- 模式识别 | PRML概览
ZIYUE WU
MachineLearning
PRML全书概览PRML全称PatternRecognitionandMachineLearning,个人认为这是机器学习领域中最好的书籍之一,全书的风格非常Bayesian,作者试图在贝叶斯框架下解释每一种机器学习模型。阅读起来有一定难度,不适合作为机器学习入门教材。然而这本书提供的贝叶斯视角有助于我们更为立体全面理解一些经典模型。全书分为十四个章节,这里我尽可能简要概述每个章节的主要内容,如果
- PRML笔记(十)
以负熵为食
PRML机器学习
10.ApproximateInference在probabilisticmodels中的一个核心任务是,在给定observed(visible)datavariablesX\mathbf{X}X的时候去计算关于latentvariablesZ\mathbf{Z}Z的posteriordistributionp(Z∣X)p(\mathbf{Z|X})p(Z∣X)。并且去在该概率分布下计算一些exp
- 2018年1月29日
真昼之月
积雪还是很多,但是路面不滑不影响交通,所以坐车还是很顺利的。地铁上开始掏出Kindle看《自私的基因》。上午花时间把类别型特征也加了进去,先读了1000行保证程序不会跑崩再上全量数据集,最后全网用户的ROC面积又有了一丝丝提升,所谓蚊子腿也是肉。但是深度学习模型还是不会调参啊……中午在食堂解决,下午则基本是摸鱼为主……PRML也看了一点,不过第三章中后期还是看不懂就跳到第四章了,感觉又犯了心浮气躁
- PRML第一章读书小结
飞剑客阿飞
PRML第一章读书小结 第一章用例子出发,较为简单的引入了概率论、模型、决策、损失、信息论的问题,作为机器学习从业者,读PRML除了巩固已有基础,还受到了很多新的启发,下面将我收到的启发总结如下。1.多项式曲线拟合问题多项式拟合问题作为全书的第一个引例,通过此说明了很多关键的概念。给定一个训练集,训练集由的N次观测组成,记作,对应了相应的观测值,记作。它们拥有了一个内在的规律,这个规律是我们
- Bishop新著 - 深度学习:基础与概念 - 前言
Garry1248
深度学习:基础与概念深度学习人工智能AIGC
译者的话十几年前,笔者在MSRA实习的时候,就接触到了ChristopherM,Bishop的经典巨著《PatternRecogitionandMachineLearning》(一般大家简称为PRML)。Bishop大神是微软剑桥研究院实验室主任,物理出身,对机器学习的基本概念和思想解释的深入浅出,鞭辟入里。以至于这本书被当时从事机器学习和AI方向的研究者奉为圣经。许多同学如饥似渴的阅读全书,连每
- [算法]PRML学习笔记 1.2.2 数学期望和协方差
AutismThyself
算法算法
数学期望在概率学中最重要的事情之一就是寻找出函数的加权平均值。其中函数f(x)的数学期望E[f]是根据其在概率分布p(x)下的平均值计算得出。对于离散分布变量,其公式为:E[f]=∑xp(x)f(x)\displaystyle\sum_{x}p(x)f(x)x∑p(x)f(x)因此,从这个公式可以得出对于离散变量来说数学期望(平均权重)来自于根据各个不同变量x相关的f(x)与这个f(x)相对概率p
- PRML 第三章
萌新待开发
⑉་机器学习及实践(书)་⑉PRML机器学习模式识别线性模型
3回归的线性模型1.之前说的是无监督学习:密度估计+聚类。这里讨论监督学习:回归。2.回归就是维变量对应目标变量的问题。第一章由多项式曲线拟合。最简单就是线性回归。但如果将输入变量进行非线性函数变化后进行线性组合,可以得到基函数。3.过程就是有个观测量和对应目标变量的训练数据集。目标有新的x预测新的t。就构建函数y(x)来预测输出。从概率角度看就是对每个x的目标t值的不确定性进行建模。最小化一个合
- PRML第二章
萌新待开发
⑉་机器学习及实践(书)་⑉机器学习PRML模式识别人工智能
目录2概率分布2.1二元变量2.1.1Beta分布2.2多项式变量2.2.1狄利克雷分布2.3高斯分布2.3.1条件高斯分布2.3.2边缘高斯分布2.3.3高斯变量的贝叶斯定理2.3.4高斯分布的最大似然估计2.3.5顺序估计2.3.6高斯分布的贝叶斯推断2.3.7学生t分布2.3.8周期变量2.3.9高斯混合模型2.4指数分布2.4.1最大似然与充分统计量2.4.2共轭先验2.4.3无信息先验2
- leetcode 圆圈中最后剩下的数字(约瑟夫环)
伊凡vnir
关注公众号长歌大腿,发送“机器学习”关键字,可获取包含机器学习(包含深度学习),统计概率,优化算法等系列文本与视频经典资料,如《ESL》《PRML》《MLAPP》等。题目描述:0,1,,n-1这n个数字排成一个圆圈,从数字0开始,每次从这个圆圈里删除第m个数字。求出这个圆圈里剩下的最后一个数字。例如,0、1、2、3、4这5个数字组成一个圆圈,从数字0开始每次删除第3个数字,则删除的前4个数字依次是
- 正式找工作第二天
一路不向西
这两天生物钟差不多调过来了,已经能正常按时早起,按时午休,身体出现的不适感也没有很多。今天在看书的时候感觉PRML对我来说还是有些太难了,很多公式和推导其实都看不懂,所以感觉不太适合现在的阶段去看,暂时先不想调整,看这周的面试情况吧。做题的话今天感觉比昨天顺畅一点了,但是还是没法得到正确解,慢慢来吧。一、PRML今天看了第一章的第六节,信息熵。讲了一些信息量的概念、平均信息量、乘数等等。对于离散变
- PRML1-引言
仙守
PRML
本系列是根据《patternrecognitionandmachinelearning》一书写的,算是读书笔记?算是吧。因为是从自己角度出发,所以其实很大程度上自己看得懂,估计别人看不懂,还望见谅。数学符号约定:该书意在能够以最小的数学范围来解释整本书,不过在微积分、现代、概率论上还是不可避免的用到,为了方便概念的理解,所以本书在力求数学上的严谨的同时更多的是从不同的参考资料中将数学符号都能够统一
- 《现代推荐算法》矩阵分解系列简介
伊凡vnir
/关注公众号长歌大腿,发送“机器学习”关键字,可获取包含机器学习(包含深度学习),统计概率,优化算法等系列文本与视频经典资料,如《ESL》《PRML》《MLAPP》等。/文章来源《现代推荐算法》矩阵分解系列简介.该章主要介绍矩阵分解系列算法,该系列算法是推荐系统中最重要的算法之一,矩阵分解原理清晰,且复杂度不那么高。对于矩阵分解系列算法在推荐算法中而言,其容易编程实现,实现复杂度低,预测效果也好,
- 《现代推荐算法》神经协同过滤之MLP算法
伊凡vnir
关注公众号长歌大腿,发送“机器学习”关键字,可获取包含机器学习(包含深度学习),统计概率,优化算法等系列文本与视频经典资料,如《ESL》《PRML》《MLAPP》等。《现代推荐算法》神经协同过滤之MLP算法神经协同过滤简介前面的文章介绍了协同过滤算法,主要分为基于用户的协同过滤算法与基于物品的协同过滤算法,同时指出,矩阵分解也属于广义的协同过滤算法。那么之前的文章介绍的SVD,SVD++等等矩阵分
- 图像分割|机器学习|模式识别(2019-04-29~05-04)
Rlinzz
本周计划1.发现pspnet那个多尺度融合对网络有效果,而且,当分割是两类的时候,就效果好,多类就学的很复杂。这周看完pspnet代码。2.完成学习机器学习作业,吴恩达机器学习课程作业。3.继续阅读PRML4.291.看pspnet代码●pythonwith关键字:简单就是打开文件,读完了,自动关文件。open函数withopen('file_name','r')asf:r=f.read()●to
- 机器学习面试之数据降维
梦无音
PCA(主成分分析)和LDA(线性判别分析,FisherLinearDiscriminantAnalysis)都是数据降维的一种方式。但是,PCA是无监督的,而LDA是有监督的。一、PCA在PRML书上有两种定义PCA的方式,其中一种将PCA定义为一种正交投影,使得原始数据在投影子空间的各个维度的方差最大化。对于观测数据x(D维空间),我们的目标是把数据投影到一个更低的M维中。原始数据集的均值向量
- 图像分割|机器学习|模式识别(2019-04-08~04-12)
Rlinzz
本周计划1.完成辅助loss代码2.二值分割效果有所提升,现在训练一下多值分割的效果。有两个思路,只修改class个数还有一个想法是以二值分割为另一个分支网络的gt,但这个需要处理一下分割处理的二值图。3.尽量读完PRML书的高斯部分。每次读英文版的都很慢。但还是要读呀。4.卸载3号服务器上的anaconda然后重新安装●辅助loss代码已完成。BUG1:在Unet末尾cat了前面几层后,在计算l
- 信息论之从熵、惊奇到交叉熵、KL散度和互信息
woisking2
前端
一、熵(PRML)考虑将A地观测的一个随机变量x,编码后传输到B地。这个随机变量有8种可能的状态,每个状态都是等可能的。为了把x的值传给接收者,需要传输⼀个3⽐特的消息。注意,这个变量的熵由下式给出:⾮均匀分布⽐均匀分布的熵要⼩。如果概率分布非均匀,同样使用等长编码,那么并不是最优的。相反,可以根据随机变量服从的概率分布构建Huffman树,得到最优的前缀编码。可以利⽤⾮均匀分布这个特点,使⽤更短
- leetcode 路径总和
伊凡vnir
关注公众号长歌大腿,发送“机器学习”关键字,可获取包含机器学习(包含深度学习),统计概率,优化算法等系列文本与视频经典资料,如《ESL》《PRML》《MLAPP》等。题目描述:给定一个二叉树和一个目标和,判断该树中是否存在根节点到叶子节点的路径,这条路径上所有节点值相加等于目标和。说明:叶子节点是指没有子节点的节点。示例:给定如下二叉树,以及目标和sum=22,5/\48//\11134/\\72
- 《现代推荐算法》传统协同过滤(user-CF, item-CF)
伊凡vnir
关注公众号长歌大腿,发送“机器学习”关键字,可获取包含机器学习(包含深度学习),统计概率,优化算法等系列文本与视频经典资料,如《ESL》《PRML》《MLAPP》等。《现代推荐算法》传统协同过滤(user-CF,item-CF)协同过滤简介协同过滤算法发展以来,与矩阵分解密切相关,多有时将矩阵分解系列也归于协同过滤种类,我们这里将其分开来对待,这篇文章讲传统的协同过滤算法,主要包含基于用户的协同过
- PRML第十四章读书笔记——Combining Models 贝叶斯模型平均、委员会bagging、提升方法/AdaBoost、决策树、条件混合模型/混合线性回归/混合逻辑回归/【层次】混合专家模型
Trade Off
机器学习#读书笔记PRML决策树机器学习人工智能集成学习剪枝
(终于读到最后一章了,吼吼!激动呀。我总感觉combiningmodels已经有点频率派方法的味道了。所以接下来要读ESL?)目录14.1BayesianModelAveraging14.2Committees14.3BoostingP659最小化指数误差P661boosting的误差函数14.4Tree-basedModels14.5ConditionalMixtureModelsP667线性回
- PRML一书中关于贝叶斯曲线拟合结论的推导细节
MezereonXP
机器学习算法机器学习人工智能
PRML一书中关于贝叶斯曲线拟合结论的推导细节我们令训练数据集为(X,T)(X,T)(X,T),对于一个新的点xxx,我们希望给出一个预测分布p(t∣x,X,T)p(t|x,X,T)p(t∣x,X,T)p(t∣x,X,T)=∫p(t∣x,w,X,T)dw=∫p(t∣x,w)p(w∣X,T)dwp(t|x,X,T)=\intp(t|x,w,X,T)dw=\intp(t|x,w)p(w|X,T)dw\
- 《现代推荐算法》神经协同过滤之GMF算法
伊凡vnir
关注公众号长歌大腿,发送“机器学习”关键字,可获取包含机器学习(包含深度学习),统计概率,优化算法等系列文本与视频经典资料,如《ESL》《PRML》《MLAPP》等。《现代推荐算法》神经协同过滤之GMF算法神经协同过滤简介前面的文章介绍了协同过滤算法,主要分为基于用户的协同过滤算法与基于物品的协同过滤算法,同时指出,矩阵分解也属于广义的协同过滤算法。那么之前的文章介绍的SVD,SVD++等等矩阵分
- 【应用】【正则化】L1、L2正则化
八号线土著
机器学习正则化
L1正则化的作用:特征选择从可用的特征子集中选择有意义的特征,化简机器学习问题。著名的LASSO(LeastAbsoluteShrinkageandSelectionOperator)模型将L1惩罚项和线性模型结合,使用最小二乘代价函数。L1正则化导致模型参数的稀疏性,被广泛地用于特征选择(featureselection)机制。L2正则化的作用:PRML书中描述“focusonquadratic
- 【西瓜书/机器学习·周志华】机器学习与模式识别思维导图 - PRML Mind Map
Harvey Chui
人工智能
【西瓜书/机器学习·周志华】机器学习与模式识别思维导图提供了与examcoo上作业题相同的知识点范围(由粗体加粗),第一到九章的思维导图第一章-绪论机器学习方法的分类,三大阶段,以及奥卡姆剃刀、NoFreeLunch原理第二章-模型评估与选择什么是误差?机器学习的评估方法,PPP、RRR、F1F_1F1等度量值,ROCROCROC与AUCAUCAUC曲线,代价曲线第三章-线性模型几种典型的线性模型
- EM算法详解
oskor
作为N大机器学习方法的一员,EM算法在各种书籍、博客、网上视频上被描述或者介绍,每次看完总感觉很多地方含糊不清,不能让一个初学者(有一定统计概率基础)接受。最近再B站上,看到徐亦达老师的课程,EM算法这块讲解易于理解和接受,再结合PRML一书的关于混合模型和EM章节内容,对整个EM算法从具体的原理上面有了更深入的理解。在下文中,更多的是通过公式推导和一些文字说明来梳理EM算法,尽量做到大家一看就明
- 正式找工作第三天
一路不向西
今天晚上要去面试蘑菇智行还挺开心的,感觉是家A轮公司,应该要求会低一些的吧,然后还针对性地看了些CNN和目标跟踪的问题,结果人家上来就问nccl库有什么特点,这一看要求我就达不到,果然聊了没几句我们就散了。有点受打击了,明天还有两家,好好加油吧。今天只有上午复习了PRML和LeetCode,下午在看之前面试的面经了。一、PRML今天复习了PRML的两节,第三节其实没看懂啥,讲的是顺序轨迹,其中有一
- 《现代推荐算法》矩阵分解系列(SVD,FunkSVD,BiasSVD)原理
伊凡vnir
/关注公众号长歌大腿,发送“机器学习”关键字,可获取包含机器学习(包含深度学习),统计概率,优化算法等系列文本与视频经典资料,如《ESL》《PRML》《MLAPP》等。/文章来源《现代推荐算法》矩阵分解系列(SVD,FunkSVD,BiasSVD)原理.奇异值分解(SVD)奇异值分解(SVD)原理与主要应用在数据降维中,可以将这个用户物品对应的m×n矩阵M进行SVD分解,并通过选择部分较大的一些奇
- 模式识别与机器学习(一)——绪论、多项式拟合例子
Ice_spring
1.1绪论内容对应PRML书1.1节部分。多项式拟合例子在这个例子中,假设我们有两个变量,它们满足如下关系:其中是一个均值为、标准差为的高斯噪声。我们首先在区间内等间距地产生了10个点,接着根据如上的关系为这个点得到一组对应的目标函数值。这种数据产生方式符合大部分现实世界中的数据集的性质,即产生样本时既包含潜在的规律,又伴随着随机噪声。这些随机噪声的产生原因可能是某种内在的随机性,也可能是某种未被
- 【PRML读书笔记-Chapter1-Introduction】1.3 Model Selection
weixin_30390075
在训练集上有个好的效果不见得在测试集中效果就好,因为可能存在过拟合(over-fitting)的问题。如果训练集的数据质量很好,那我们只需对这些有效数据训练处一堆模型,或者对一个模型给定系列的参数值,然后再根据测试集进行验证,选择效果最好的即可;大多数情况下,数据集大小是有限的或质量不高,那么需要有个第三测试集,用于测试选中的模型的评估。为了构建好的模型,我们常常选用其中质量较高的数据拿来训练,这
- 机器学习书单
jueshu
机器学习机器学习算法人工智能
理论PatternRecognitionandMachineLearning作者:ChristopherM.Bishop(英国剑桥大学微软剑桥研究院院长)https://www.microsoft.com/en-us/research/people/cmbishop/prml-book/PRML《模式识别与机器学习》中英文PDF+程序代码+习题解答+笔记总结:《PatternRecognition
- 异常的核心类Throwable
无量
java源码异常处理exception
java异常的核心是Throwable,其他的如Error和Exception都是继承的这个类 里面有个核心参数是detailMessage,记录异常信息,getMessage核心方法,获取这个参数的值,我们可以自己定义自己的异常类,去继承这个Exception就可以了,方法基本上,用父类的构造方法就OK,所以这么看异常是不是很easy
package com.natsu;
- mongoDB 游标(cursor) 实现分页 迭代
开窍的石头
mongodb
上篇中我们讲了mongoDB 中的查询函数,现在我们讲mongo中如何做分页查询
如何声明一个游标
var mycursor = db.user.find({_id:{$lte:5}});
迭代显示游标数
- MySQL数据库INNODB 表损坏修复处理过程
0624chenhong
tomcatmysql
最近mysql数据库经常死掉,用命令net stop mysql命令也无法停掉,关闭Tomcat的时候,出现Waiting for N instance(s) to be deallocated 信息。查了下,大概就是程序没有对数据库连接释放,导致Connection泄露了。因为用的是开元集成的平台,内部程序也不可能一下子给改掉的,就验证一下咯。启动Tomcat,用户登录系统,用netstat -
- 剖析如何与设计人员沟通
不懂事的小屁孩
工作
最近做图烦死了,不停的改图,改图……。烦,倒不是因为改,而是反反复复的改,人都会死。很多需求人员不知该如何与设计人员沟通,不明白如何使设计人员知道他所要的效果,结果只能是沟通变成了扯淡,改图变成了应付。
那应该如何与设计人员沟通呢?
我认为设计人员与需求人员先天就存在语言障碍。对一个合格的设计人员来说,整天玩的都是点、线、面、配色,哪种构图看起来协调;哪种配色看起来合理心里跟明镜似的,
- qq空间刷评论工具
换个号韩国红果果
JavaScript
var a=document.getElementsByClassName('textinput');
var b=[];
for(var m=0;m<a.length;m++){
if(a[m].getAttribute('placeholder')!=null)
b.push(a[m])
}
var l
- S2SH整合之session
灵静志远
springAOPstrutssession
错误信息:
Caused by: org.springframework.beans.factory.BeanCreationException: Error creating bean with name 'cartService': Scope 'session' is not active for the current thread; consider defining a scoped
- xmp标签
a-john
标签
今天在处理数据的显示上遇到一个问题:
var html = '<li><div class="pl-nr"><span class="user-name">' + user
+ '</span>' + text + '</div></li>';
ulComme
- Ajax的常用技巧(2)---实现Web页面中的级联菜单
aijuans
Ajax
在网络上显示数据,往往只显示数据中的一部分信息,如文章标题,产品名称等。如果浏览器要查看所有信息,只需点击相关链接即可。在web技术中,可以采用级联菜单完成上述操作。根据用户的选择,动态展开,并显示出对应选项子菜单的内容。 在传统的web实现方式中,一般是在页面初始化时动态获取到服务端数据库中对应的所有子菜单中的信息,放置到页面中对应的位置,然后再结合CSS层叠样式表动态控制对应子菜单的显示或者隐
- 天-安-门,好高
atongyeye
情感
我是85后,北漂一族,之前房租1100,因为租房合同到期,再续,房租就要涨150。最近网上新闻,地铁也要涨价。算了一下,涨价之后,每次坐地铁由原来2块变成6块。仅坐地铁费用,一个月就要涨200。内心苦痛。
晚上躺在床上一个人想了很久,很久。
我生在农
- android 动画
百合不是茶
android透明度平移缩放旋转
android的动画有两种 tween动画和Frame动画
tween动画;,透明度,缩放,旋转,平移效果
Animation 动画
AlphaAnimation 渐变透明度
RotateAnimation 画面旋转
ScaleAnimation 渐变尺寸缩放
TranslateAnimation 位置移动
Animation
- 查看本机网络信息的cmd脚本
bijian1013
cmd
@echo 您的用户名是:%USERDOMAIN%\%username%>"%userprofile%\网络参数.txt"
@echo 您的机器名是:%COMPUTERNAME%>>"%userprofile%\网络参数.txt"
@echo ___________________>>"%userprofile%\
- plsql 清除登录过的用户
征客丶
plsql
tools---preferences----logon history---history 把你想要删除的删除
--------------------------------------------------------------------
若有其他凝问或文中有错误,请及时向我指出,
我好及时改正,同时也让我们一起进步。
email : binary_spac
- 【Pig一】Pig入门
bit1129
pig
Pig安装
1.下载pig
wget http://mirror.bit.edu.cn/apache/pig/pig-0.14.0/pig-0.14.0.tar.gz
2. 解压配置环境变量
如果Pig使用Map/Reduce模式,那么需要在环境变量中,配置HADOOP_HOME环境变量
expor
- Java 线程同步几种方式
BlueSkator
volatilesynchronizedThredLocalReenTranLockConcurrent
为何要使用同步? java允许多线程并发控制,当多个线程同时操作一个可共享的资源变量时(如数据的增删改查), 将会导致数据不准确,相互之间产生冲突,因此加入同步锁以避免在该线程没有完成操作之前,被其他线程的调用, 从而保证了该变量的唯一性和准确性。 1.同步方法&
- StringUtils判断字符串是否为空的方法(转帖)
BreakingBad
nullStringUtils“”
转帖地址:http://www.cnblogs.com/shangxiaofei/p/4313111.html
public static boolean isEmpty(String str)
判断某字符串是否为空,为空的标准是 str==
null
或 str.length()==
0
- 编程之美-分层遍历二叉树
bylijinnan
java数据结构算法编程之美
import java.util.ArrayList;
import java.util.LinkedList;
import java.util.List;
public class LevelTraverseBinaryTree {
/**
* 编程之美 分层遍历二叉树
* 之前已经用队列实现过二叉树的层次遍历,但这次要求输出换行,因此要
- jquery取值和ajax提交复习记录
chengxuyuancsdn
jquery取值ajax提交
// 取值
// alert($("input[name='username']").val());
// alert($("input[name='password']").val());
// alert($("input[name='sex']:checked").val());
// alert($("
- 推荐国产工作流引擎嵌入式公式语法解析器-IK Expression
comsci
java应用服务器工作Excel嵌入式
这个开源软件包是国内的一位高手自行研制开发的,正如他所说的一样,我觉得它可以使一个工作流引擎上一个台阶。。。。。。欢迎大家使用,并提出意见和建议。。。
----------转帖---------------------------------------------------
IK Expression是一个开源的(OpenSource),可扩展的(Extensible),基于java语言
- 关于系统中使用多个PropertyPlaceholderConfigurer的配置及PropertyOverrideConfigurer
daizj
spring
1、PropertyPlaceholderConfigurer
Spring中PropertyPlaceholderConfigurer这个类,它是用来解析Java Properties属性文件值,并提供在spring配置期间替换使用属性值。接下来让我们逐渐的深入其配置。
基本的使用方法是:(1)
<bean id="propertyConfigurerForWZ&q
- 二叉树:二叉搜索树
dieslrae
二叉树
所谓二叉树,就是一个节点最多只能有两个子节点,而二叉搜索树就是一个经典并简单的二叉树.规则是一个节点的左子节点一定比自己小,右子节点一定大于等于自己(当然也可以反过来).在树基本平衡的时候插入,搜索和删除速度都很快,时间复杂度为O(logN).但是,如果插入的是有序的数据,那效率就会变成O(N),在这个时候,树其实变成了一个链表.
tree代码:
- C语言字符串函数大全
dcj3sjt126com
cfunction
C语言字符串函数大全
函数名: stpcpy
功 能: 拷贝一个字符串到另一个
用 法: char *stpcpy(char *destin, char *source);
程序例:
#include <stdio.h>
#include <string.h>
int main
- 友盟统计页面技巧
dcj3sjt126com
技巧
在基类调用就可以了, 基类ViewController示例代码
-(void)viewWillAppear:(BOOL)animated
{
[super viewWillAppear:animated];
[MobClick beginLogPageView:[NSString stringWithFormat:@"%@",self.class]];
- window下在同一台机器上安装多个版本jdk,修改环境变量不生效问题处理办法
flyvszhb
javajdk
window下在同一台机器上安装多个版本jdk,修改环境变量不生效问题处理办法
本机已经安装了jdk1.7,而比较早期的项目需要依赖jdk1.6,于是同时在本机安装了jdk1.6和jdk1.7.
安装jdk1.6前,执行java -version得到
C:\Users\liuxiang2>java -version
java version "1.7.0_21&quo
- Java在创建子类对象的同时会不会创建父类对象
happyqing
java创建子类对象父类对象
1.在thingking in java 的第四版第六章中明确的说了,子类对象中封装了父类对象,
2."When you create an object of the derived class, it contains within it a subobject of the base class. This subobject is the sam
- 跟我学spring3 目录贴及电子书下载
jinnianshilongnian
spring
一、《跟我学spring3》电子书下载地址:
《跟我学spring3》 (1-7 和 8-13) http://jinnianshilongnian.iteye.com/blog/pdf
跟我学spring3系列 word原版 下载
二、
源代码下载
最新依
- 第12章 Ajax(上)
onestopweb
Ajax
index.html
<!DOCTYPE html PUBLIC "-//W3C//DTD XHTML 1.0 Transitional//EN" "http://www.w3.org/TR/xhtml1/DTD/xhtml1-transitional.dtd">
<html xmlns="http://www.w3.org/
- BI and EIM 4.0 at a glance
blueoxygen
BO
http://www.sap.com/corporate-en/press.epx?PressID=14787
有机会研究下EIM家族的两个新产品~~~~
New features of the 4.0 releases of BI and EIM solutions include:
Real-time in-memory computing –
- Java线程中yield与join方法的区别
tomcat_oracle
java
长期以来,多线程问题颇为受到面试官的青睐。虽然我个人认为我们当中很少有人能真正获得机会开发复杂的多线程应用(在过去的七年中,我得到了一个机会),但是理解多线程对增加你的信心很有用。之前,我讨论了一个wait()和sleep()方法区别的问题,这一次,我将会讨论join()和yield()方法的区别。坦白的说,实际上我并没有用过其中任何一个方法,所以,如果你感觉有不恰当的地方,请提出讨论。
&nb
- android Manifest.xml选项
阿尔萨斯
Manifest
结构
继承关系
public final class Manifest extends Objectjava.lang.Objectandroid.Manifest
内部类
class Manifest.permission权限
class Manifest.permission_group权限组
构造函数
public Manifest () 详细 androi
- Oracle实现类split函数的方
zhaoshijie
oracle
关键字:Oracle实现类split函数的方
项目里需要保存结构数据,批量传到后他进行保存,为了减小数据量,子集拼装的格式,使用存储过程进行保存。保存的过程中需要对数据解析。但是oracle没有Java中split类似的函数。从网上找了一个,也补全了一下。
CREATE OR REPLACE TYPE t_split_100 IS TABLE OF VARCHAR2(100);
cr