- 赠书 | 李航老师的蓝皮书
茗创科技
赠书活动统计学习方法“统计机器学习方法是实现智能化目标的最有效的手段,统计机器学习是各种智能性处理研究领域中的核心技术,并且在这些领域的发展及应用中起着决定性的作用。”作者简介李航,日本京都大学电气电子工程系毕业,日本东京大学计算机科学博士。北京大学、南京大学客座教授,IEEE会士,ACM杰出科学家,CCF高级会员。研究方向包括信息检索,自然语言处理,统计机器学习,及数据挖掘。曾出版过三部学术专著
- 自然语言处理系列四十》条件随机场CRF》CRF开源工具实战
陈敬雷-充电了么-CEO兼CTO
自然语言处理人工智能aipython深度学习机器人机器学习
注:此文章内容均节选自充电了么创始人,CEO兼CTO陈敬雷老师的新书《自然语言处理原理与实战》(人工智能科学与技术丛书)【陈敬雷编著】【清华大学出版社】文章目录自然语言处理系列四十条件随机场(CRF)开源工具实战新词发现与短语提取总结自然语言处理系列四十条件随机场(CRF)开源工具实战目前条件随机场最流行的开源工具是CRF++。CRF++工具包最早是针对序列数据分析提出的,是一个可用于分词/连续数
- 人工智能值得关注的技术研究方向
喜欢打酱油的老鸟
人工智能人工智能值得关注的技术研究方向
人工智能值得关注的技术研究方向为了更好地破除上述人工智能技术研究的瓶颈问题,在AI学术研究领域,一些新的技术发展趋势和研究方向也值得关注,包括:(1)从专用人工智能到通用人工智能是大势所趋,一些科技巨头包括国家机构都在布局通用人工智能的研究,微软成立人工智能实验室以挑战通用人工智能为主要目标;(2)可解释的人工智能系统备受关注,也将成为突破统计学习瓶颈问题的一个重要方向。DARPA的报告:第一个波
- 机器学习入门--支持向量机原理与实践
Dr.Cup
机器学习入门支持向量机机器学习算法
支持向量机模型支持向量机(SupportVectorMachine,SVM)是一种常用的监督学习算法,主要用于分类和回归问题。它的原理简单而强大,在许多实际应用中取得了很好的效果。原理支持向量机(SupportVectorMachine,SVM)是一种常用的机器学习算法,用于分类和回归问题。其原理是基于统计学习理论中的结构风险最小化原则。SVM的主要思想是将数据通过一个高维特征空间进行映射,使得在
- 统计学习方法(李航)--第二章 感知机(比较基础)
人間煙火Just
感知机是二分类的线性分类模型,属于判别模型,包括原始形式和对偶形式。(一)感知机模型公式为:f是输出,x是输入,w和b是参数,sign是符号函数(大于0为1,小于0为-1)几何解释:对于特征空间Rn中的一个超平面S,w是S的法向量,b是截距,将超平面空间划分为两个部分,完成2分类任务。(二)学习策略1.数据集的线性可分性:若存在wx+b的超平面可以将数据集完全分割,则称为线性可分。2.学习策略(以
- 【2018-10-02】条件随机场
BigBigFlower
条件随机场:给定随机变量x条件下,随机变量y的马尔科夫随机场。设X和Y是随机变量,P(Y|X)是在给定X的条件下Y的条件概率分布,若随机变量Y构成一个由无向图G=(V,E)表示的马尔科夫随机场,即满足马尔科夫性:w~v(与v连接的所有w)线性链条件随机场线性链条件随机场的参数形式:tk边上的特征函数,sl节点上的特征函数条件随机场的概率计算问题前向-后向算法定义前向向量:递推公式:定义后向向量:前
- 机器学习系列(8)——提升树与GBDT算法
陌简宁
机器学习
本文介绍提升树模型与GBDT算法。0x01、提升树模型提升树是以分类树或回归树为基本分类器的提升方法。提升树被认为是统计学习中性能最好的方法之一。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:其中,表示决策树,为决策树的
- 概率统计学习打卡——数理统计与描述性分析
xtsqmx
1.数理统计的基本概念总体:研究对象的全体(X)个体:组成总体的每个基本单元样本:从总体中抽取的一部分个体()简单随机样本:具有随机性和独立性的样本,即样本相互独立具有同一分布样本的两重性:抽样前是随机变量,抽样后是具体的数统计量:样本的函数,不含有任何未知参数抽样分布:统计量的分布2.常用的统计量样本均值:用来估计总体均值和对对有关总体均值的假设做检验样本方差:用来估计总体方差和对有关总体方差的
- 统计学习方法笔记之决策树
Aengus_Sun
更多文章可以访问我的博客Aengus|Blog决策树的概念比较简单,可以将决策树看做一个if-then集合:如果“条件1”,那么...。决策树学习的损失函数通常是正则化后极大似然函数,学习的算法通常是一个递归的选择最优特征,并根据该特征对训练数据进行分割,使得对各个子数据集有一个最好的分类的过程。可以看出,决策树算法一般包含特征选择,决策树的生成与决策树的剪枝过程。特征选择信息增益熵和条件熵在了解
- 用户体验度量-量化用户体验的统计学方法
挖泥巴
用户体验度量-量化用户体验的统计学方法作者:JeffSauro/JamesR.Lewis本书含有大量的统计学方法,用统计学方法来量化用户体验的度量问题。如果会统计学习或有打算往这个方向发展的用研同学可以参考。怎么说也是解决掉了一个大难题,既你的数据客观吗?要客观就按书上的来吧。用户研究的主要工作是对用户、目标、需求和行为能力的系统研究,用于指导产品设计及产品经营体验度量的基础都是围绕可用性测试、参
- 统计学习03:参数、统计量&标准误、置信区间
小贝学生信
要点一:参数与统计量参数(parameter)描述总体(population)的概括性度量;统计参数必须要在整体数据都可被观察的时候才能计算,通常由于数量过大而不便于统计计算;例如,一个完美的人口普查。统计参数一般是固定的,但难以确定;参数一般用希腊字母表示,例如总体均值μ、标准差σ统计量(statistic)描述样本(sample)的概括性度量;一般根据统计量来估计总体参数,即为参数点估计;样本
- 机器学习---概率图模型(隐马尔可夫模型、马尔可夫随机场、条件随机场)
三月七꧁ ꧂
机器学习机器学习人工智能
1.隐马尔可夫模型机器学习最重要的任务是根据已观察到的证据(例如训练样本)对感兴趣的未知变量(例如类别标记)进行估计和推测。概率模型(probabilisticmodel)提供了一种描述框架,将描述任务归结为计算变量的概率分布,在概率模型中,利用已知的变量推测未知变量的分布称为“推断(inference)”,其核心在于基于可观测的变量推测出未知变量的条件分布。生成式:计算联合分布(,,),判别式:
- 【深度学习理论】持续更新
一轮秋月
科研基础深度学习人工智能
文章目录1.统计学习理论1.统计学习理论统计学习理论,一款适合零成本搞深度学习的大冤种的方向从人类学习到机器学习的对比(学习的过程分为归纳和演绎),引出泛化和过拟合的概念。如何表示归纳的函数规律呢?以监督问题为例,需要学习X到Y的映射,先做假设空间,为了使假设空间和真实映射接近,需要损失函数来优化假设空间。学习的目的是学习数据的分布而不是每一个数据点本身,所以希望期望风险最小(期望风险即假设在数据
- 《统计学习方法:李航》笔记 从原理到实现(基于python)-- 第6章 逻辑斯谛回归与最大熵模型(2)6.2 最大熵模型
北方骑马的萝卜
机器学习笔记学习方法笔记python
文章目录6.2最大熵模型6.2.1最大熵原理6.2.3最大熵模型的学习6.2.4极大似然估计《统计学习方法:李航》笔记从原理到实现(基于python)--第3章k邻近邻法《统计学习方法:李航》笔记从原理到实现(基于python)--第1章统计学习方法概论《统计学习方法:李航》笔记从原理到实现(基于python)--第2章感知机《统计学习方法:李航》笔记从原理到实现(基于python)--第3章k邻
- 贝叶斯的缺点
人机与认知实验室
机器学习人工智能
贝叶斯方法是一种统计学习方法,通过利用贝叶斯定理来计算给定先验概率的情况下,后验概率的条件概率。虽然贝叶斯方法在许多领域中应用广泛且有效,但也存在一些缺点。以下是一些贝叶斯方法的缺点的例子:1、先验概率的选择贝叶斯方法依赖于先验概率的选择,先验概率的不准确性可能导致后验概率的不准确性。选择先验概率是非常困难的,特别是在没有明确领域知识或可靠数据支持的情况下。2、计算复杂度在贝叶斯方法中,计算后验概
- 向量机SVM原理详解
AI-CS研究生
人工智能AISVM向量机人工智能
转自:http://www.blogjava.net/zhenandaci/category/31868.html(一)SVM的简介支持向量机(SupportVectorMachine)是Cortes和Vapnik于1995年首先提出的,它在解决小样本、非线性及高维模式识别中表现出许多特有的优势,并能够推广应用到函数拟合等其他机器学习问题中[10]。支持向量机方法是建立在统计学习理论的VC维理论和
- SVM入门(一)至(三)Refresh
warmbeast
按:之前的文章重新汇编一下,修改了一些错误和不当的说法,一起复习,然后继续SVM之旅.(一)SVM的八股简介支持向量机(SupportVectorMachine)是Cortes和Vapnik于1995年首先提出的,它在解决小样本、非线性及高维模式识别中表现出许多特有的优势,并能够推广应用到函数拟合等其他机器学习问题中[10]。支持向量机方法是建立在统计学习理论的VC维理论和结构风险最小原理基础上的
- SVM(1-3)
discxuwei
ML算法hypervectorc出版blog
从Jasper'Blog转载支持向量机(SupportVectorMachine)是Cortes和Vapnik于1995年首先提出的,它在解决小样本、非线性及高维模式识别中表现出许多特有的优势,并能够推广应用到函数拟合等其他机器学习问题中[10]。支持向量机方法是建立在统计学习理论的VC维理论和结构风险最小原理基础上的,根据有限的样本信息在模型的复杂性(即对特定训练样本的学习精度,Accuracy
- 《深度学习,统计学习,数学基础》人工智能算法工程师手册
La victoria
大数据机器学习
[导读]市面上很多人工智能相关的书籍。大部分的书,面向小白,内容深度不够;小部分教材书或者科研书,内容艰深,又过于复杂。那么有没有,面向算法工程师(程序员)人群的,面向有一定数学基础、算法基础,能够快速上手写代码的人群的人工智能手册呢?有的!而且免费开源,非常有程序员范!《AI算法工程师手册》你值得拥有!作者Github:https://github.com/huaxz1986手册地址:http:
- 《深度学习,统计学习,数学基础》人工智能算法工程师手册:程序员写的AI书,50 章一网打尽...
数据派THU
来源:专知本文约3400字,建议阅读10+分钟。免费开源人工智能手册,带你快速上手写代码![导读]市面上很多人工智能相关的书籍。大部分的书,面向小白,内容深度不够;小部分教材书或者科研书,内容艰深,又过于复杂。那么有没有,面向算法工程师(程序员)人群的,面向有一定数学基础、算法基础,能够快速上手写代码的人群的人工智能手册呢?有的!而且免费开源,非常有程序员范!《AI算法工程师手册》你值得拥有!作者
- 机器学习知识体系总结
qq_36661243
机器学习算法
机器学习知识体系总结什么是机器学习?机器学习体系概括监督学习(SupervisedLearning)十种监督学习方法统计学习方法:模型+策略+学习方法模型策略学习算法无监督学习(UnsupervisedLearning)半监督学习参考所有的知识,无论过去,当下和未来,都可以利用某个单一,通用的学习算法中从数据中获取。–《终极算法》什么是机器学习?机器学习(MachineLearning,ML)是一
- 白铁时代 —— (监督学习)原理推导
人生简洁之道
2020年-面试笔记人工智能
来自李航《统计学习方法》文章目录-1指标相似度0概论1优化类1.1朴素贝叶斯1.2k近邻-kNN1.3线性判别分析二分类LDA多分类LDA流程LDA和PCA的区别和联系1.4逻辑回归模型&最大熵模型逻辑回归最大熵模型最优化1.5感知机&SVM感知机SVM线性可分SVM线性不可分SVM对偶优化问题&非线性SVM序列最小优化算法SMO1.7概率图模型EM算法EM算法的导出和流程应用举例:高斯混合模型(
- 最大熵阈值python_李航统计学习方法(六)----逻辑斯谛回归与最大熵模型
weixin_39669638
最大熵阈值python
本文希望通过《统计学习方法》第六章的学习,由表及里地系统学习最大熵模型。文中使用Python实现了逻辑斯谛回归模型的3种梯度下降最优化算法,并制作了可视化动画。针对最大熵,提供一份简明的GIS最优化算法实现,并注解了一个IIS最优化算法的Java实现。本文属于初学者的个人笔记,能力有限,无法对著作中的公式推导做进一步发挥,也无法保证自己的理解是完全正确的,特此说明,恳请指教逻辑斯谛回归模型逻辑斯谛
- 《统计学习方法:李航》笔记 从原理到实现(基于python)-- 第6章 逻辑斯谛回归与最大熵模型(1)6.1 逻辑斯谛回归模型
北方骑马的萝卜
机器学习笔记学习方法笔记python
文章目录第6章逻辑斯谛回归与最大熵模型6.1逻辑斯谛回归模型6.1.1逻辑斯谛分布6.1.2二项逻辑斯谛回归模型6.1.3模型参数估计6.1.4多项逻辑斯谛回归《统计学习方法:李航》笔记从原理到实现(基于python)--第3章k邻近邻法《统计学习方法:李航》笔记从原理到实现(基于python)--第1章统计学习方法概论《统计学习方法:李航》笔记从原理到实现(基于python)--第2章感知机《统
- 【动手学大模型】第一章 大模型简介
Farah_Y
大模型开发ai
动手学大模型第一章大模型简述语言建模最早使用统计学习的方法,通过前面的词汇来预测下一个词汇。其在理解复杂语言规则方面存在一定局限性。之后引入了深度学习的思想,使用神经网络模型来更好的捕捉语言中的复杂关系。随着Transformer架构的神经网络模型引入,通过大量的文本数据训练,模型可以深入理解语言规则和模式。同时研究人员发现,随着语言模型规模的扩大,比如增加模型大小和使用更多的训练数据,模型展现出
- 统计学习 复习(知识点+习题)
玛卡巴卡_qin
课程学习
复习资料:https://github.com/RuijieZhu94/StatisticalLearning_USTC第一章线性回归1.Fromonetotwo最小二乘课后题有偏/无偏估计加权最小二乘2.Regularization线性回归(二维情况)求解有约束优化问题正则化最小加权二乘不确定答案形式3.BasicFunction核函数岭回归有个关于核函数的推导,但应该不会考4.Bias-var
- NLP任务之Named Entity Recognition
sunshine2853
自然语言处理人工智能深度学习
深度学习的实现方法:双向长短期记忆网络(BiLSTM):BiLSTM是一种循环神经网络(RNN)的变体,能够捕捉序列数据中的长期依赖关系。在NER任务中,BiLSTM能有效地处理文本序列,捕捉前后文本的依赖关系。条件随机场(CRF):CRF经常与BiLSTM结合使用,形成BiLSTM-CRF模型。CRF层能够在序列标注任务中提供额外的约束,帮助模型更准确地预测实体标签。变压器(Transforme
- CRF条件随机场学习记录
V丶Chao
深度学习安全研究-威胁情报学习
阅读建议仔细阅读书[1]对应的序列标注章节,理解该方法面向的问题以及相关背景,然后理解基础的概念。引言威胁情报挖掘的相关论文中,均涉及到两部分任务:命名实体识别(NamedEntityRecognition,NER)和关系抽取,大多数网安实现NER的方法,采用比较多的方法包含:BiLstm+CRF或者Bert+CRF。其中条件随机场(conditionalrandomfields,CRF),这个模
- 机器学习 强化学习 深度学习的区别与联系
坠金
机器学习机器学习人工智能深度学习
机器学习强化学习深度学习机器学习按道理来说,这个领域(机器学习)应该叫做统计学习(StatisticalLearning),因为它的方法都是由概率统计领域拿来的。这些人中的领军人物很有商业头脑,把统计和物理的数理模型,改名叫做机器,比如**模型(model)就叫**机(machine),把一些层次模型(hierarchicalmodel)说成是“网”(net)。这样,搞出了几个“机”和“网”之后,
- 李航统计学习方法----决策树章节学习笔记以及python代码
詹sir的BLOG
大数据python决策树算法剪枝
目录1决策树模型2特征选择2.1数据引入2.2信息熵和信息增益3决策树生成3.1ID3算法3.2C4.5算法4决策树的剪枝5CART算法(classificationandregressiontree)5.1回归树算法5.2分类树的生成5.3CART剪枝6PYTHON代码实例决策树算法可以应用于分类问题与回归问题,李航的书中主要讲解的是分类树,构建决策树分为三个过程,分别是特征选择、决策树生成、决
- 用MiddleGenIDE工具生成hibernate的POJO(根据数据表生成POJO类)
AdyZhang
POJOeclipseHibernateMiddleGenIDE
推荐:MiddlegenIDE插件, 是一个Eclipse 插件. 用它可以直接连接到数据库, 根据表按照一定的HIBERNATE规则作出BEAN和对应的XML ,用完后你可以手动删除它加载的JAR包和XML文件! 今天开始试着使用
- .9.png
Cb123456
android
“点九”是andriod平台的应用软件开发里的一种特殊的图片形式,文件扩展名为:.9.png
智能手机中有自动横屏的功能,同一幅界面会在随着手机(或平板电脑)中的方向传感器的参数不同而改变显示的方向,在界面改变方向后,界面上的图形会因为长宽的变化而产生拉伸,造成图形的失真变形。
我们都知道android平台有多种不同的分辨率,很多控件的切图文件在被放大拉伸后,边
- 算法的效率
天子之骄
算法效率复杂度最坏情况运行时间大O阶平均情况运行时间
算法的效率
效率是速度和空间消耗的度量。集中考虑程序的速度,也称运行时间或执行时间,用复杂度的阶(O)这一标准来衡量。空间的消耗或需求也可以用大O表示,而且它总是小于或等于时间需求。
以下是我的学习笔记:
1.求值与霍纳法则,即为秦九韶公式。
2.测定运行时间的最可靠方法是计数对运行时间有贡献的基本操作的执行次数。运行时间与这个计数成正比。
- java数据结构
何必如此
java数据结构
Java 数据结构
Java工具包提供了强大的数据结构。在Java中的数据结构主要包括以下几种接口和类:
枚举(Enumeration)
位集合(BitSet)
向量(Vector)
栈(Stack)
字典(Dictionary)
哈希表(Hashtable)
属性(Properties)
以上这些类是传统遗留的,在Java2中引入了一种新的框架-集合框架(Collect
- MybatisHelloWorld
3213213333332132
//测试入口TestMyBatis
package com.base.helloworld.test;
import java.io.IOException;
import org.apache.ibatis.io.Resources;
import org.apache.ibatis.session.SqlSession;
import org.apache.ibat
- Java|urlrewrite|URL重写|多个参数
7454103
javaxmlWeb工作
个人工作经验! 如有不当之处,敬请指点
1.0 web -info 目录下建立 urlrewrite.xml 文件 类似如下:
<?xml version="1.0" encoding="UTF-8" ?>
<!DOCTYPE u
- 达梦数据库+ibatis
darkranger
sqlmysqlibatisSQL Server
--插入数据方面
如果您需要数据库自增...
那么在插入的时候不需要指定自增列.
如果想自己指定ID列的值, 那么要设置
set identity_insert 数据库名.模式名.表名;
----然后插入数据;
example:
create table zhabei.test(
id bigint identity(1,1) primary key,
nam
- XML 解析 四种方式
aijuans
android
XML现在已经成为一种通用的数据交换格式,平台的无关性使得很多场合都需要用到XML。本文将详细介绍用Java解析XML的四种方法。
XML现在已经成为一种通用的数据交换格式,它的平台无关性,语言无关性,系统无关性,给数据集成与交互带来了极大的方便。对于XML本身的语法知识与技术细节,需要阅读相关的技术文献,这里面包括的内容有DOM(Document Object
- spring中配置文件占位符的使用
avords
1.类
<?xml version="1.0" encoding="UTF-8"?><!DOCTYPE beans PUBLIC "-//SPRING//DTD BEAN//EN" "http://www.springframework.o
- 前端工程化-公共模块的依赖和常用的工作流
bee1314
webpack
题记: 一个人的项目,还有工程化的问题嘛? 我们在推进模块化和组件化的过程中,肯定会不断的沉淀出我们项目的模块和组件。对于这些沉淀出的模块和组件怎么管理?另外怎么依赖也是个问题? 你真的想这样嘛? var BreadCrumb = require(‘../../../../uikit/breadcrumb’); //真心ugly。
- 上司说「看你每天准时下班就知道你工作量不饱和」,该如何回应?
bijian1013
项目管理沟通IT职业规划
问题:上司说「看你每天准时下班就知道你工作量不饱和」,如何回应
正常下班时间6点,只要是6点半前下班的,上司都认为没有加班。
Eno-Bea回答,注重感受,不一定是别人的
虽然我不知道你具体从事什么工作与职业,但是我大概猜测,你是从事一项不太容易出现阶段性成果的工作
- TortoiseSVN,过滤文件
征客丶
SVN
环境:
TortoiseSVN 1.8
配置:
在文件夹空白处右键
选择 TortoiseSVN -> Settings
在 Global ignote pattern 中添加要过滤的文件:
多类型用英文空格分开
*name : 过滤所有名称为 name 的文件或文件夹
*.name : 过滤所有后缀为 name 的文件或文件夹
--------
- 【Flume二】HDFS sink细说
bit1129
Flume
1. Flume配置
a1.sources=r1
a1.channels=c1
a1.sinks=k1
###Flume负责启动44444端口
a1.sources.r1.type=avro
a1.sources.r1.bind=0.0.0.0
a1.sources.r1.port=44444
a1.sources.r1.chan
- The Eight Myths of Erlang Performance
bookjovi
erlang
erlang有一篇guide很有意思: http://www.erlang.org/doc/efficiency_guide
里面有个The Eight Myths of Erlang Performance: http://www.erlang.org/doc/efficiency_guide/myths.html
Myth: Funs are sl
- java多线程网络传输文件(非同步)-2008-08-17
ljy325
java多线程socket
利用 Socket 套接字进行面向连接通信的编程。客户端读取本地文件并发送;服务器接收文件并保存到本地文件系统中。
使用说明:请将TransferClient, TransferServer, TempFile三个类编译,他们的类包是FileServer.
客户端:
修改TransferClient: serPort, serIP, filePath, blockNum,的值来符合您机器的系
- 读《研磨设计模式》-代码笔记-模板方法模式
bylijinnan
java设计模式
声明: 本文只为方便我个人查阅和理解,详细的分析以及源代码请移步 原作者的博客http://chjavach.iteye.com/
import java.sql.Connection;
import java.sql.DriverManager;
import java.sql.PreparedStatement;
import java.sql.ResultSet;
- 配置心得
chenyu19891124
配置
时间就这样不知不觉的走过了一个春夏秋冬,转眼间来公司已经一年了,感觉时间过的很快,时间老人总是这样不停走,从来没停歇过。
作为一名新手的配置管理员,刚开始真的是对配置管理是一点不懂,就只听说咱们公司配置主要是负责升级,而具体该怎么做却一点都不了解。经过老员工的一点点讲解,慢慢的对配置有了初步了解,对自己所在的岗位也慢慢的了解。
做了一年的配置管理给自总结下:
1.改变
从一个以前对配置毫无
- 对“带条件选择的并行汇聚路由问题”的再思考
comsci
算法工作软件测试嵌入式领域模型
2008年上半年,我在设计并开发基于”JWFD流程系统“的商业化改进型引擎的时候,由于采用了新的嵌入式公式模块而导致出现“带条件选择的并行汇聚路由问题”(请参考2009-02-27博文),当时对这个问题的解决办法是采用基于拓扑结构的处理思想,对汇聚点的实际前驱分支节点通过算法预测出来,然后进行处理,简单的说就是找到造成这个汇聚模型的分支起点,对这个起始分支节点实际走的路径数进行计算,然后把这个实际
- Oracle 10g 的clusterware 32位 下载地址
daizj
oracle
Oracle 10g 的clusterware 32位 下载地址
http://pan.baidu.com/share/link?shareid=531580&uk=421021908
http://pan.baidu.com/share/link?shareid=137223&uk=321552738
http://pan.baidu.com/share/l
- 非常好的介绍:Linux定时执行工具cron
dongwei_6688
linux
Linux经过十多年的发展,很多用户都很了解Linux了,这里介绍一下Linux下cron的理解,和大家讨论讨论。cron是一个Linux 定时执行工具,可以在无需人工干预的情况下运行作业,本文档不讲cron实现原理,主要讲一下Linux定时执行工具cron的具体使用及简单介绍。
新增调度任务推荐使用crontab -e命令添加自定义的任务(编辑的是/var/spool/cron下对应用户的cr
- Yii assets目录生成及修改
dcj3sjt126com
yii
assets的作用是方便模块化,插件化的,一般来说出于安全原因不允许通过url访问protected下面的文件,但是我们又希望将module单独出来,所以需要使用发布,即将一个目录下的文件复制一份到assets下面方便通过url访问。
assets设置对应的方法位置 \framework\web\CAssetManager.php
assets配置方法 在m
- mac工作软件推荐
dcj3sjt126com
mac
mac上的Terminal + bash + screen组合现在已经非常好用了,但是还是经不起iterm+zsh+tmux的冲击。在同事的强烈推荐下,趁着升级mac系统的机会,顺便也切换到iterm+zsh+tmux的环境下了。
我为什么要要iterm2
切换过来也是脑袋一热的冲动,我也调查过一些资料,看了下iterm的一些优点:
* 兼容性好,远程服务器 vi 什么的低版本能很好兼
- Memcached(三)、封装Memcached和Ehcache
frank1234
memcachedehcachespring ioc
本文对Ehcache和Memcached进行了简单的封装,这样对于客户端程序无需了解ehcache和memcached的差异,仅需要配置缓存的Provider类就可以在二者之间进行切换,Provider实现类通过Spring IoC注入。
cache.xml
<?xml version="1.0" encoding="UTF-8"?>
- Remove Duplicates from Sorted List II
hcx2013
remove
Given a sorted linked list, delete all nodes that have duplicate numbers, leaving only distinct numbers from the original list.
For example,Given 1->2->3->3->4->4->5,
- Spring4新特性——注解、脚本、任务、MVC等其他特性改进
jinnianshilongnian
spring4
Spring4新特性——泛型限定式依赖注入
Spring4新特性——核心容器的其他改进
Spring4新特性——Web开发的增强
Spring4新特性——集成Bean Validation 1.1(JSR-349)到SpringMVC
Spring4新特性——Groovy Bean定义DSL
Spring4新特性——更好的Java泛型操作API
Spring4新
- MySQL安装文档
liyong0802
mysql
工作中用到的MySQL可能安装在两种操作系统中,即Windows系统和Linux系统。以Linux系统中情况居多。
安装在Windows系统时与其它Windows应用程序相同按照安装向导一直下一步就即,这里就不具体介绍,本文档只介绍Linux系统下MySQL的安装步骤。
Linux系统下安装MySQL分为三种:RPM包安装、二进制包安装和源码包安装。二
- 使用VS2010构建HotSpot工程
p2p2500
HotSpotOpenJDKVS2010
1. 下载OpenJDK7的源码:
http://download.java.net/openjdk/jdk7
http://download.java.net/openjdk/
2. 环境配置
▶
- Oracle实用功能之分组后列合并
seandeng888
oracle分组实用功能合并
1 实例解析
由于业务需求需要对表中的数据进行分组后进行合并的处理,鉴于Oracle10g没有现成的函数实现该功能,且该功能如若用JAVA代码实现会比较复杂,因此,特将SQL语言的实现方式分享出来,希望对大家有所帮助。如下:
表test 数据如下:
ID,SUBJECTCODE,DIMCODE,VALUE
1&nbs
- Java定时任务注解方式实现
tuoni
javaspringjvmxmljni
Spring 注解的定时任务,有如下两种方式:
第一种:
<?xml version="1.0" encoding="UTF-8"?>
<beans xmlns="http://www.springframework.org/schema/beans"
xmlns:xsi="http
- 11大Java开源中文分词器的使用方法和分词效果对比
yangshangchuan
word分词器ansj分词器Stanford分词器FudanNLP分词器HanLP分词器
本文的目标有两个:
1、学会使用11大Java开源中文分词器
2、对比分析11大Java开源中文分词器的分词效果
本文给出了11大Java开源中文分词的使用方法以及分词结果对比代码,至于效果哪个好,那要用的人结合自己的应用场景自己来判断。
11大Java开源中文分词器,不同的分词器有不同的用法,定义的接口也不一样,我们先定义一个统一的接口:
/**
* 获取文本的所有分词结果, 对比