所有数据点的平均值。重复步骤2和3，直到簇的中心点不再改变或达到指定的迭代次数。二、K
  • 机器学习中的 K-均值聚类算法及其优缺点 安科瑞蒋静 机器学习算法均值算法
    K-均值聚类算法是一种常用的无监督学习算法，用于将一组数据点划分为K个不同的聚类。该算法的主要思想是将数据点分配给最接近的聚类中心，并通过迭代优化聚类中心位置，使得聚类内部的数据点之间的距离最小化。算法流程如下：初始化K个聚类中心，可以是随机选择的数据点或者通过其他方法选择。分别计算每个数据点到K个聚类中心的距离，并将其分配给距离最近的聚类中心。更新每个聚类的中心位置为其内部所有数据点的平均值。重
  • 工信教考 | AI智能体应用工程师（模拟试题） 人工智能-猫猫 人工智能开源自然语言处理语言模型架构
    关于AI智能体工程师的模拟试题，下面根据AI智能体工程师所需掌握的知识和技能，设计一些模拟题型的示例。这些题目旨在考察应试者在人工智能、机器学习、深度学习、算法设计、系统开发等方面的能力。一、选择题无监督学习常用于哪些任务？（单选）A.回归分析B.聚类分析C.分类预测D.序列预测答案：B解析：无监督学习常用于聚类、降维、异常检测等任务，如市场分割、数据可视化等。以下哪种激活函数常用于分类问题的输出
  • (感知机-Perceptron)—有监督学习方法、非概率模型、判别模型、线性模型、参数化模型、批量学习、核方法 剑海风云 ArtificialIntelligence机器学习人工智能感知机Perceptron
    定义假设输入空间（特征空间）是χ\chiχ⊆Rn\subseteqR^n⊆Rn,输出空间是y={+1,−1}=\{+1,-1\}={+1,−1}。输入x∈χx\in\chix∈χ表示实例的特征向量，对应于输入空间（特征空间）的点；输出y∈y\iny∈y表示实例的类别。由输入空间到输出空间的如下函数：f(x)=sign(ω⋅x+b)f(x)=sign(\omega\cdotx+b)f(x)=sign
  • K近邻法（K-nearest neighbor,K-NN）—有监督学习方法、非概率模型、判别模型、线性模型、参数化模型、批量学习、核方法 剑海风云 ArtificialIntelligence人工智能机器学习K近邻法KNN
    定义输入：训练数据集（T={(x1,y1),(x2,y2),…,(xN,yN)}\left\{(x_1,y_1),(x_2,y_2),\dots,(x_N,y_N)\right\}{(x1,y1),(x2,y2),…,(xN,yN)}）其中：xi∈χ⊆Rnx_i\in{\tt\chi}\subseteqR^nxi∈χ⊆Rn:实例的特征向量yi∈yy_i\in{\tty}yi∈y={c1,c2,⋯ 
  • 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
  • 【大模型系列篇】预训练模型：BERT & GPT 木亦汐丫 大模型bertgpt人工智能预训练模型大模型
    2018年，Google首次推出BERT（BidirectionalEncoderRepresentationsfromTransformers）。该模型是在大量文本语料库上结合无监督和监督学习进行训练的。BERT的目标是创建一种语言模型，可以理解句子中单词的上下文和含义，同时考虑到它前后出现的单词。2018年，OpenAI首次推出GPT（GenerativePre-trainedTransfor
  • Spark入门：KMeans聚类算法 17111_Chaochao1984a 算法sparkkmeans
    聚类（Clustering）是机器学习中一类重要的方法。其主要思想使用样本的不同特征属性，根据某一给定的相似度度量方式（如欧式距离）找到相似的样本，并根据距离将样本划分成不同的组。聚类属于典型的无监督学习（UnsupervisedLearning）方法。与监督学习（如分类器）相比1，无监督学习的训练集没有人为标注的结果。在非监督式学习中，数据并不被特别标识，学习模型是为了推断出数据的一些内在结构。
  • 看demo学算法之 自编码器 小琳ai 算法
    大家好，这里是小琳AI课堂！今天我们来聊聊自编码器。AE自编码器，全称为Autoencoder，是一种数据压缩算法，它能够通过学习输入数据的有效表示（编码）来重建输入数据（解码）。自编码器通常被用于无监督学习任务，尤其是在降维、特征学习、数据去噪等领域。下面，我将从四个不同的角度来详细解释AE自编码器。1.技术细节自编码器由两部分组成：编码器（encoder）和解码器（decoder）。编码器负责
  • AI模型：追求全能还是专精？ Lill_bin 杂谈人工智能分布式zookeeper机器学习游戏
    AI模型简介人工智能（AI）模型是人工智能系统的核心，它们是经过训练的算法，能够执行特定的任务，如图像识别、自然语言处理、游戏玩法、预测分析等。AI模型的类型很多，可以根据其功能和应用场景进行分类。常见的AI模型类型包括：监督学习模型：这些模型通过训练数据集学习，数据集中包含了输入和对应的输出标签。例子包括决策树、支持向量机（SVM）、神经网络等。无监督学习模型：这些模型处理没有标签的数据，目的是
  • NLP从零开始------17.文本中阶处理之序列到序列模型（2） 人生百态，人生如梦 nlp从零开始自然语言处理人工智能
    3.学习序列到序列模型可以看成一种条件语言模型，以源句x为条件计算目标句的条件概率该条件概率通过概率乘法公式分解为从左到右每个词的条件概率之积：序列到序列模型的监督学习需要使用平行语料，其中每个数据点都包含一对源句和目标句。以中译英机器翻译为例，平行语料的每个数据点就是一句中文句子和对应的一句英文句子。机器翻译领域较为有名的平行语料库来自机器翻译研讨会(workshoponmachinetrans
  • K近邻(KNN)算法详解及Python实现 天明豆豆
    K近邻(KNN)算法详解及Python实现今天浏览网页看到一篇用Python实现K近邻(KNN)算法的详解教程，果断收藏下来，虽然是五年前的文章，可能有些语法已经不适合，但文章语法思路还是可以值得借鉴的，收藏之后以后慢慢研究。KNN依然是一种监督学习算法KNN（KNearestNeighbors,K近邻）算法是机器学习所有算法中理论最简单，最好理解的。KNN是一种基于实例的学习，通过计算新数据与训
  • 机器学习在医学中的应用 听忆. 机器学习人工智能
    边走、边悟迟早会好机器学习在医学中的应用是一个广泛且复杂的领域，涵盖了从基础研究到临床应用的多个方面。以下是一个万字总结的结构性思路，分章节深入探讨不同应用场景、技术方法、挑战与未来展望。1.引言背景与发展：介绍医学领域的数字化转型以及机器学习的兴起，探讨其在医学中的潜力。机器学习的基本概念：简要介绍机器学习的基本原理、分类（监督学习、非监督学习、强化学习等）和常用算法（如神经网络、支持向量机、随
  • 机器学习（2）单变量线性回归 天凉玩个锤子
    2.1模型表示我们学习的第一个算法是线性回归算法。在监督学习中，我们有一个数据集，这个数据集被称为训练集（TrainingSet）。我们用小写字母m来表示训练样本的数目。监督学习算法的工作方式以房屋价格的训练为例，将训练集里房屋价格喂给学习算法，学习算法工作后输出一个函数h，h代表hypothesis（假设）。函数h输入为房屋尺寸大小x，h根据输入来得出y值，y值对应房子的价格。因此，h是一个从x
  • 机器学习 第9章-聚类 Rin__________ 机器学习笔记机器学习聚类支持向量机
    机器学习第9章-聚类9.1聚类任务在“无监督学习”(unsupervisedlearning)中，训练样本的标记信息是未知的，目标是通过对无标记训练样本的学习来揭示数据的内在性质及规律，为进一步的数据分析提供基础。此类学习任务中研究最多、应用最广的是“聚类”(clustering)。聚类试图将数据集中的样本划分为若干个通常是不相交的子集，每个子集称为一个“簇”(cluster)。通过这样的划分，每
  • 机器学习：svm算法原理的优缺点和适应场景 夜清寒风 支持向量机算法机器学习
    1、概述：基本原理：间隔（Margin）：SVM试图找到一个超平面，这个超平面不仅能够区分不同的类别，而且具有最大的间隔。间隔是数据点到超平面的最近距离。支持向量（SupportVectors）：这些是距离超平面最近的数据点，它们决定了超平面的位置和方向。支持向量机（SVM）是一种在机器学习领域广泛使用的监督学习模型，它通过找到数据点之间的最优超平面来进行分类或回归分析。以下是SVM算法的一些优缺
  • 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
  • 程序猿成长之路之数据挖掘篇——Kmeans聚类算法 zygswo 数据挖掘数据挖掘算法kmeans
    Kmeans是一种可以将一个数据集按照距离（相似度）划分成不同类别的算法，它无需借助外部标记，因此也是一种无监督学习算法。什么是聚类用官方的话说聚类就是将物理或抽象对象的集合分成由类似的对象组成的多个类的过程。用自己的话说聚类是根据不同样本数据间的相似度进行种类划分的算法。这种划分可以基于我们的业务需求或建模需求来完成，也可以单纯地帮助我们探索数据的自然结构和分布。什么是K-means聚类用官方的
  • 机器学习（ML）算法分类 活蹦乱跳酸菜鱼 机器学习
    机器学习（ML）算法是一个广泛而多样的领域，涵盖了多种用于数据分析和模式识别的技术。以下是一些常见的机器学习算法分类及其具体算法：一、监督学习算法监督学习算法使用标记（即已知结果）的训练数据来训练模型，以便对新数据进行预测。线性回归：用于建立连续变量之间的关系，通过拟合一条直线或超平面来预测新数据的输出值。逻辑回归：虽然名称中包含“回归”，但实际上是用于分类问题，特别是二分类问题。通过将线性回归模
  • 聚类算法-Kmeans聚类 红米煮粥 机器学习kmeans聚类
    一、K-means聚类介绍1.含义K-means聚类是一种非常流行的无监督学习算法，用于将数据点划分为预定义的K个簇（或组），其中每个簇由其质心（即簇中所有点的均值）定义。K-means算法的目标是使簇内的点尽可能紧密地聚集在一起，同时使不同簇之间的点尽可能远离。2.基本步骤：选择K值：首先，你需要决定将数据分成多少个簇，即K的值。K的选择通常是基于问题的上下文或通过一些启发式方法（如肘部法则）来
  • Js函数返回值 _wy_ jsreturn
    一、返回控制与函数结果，语法为：return 表达式;作用: 结束函数执行，返回调用函数，而且把表达式的值作为函数的结果 二、返回控制语法为：return;作用: 结束函数执行，返回调用函数，而且把undefined作为函数的结果 在大多数情况下,为事件处理函数返回false,可以防止默认的事件行为.例如,默认情况下点击一个<a>元素,页面会跳转到该元素href属性
  • MySQL 的 char 与 varchar bylijinnan mysql
    今天发现，create table 时，MySQL 4.1有时会把 char 自动转换成 varchar 测试举例： CREATE TABLE `varcharLessThan4` ( `lastName` varchar(3) ) ; mysql> desc varcharLessThan4; +----------+---------+------+-
  • Quartz——TriggerListener和JobListener eksliang TriggerListenerJobListenerquartz
    转载请出自出处：http://eksliang.iteye.com/blog/2208624 一.概述 listener是一个监听器对象，用于监听scheduler中发生的事件，然后执行相应的操作；你可能已经猜到了，TriggerListeners接受与trigger相关的事件，JobListeners接受与jobs相关的事件。   二.JobListener监听器  j
  • oracle层次查询 18289753290 oracle；层次查询；树查询
    .oracle层次查询(connect  by) oracle的emp表中包含了一列mgr指出谁是雇员的经理，由于经理也是雇员，所以经理的信息也存储在emp表中。这样emp表就是一个自引用表，表中的mgr列是一个自引用列，它指向emp表中的empno列，mgr表示一个员工的管理者， select   empno,mgr,ename,sal  from e
  • 通过反射把map中的属性赋值到实体类bean对象中 酷的飞上天空 javaee泛型类型转换
    使用过struts2后感觉最方便的就是这个框架能自动把表单的参数赋值到action里面的对象中 但现在主要使用Spring框架的MVC，虽然也有@ModelAttribute可以使用但是明显感觉不方便。 好吧，那就自己再造一个轮子吧。 原理都知道，就是利用反射进行字段的赋值，下面贴代码 主要类如下：   import java.lang.reflect.Field; imp
  • SAP HANA数据存储：传统硬盘的瓶颈问题 蓝儿唯美 HANA
    SAPHANA平台有各种各样的应用场景，这也意味着客户的实施方法有许多种选择，关键是如何挑选最适合他们需求的实施方案。 在 《Implementing SAP HANA》这本书中，介绍了SAP平台在现实场景中的运作原理，并给出了实施建议和成功案例供参考。本系列文章节选自《Implementing SAP HANA》，介绍了行存储和列存储的各自特点，以及SAP HANA的数据存储方式如何提升空间压
  • Java Socket 多线程实现文件传输 随便小屋 javasocket
            高级操作系统作业，让用Socket实现文件传输，有些代码也是在网上找的，写的不好，如果大家能用就用上。 客户端类：   package edu.logic.client; import java.io.BufferedInputStream; import java.io.Buffered
  • java初学者路径 aijuans java
    学习Java有没有什么捷径?要想学好Java，首先要知道Java的大致分类。自从Sun推出Java以来，就力图使之无所不包，所以Java发展到现在，按应用来分主要分为三大块：J2SE,J2ME和J2EE,这也就是Sun ONE(Open Net Environment)体系。J2SE就是Java2的标准版，主要用于桌面应用软件的编程；J2ME主要应用于嵌入是系统开发，如手机和PDA的编程；J2EE
  • APP推广 aoyouzi APP推广
    一，免费篇 1，APP推荐类网站自主推荐 最美应用、酷安网、DEMO8、木蚂蚁发现频道等,如果产品独特新颖，还能获取最美应用的评测推荐。PS：推荐简单。只要产品有趣好玩，用户会自主分享传播。例如足迹APP在最美应用推荐一次，几天用户暴增将服务器击垮。 2，各大应用商店首发合作 老实盯着排期，多给应用市场官方负责人献殷勤。 3，论坛贴吧推广 百度知道，百度贴吧，猫扑论坛，天涯社区，豆瓣（
  • JSP转发与重定向 百合不是茶 jspservletJava Webjsp转发
      在servlet和jsp中我们经常需要请求,这时就需要用到转发和重定向;   转发包括;forward和include     例子;forwrad转发;  将请求装法给reg.html页面   关键代码;    req.getRequestDispatcher("reg.html
  • web.xml之jsp-config bijian1013 javaweb.xmlservletjsp-config
    1.作用：主要用于设定JSP页面的相关配置。 2.常见定义： <jsp-config> <taglib> <taglib-uri>URI(定义TLD文件的URI,JSP页面的tablib命令可以经由此URI获取到TLD文件)</tablib-uri> <taglib-location> TLD文件所在的位置
  • JSF2.2 ViewScoped Using CDI sunjing CDIJSF 2.2ViewScoped
    JSF 2.0 introduced annotation @ViewScoped; A bean annotated with this scope maintained its state as long as the user stays on the same view(reloads or navigation - no intervening views). One problem w
  • 【分布式数据一致性二】Zookeeper数据读写一致性 bit1129 zookeeper
    很多文档说Zookeeper是强一致性保证，事实不然。关于一致性模型请参考http://bit1129.iteye.com/blog/2155336    Zookeeper的数据同步协议 Zookeeper采用称为Quorum Based Protocol的数据同步协议。假如Zookeeper集群有N台Zookeeper服务器(N通常取奇数，3台能够满足数据可靠性同时
  • Java开发笔记 白糖_ java开发
    1、Map<key,value>的remove方法只能识别相同类型的key值   Map<Integer,String> map = new HashMap<Integer,String>(); map.put(1,"a"); map.put(2,"b"); map.put(3,"c"
  • 图片黑色阴影 bozch 图片
     .event{ padding:0;    width:460px;    min-width: 460px;    border:0px solid #e4e4e4;    height: 350px;    min-heig
  • 编程之美-饮料供货-动态规划 bylijinnan 动态规划
    import java.util.Arrays; import java.util.Random; public class BeverageSupply { /** * 编程之美 饮料供货 * 设Opt（V’，i）表示从i到n-1种饮料中，总容量为V’的方案中，满意度之和的最大值。 * 那么递归式就应该是：Opt（V’，i）=max{ k * Hi+Op
  • ajax大参数（大数据）提交性能分析 chenbowen00 WebAjax框架浏览器prototype
    近期在项目中发现如下一个问题 项目中有个提交现场事件的功能，该功能主要是在web客户端保存现场数据（主要有截屏，终端日志等信息）然后提交到服务器上方便我们分析定位问题。客户在使用该功能的过程中反应点击提交后反应很慢，大概要等10到20秒的时间浏览器才能操作，期间页面不响应事件。 根据客户描述分析了下的代码流程，很简单，主要通过OCX控件截屏，在将前端的日志等文件使用OCX控件打包，在将之转换为
  • [宇宙与天文]在太空采矿,在太空建造 comsci
         我们在太空进行工业活动...但是不太可能把太空工业产品又运回到地面上进行加工,而一般是在哪里开采,就在哪里加工,太空的微重力环境,可能会使我们的工业产品的制造尺度非常巨大....      地球上制造的最大工业机器是超级油轮和航空母舰,再大些就会遇到困难了,但是在空间船坞中,制造的最大工业机器,可能就没
  • ORACLE中CONSTRAINT的四对属性 daizj oracleCONSTRAINT
    ORACLE中CONSTRAINT的四对属性 summary:在data migrate时,某些表的约束总是困扰着我们,让我们的migratet举步维艰,如何利用约束本身的属性来处理这些问题呢?本文详细介绍了约束的四对属性: Deferrable/not deferrable, Deferred/immediate, enalbe/disable, validate/novalidate,以及如
  • Gradle入门教程 dengkane gradle
    一、寻找gradle的历程 一开始的时候，我们只有一个工程，所有要用到的jar包都放到工程目录下面，时间长了，工程越来越大，使用到的jar包也越来越多，难以理解jar之间的依赖关系。再后来我们把旧的工程拆分到不同的工程里，靠ide来管理工程之间的依赖关系，各工程下的jar包依赖是杂乱的。一段时间后，我们发现用ide来管理项程很不方便，比如不方便脱离ide自动构建，于是我们写自己的ant脚本。再后
  • C语言简单循环示例 dcj3sjt126com c
    # include <stdio.h> int main(void) { int i; int count = 0; int sum = 0; float avg; for (i=1; i<=100; i++) { if (i%2==0) { count++; sum += i; } } avg
  • presentModalViewController 的动画效果 dcj3sjt126com controller
    系统自带(四种效果)： presentModalViewController模态的动画效果设置：     [cpp]  view plain copy   UIViewController *detailViewController = [[UIViewController al
  • java 二分查找 shuizhaosi888 二分查找java二分查找
    需求：在排好顺序的一串数字中，找到数字T   一般解法：从左到右扫描数据，其运行花费线性时间O(N)。然而这个算法并没有用到该表已经排序的事实。 /** * * @param array * 顺序数组 * @param t * 要查找对象 * @return */ public stati
  • Spring Security（07）——缓存UserDetails 234390216 ehcache缓存Spring Security
           Spring Security提供了一个实现了可以缓存UserDetails的UserDetailsService实现类，CachingUserDetailsService。该类的构造接收一个用于真正加载UserDetails的UserDetailsService实现类。当需要加载UserDetails时，其首先会从缓存中获取，如果缓存中没
  • Dozer 深层次复制 jayluns VOmavenpo
    最近在做项目上遇到了一些小问题，因为架构在做设计的时候web前段展示用到了vo层，而在后台进行与数据库层操作的时候用到的是Po层。这样在业务层返回vo到控制层，每一次都需要从po-->转化到vo层，用到BeanUtils.copyProperties(source, target)只能复制简单的属性，因为实体类都配置了hibernate那些关联关系，所以它满足不了现在的需求，但后发现还有个很
  • CSS规范整理（摘自懒人图库） a409435341 htmlUIcss浏览器
       刚没事闲着在网上瞎逛，找了一篇CSS规范整理，粗略看了一下后还蛮有一定的道理，并自问是否有这样的规范，这也是初入前端开发的人一个很好的规范吧。 一、文件规范 1、文件均归档至约定的目录中。 具体要求通过豆瓣的CSS规范进行讲解： 所有的CSS分为两大类：通用类和业务类。通用的CSS文件，放在如下目录中： 基本样式库 /css/core
  • C++动态链接库创建与使用 你不认识的休道人 C++dll
    一、创建动态链接库 1.新建工程test中选择”MFC [dll]”dll类型选择第二项"Regular DLL With MFC shared linked"，完成 2.在test.h中添加 extern “C” 返回类型 _declspec(dllexport)函数名(参数列表); 3.在test.cpp中最后写 extern “C” 返回类型 _decls
  • Android代码混淆之ProGuard rensanning ProGuard
    Android应用的Java代码，通过反编译apk文件（dex2jar、apktool）很容易得到源代码，所以在release版本的apk中一定要混淆一下一些关键的Java源码。 ProGuard是一个开源的Java代码混淆器（obfuscation）。ADT r8开始它被默认集成到了Android SDK中。 官网： http://proguard.sourceforge.net/
  • 程序员在编程中遇到的奇葩弱智问题 tomcat_oracle jquery编程ide
    　　现在收集一下：       　　排名不分先后，按照发言顺序来的。   1、Jquery插件一个通用函数一直报错，尤其是很明显是存在的函数，很有可能就是你没有引入jquery。。。或者版本不对 2、调试半天没变化：不在同一个文件中调试。这个很可怕，我们很多时候会备份好几个项目，改完发现改错了。有个群友说的好：   在汤匙
  • 解决maven-dependency-plugin (goals "copy-dependencies","unpack") is not supported xp9802 dependency
    解决办法：在plugins之前添加如下pluginManagement，二者前后顺序如下：   [html]  view plain copy   <build>           <pluginManagement
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他