- 机器学习基础
dringlestry
机器学习人工智能
了解机器学习的基本概念,如监督学习、无监督学习、强化学习、模型评估指标(准确率、召回率、F1分数等)。机器学习(MachineLearning,ML)是人工智能(AI)的一个分支,它使计算机能够通过数据和经验自动改进,而无需明确编程。机器学习可以根据学习方式和数据的有无,分为以下几种基本类型:1.监督学习(SupervisedLearning)监督学习是一种机器学习类型,其中模型通过带标签的数据进
- AI人工智能带给企业什么影响
雪叶雨林
AI人工智能ai
在科技日新月异的今天,人工智能(AI)正以前所未有的速度和广度渗透到各行各业,对企业运营产生了深远的影响。这种影响不仅体现在技术层面的革新,更在于企业组织结构、工作流程、决策模式等多个维度的深刻变革。一、优化决策过程,提升精准度人工智能通过大数据分析和机器学习技术,能够处理和分析海量信息,为企业提供更为精准、实时的决策支持。相较于传统的人工分析,AI能够识别出数据中的微妙模式和趋势,帮助企业预见市
- 编程小白冲Kaggle每日打卡(14)--kaggle学堂:<机器学习简介>你的第一个机器学习模型
AZmax01
编程小白冲Kaggle每日打卡机器学习人工智能
Kaggle官方课程链接:YourFirstMachineLearningModel本专栏旨在Kaggle官方课程的汉化,让大家更方便地看懂。YourFirstMachineLearningModel建立你的第一个模型。好哇!选择建模数据你的数据集有太多的变量,你无法理解,甚至无法很好地打印出来。你如何将如此庞大的数据量缩减到你能理解的程度?我们将从使用直觉选择几个变量开始。后续课程将向您展示自动
- 微软Copilot官网入口- Copilot中文版国内使用入口
人工智能
微软Copilot:你的AI副驾驶,赋能未来工作与生活✨在数字化浪潮席卷全球的今天,效率和创造力已成为个人和企业成功的关键驱动力。微软Copilot应运而生,它不仅仅是一款软件,更像是一位人工智能副驾驶,旨在通过强大的AI技术,解放你的双手,激发你的灵感,助你驰骋于工作和生活的各个领域。核心功能:不止于智能,更在于赋能微软Copilot的核心在于其对自然语言处理(NLP)和机器学习(ML)的深度融
- Python+Spark地铁客流数据分析与预测系统 地铁大数据 地铁流量预测
qq_79856539
javaweb大数据pythonspark
本系统基于大数据设计并实现成都地铁客流量分析系统,使用网络爬虫爬取并收集成都地铁客流量数据,运用机器学习和时间序列分析等方法,对客流量数据进行预处理和特征选择,构建客流量预测模型,利用历史数据对模型进行训练和优化,实现客流量预测模型的部署和应用,通过系统界面展示预测结果。对预测模型进行评估和验证,并提出改进方案。设计步骤使用Python语言编写爬虫程序采集数据,并对原始数据集进行预处理;使用Pyt
- 【机器学习与数据挖掘实战】案例14:基于随机森林分类器的汽车公司客户细分预测
Francek Chen
机器学习与数据挖掘实战机器学习数据挖掘随机森林人工智能分类算法
【作者主页】FrancekChen【专栏介绍】⌈⌈⌈机器学习与数据挖掘实战⌋⌋⌋机器学习是人工智能的一个分支,专注于让计算机系统通过数据学习和改进。它利用统计和计算方法,使模型能够从数据中自动提取特征并做出预测或决策。数据挖掘则是从大型数据集中发现模式、关联和异常的过程,旨在提取有价值的信息和知识。机器学习为数据挖掘提供了强大的分析工具,而数据挖掘则是机器学习应用的重要领域,两者相辅相成,共同推动
- 整理:4篇论文知识蒸馏引领高效模型新时代
mslion
多模态人工智能知识蒸馏
知识蒸馏(KnowledgeDistillation)是当前机器学习研究中的一个重要方向,特别是在模型压缩和效率优化等任务中。传统的深度学习模型往往依赖于复杂的大型网络,以获取卓越的性能。然而,这些庞大的模型对计算资源和存储空间的需求,使得它们在实际应用中,尤其是在边缘设备或移动端部署中面临巨大挑战。知识蒸馏技术致力于解决这一问题,其核心思想是通过一个“教师模型”向一个更小、更高效的“学生模型”传
- 【漫话机器学习系列】101.特征选择法之Lasso(Lasso For Feature Selection)
IT古董
漫话机器学习系列专辑机器学习人工智能
Lasso特征选择法详解1.Lasso回归简介Lasso(LeastAbsoluteShrinkageandSelectionOperator,最小绝对收缩和选择算子)是一种基于L1范数正则化的线性回归方法。它不仅能够提高模型的泛化能力,还可以自动进行特征选择,即将一些不重要的特征的系数收缩到0,从而减少模型的复杂度。2.Lasso回归的数学公式Lasso回归的目标函数如下:其中:是输入数据,w是
- 人工智能:从基础到前沿
顾漂亮
人工智能深度学习windows
目录目录1.引言2.人工智能基础2.1什么是人工智能?2.2人工智能的历史2.3人工智能的分类3.机器学习3.1机器学习概述3.2监督学习3.3无监督学习3.4强化学习4.深度学习4.1深度学习概述4.2神经网络基础4.3卷积神经网络(CNN)4.4循环神经网络(RNN)5.自然语言处理(NLP)5.1NLP概述5.2文本预处理5.3词嵌入5.4语言模型6.计算机视觉6.1计算机视觉概述6.2图像
- Python的那些事第二十八篇:数据分析与操作的利器Pandas
暮雨哀尘
Python的那些事信息可视化python开发语言pandas数据分析数据处理
Pandas:数据分析与操作的利器摘要Pandas是基于Python的开源数据分析库,广泛应用于数据科学、机器学习和商业智能等领域。它提供了高效的数据结构和丰富的分析工具,能够处理结构化数据、时间序列数据以及复杂的数据转换任务。本文从Pandas的基础概念入手,深入探讨其核心数据结构(Series和DataFrame),并结合实际案例,详细阐述数据导入导出、数据清洗、数据处理、分组聚合、数据可视化
- 深入浅出机器学习:概念、算法与实践
倔强的小石头_
AI机器学习算法人工智能
目录引言机器学习的基本概念什么是机器学习机器学习的基本要素机器学习的主要类型监督学习(SupervisedLearning)无监督学习(UnsupervisedLearning)强化学习(ReinforcementLearning)机器学习的一般流程总结引言在当今数字化时代,数据量呈爆炸式增长。机器学习作为一门多领域交叉学科,致力于让计算机系统从数据中自动学习模式和规律,进而实现对未知数据的预测和
- TensorFlow 2 来训练一个线性回归模型
大数据张老师
tensorflow线性回归人工智能
本节将通过一个简单的示例,带领大家了解如何使用TensorFlow2来训练一个线性回归模型。这个例子将帮助大家掌握如何从数据处理、模型构建、训练到评估等步骤,逐步实现一个基础的机器学习任务。下面是代码的详细讲解。importtensorflowastfimportpandasaspd首先,我们导入了TensorFlow和Pandas库。TensorFlow用于构建和训练我们的机器学习模型,Pand
- MySQL索引、视图与范式:高效数据库设计与优化秘籍
rain雨雨编程
Java编程数据库mysql索引视图范式
♂️个人主页:@rain雨雨编程微信公众号:rain雨雨编程✍作者简介:持续分享机器学习,爬虫,数据分析希望大家多多支持,我们一起进步!如果文章对你有帮助的话,欢迎评论点赞收藏加关注+目录mysqlday04课堂笔记1、索引(index)1.1、什么是索引?1.2、索引的实现原理?1.3、添加索引的注意事项1.4、索引怎么创建?删除?语法是什么?1.5、如何查看某select中是否使用了索引1.
- 【机器学习算法选型:分类与回归】 常见分类算法介绍
云博士的AI课堂
哈佛博后带你玩转机器学习机器学习分类回归分类与回归机器学习算法选型深度学习人工智能
第2节:常见分类算法介绍在机器学习中,分类算法是用于预测一个样本所属类别的工具。无论是在金融风控、医疗诊断、图像识别还是推荐系统等领域,分类算法都扮演着至关重要的角色。不同的分类算法各自有不同的优缺点和应用场景,因此了解这些算法的特点及其适用条件,是构建高效分类模型的关键。1.逻辑回归(LogisticRegression)介绍逻辑回归是一种广泛应用于二分类问题的线性模型,其目标是根据输入特征预测
- 人工智能学习框架
静默.\\
人工智能学习
人工智能学习框架概述随着人工智能技术的飞速发展,选择合适的机器学习或深度学习框架对于项目的成功至关重要。这些框架提供了强大的工具和库,使得开发者能够更高效地构建、训练和部署模型。目前市面上有许多流行的AI学习框架,每种框架都有其独特的特点和适用场景。首先,TensorFlow是由Google开发的一个开源机器学习框架,支持从简单的线性回归到复杂的神经网络等多种模型类型。它以其高度灵活性和可扩展性著
- 联邦学习: 统一数据协作和隐私保护的技术解决之道
小牍
大数据分布式数据安全
联邦学习:统一数据协作和隐私保护的技术解决之道1.数据价值和隐私2.隐私计算技术安全多方计算可信执行环境联邦学习3.联邦学习的拓展分布式机器学习联邦学习和传统分布式系统的差异联邦学习带来的挑战安全性补充实际案例讲解总结1.数据价值和隐私为什么需要隐私计算呢?数据的产生过程是分散的,数据具有天然的割裂性。不同类型的公司提供不同的业务和服务,产生的数据类型也是不同的,例如社交公司产生用户大量的社交数据
- 人工神经网络ANN入门学习笔记
cs_ning
ANN学习笔记学习笔记机器学习
研究生写论文需要,先快速学习了机器学习的内容,现在需要继续深入学习人工神经网络ANN的内容,以下是个人的学习笔记,欢迎交流、请多多指正!以下是参考的学习资料/网站/笔记来源(侵权删):【ANN回归预测】基于ANN实现多变量预测附Matlab代码_ann实现回归-CSDN博客ANN人工神经网络:从基础认知到现实理解-CSDN博客常用神经网络-ANN/CNN/RNN/GAN/Transformer_a
- 消融实验(Ablation Study):模型优化的关键分析方法
烟锁池塘柳0
深度学习人工智能计算机视觉深度学习
文章目录消融实验(AblationStudy):模型优化的关键分析方法什么是消融实验?为什么要做消融实验?实验步骤典型实验案例案例1:图像分类模型案例2:目标检测模型实验结果解读要点消融实验的意义总结消融实验(AblationStudy):模型优化的关键分析方法什么是消融实验?消融实验(AblationStudy)是机器学习领域用于评估模型组件有效性的重要研究方法。通过逐步移除模型的某些模块/特征
- 使用Scikit-Learn决策树:分类问题解决方案指南
范范0825
scikit-learn决策树分类
如何用scikit-learn的决策树分类器解决分类问题1.引言在本教程中,我们将探讨如何使用scikit-learn(sklearn)库中的决策树分类器解决分类问题。决策树是一种强大的机器学习算法,能够根据输入数据的特征属性学习决策规则,并用于预测新数据的分类标签。2.理论基础与算法介绍2.1决策树算法概述决策树是一种树形结构,每个非叶节点表示一个特征属性上的决策,每个分支代表一个决策结果的可能
- 机器学习学习笔记(十七)—— 优化算法概述
lancetop-stardrms
机器学习机器学习
一、概观scipy中的optimize子包中提供了常用的最优化算法函数实现。我们可以直接调用这些函数完成我们的优化问题。optimize中函数最典型的特点就是能够从函数名称上看出是使用了什么算法。下面optimize包中函数的概览:1.非线性最优化fmin--简单Nelder-Mead算法fmin_powell--改进型Powell法fmin_bfgs--拟Newton法fmin_cg--非线性共
- 机器学习和深度学习有什么区别?
facaixxx2024
AI大模型机器学习深度学习人工智能
深度学习和机器学习有什么区别?深度学习是机器学习一个分支,机器学习包含深度学习。下面阿小云从定义、技术、数据需求、应用领域、模型复杂度和计算资源多维度来对比深度学习和机器学习的区别:二者的定义区别机器学习:是一种数据分析技术,通过算法使计算机能够在无明确编程的情况下进行学习和决策。深度学习:是机器学习的一个子领域,使用神经网络模型,尤其是深层神经网络模型,来处理、解释和分类数据。依赖算法和技术不同
- AI趋势下,软件测试工程师怎么拥抱AI
悠然的笔记本
人工智能
在AI趋势下,软件测试工程师怎么拥抱AI呢?以下是我的一些思考:一、掌握AI基础知识软件测试工程师需要学习机器学习、深度学习、自然语言处理等领域的基本原理和算法。这些基础知识有助于理解AI在测试中的应用基础,从而能够更好地利用AI技术提升测试效率和质量。二、掌握AI相关工具和技术编程语言:学习使用Python等编程语言,这是实现AI应用的常用工具之一。框架:掌握TensorFlow、PyTorch
- 什么是机器学习?
CM莫问
机器学习模型机器学习人工智能算法
一、概念(维基百科)机器学习是人工智能的一个分支。机器学习算法是一类从数据中自动分析获得规律,并利用规律对未知数据进行预测的算法。因为学习算法中涉及了大量的统计学理论,机器学习与推断统计学联系尤为密切,也被称为统计学习理论。二、主要特点机器学习的主要特点包括:1、数据驱动:机器学习模型的性能主要依赖于输入的数据。数据的质量和数量直接影响模型的准确性和泛化能力,所谓“Garbagein,garbag
- 机器学习,我们主要学习什么?
悠然的笔记本
机器学习机器学习
机器学习的发展历程机器学习的发展历程,大致分为以下几个阶段:1.起源与早期探索(20世纪40年代-60年代)1949年:Hebb提出了基于神经心理学的学习机制,开启了机器学习的先河1950年代:机器学习的起源与人工智能的探索紧密相连。例如,1956年,达特茅斯会议标志着人工智能的诞生,机器学习作为其重要分支也开始受到关注1960年代:出现了早期的机器学习算法,如1967年诞生的K最近邻算法(KNN
- 机器学习的数学基础(三)——概率与信息论
梦醒沉醉
数学基础概率论信息论
目录1.随机变量2.概率分布2.1离散型变量和概率质量函数2.2连续型变量和概率密度函数3.边缘概率4.条件概率5.条件概率的链式法则6.独立性和条件独立性7.期望、方差和协方差7.1期望7.2方差7.3协方差8.常用概率分布8.1均匀分布U(a,b)U(a,b)U(a,b)8.2Bernoulli分布8.3Multinoulli分布8.4高斯分布(正态分布)N(x;μ,σ2)N(x;\mu,\s
- XGBoost vs LightGBM vs CatBoost:三大梯度提升框架深度解析
机器学习司猫白
机器学习理论机器学习xgboostlightgbmcatboost参数调优人工智能
梯度提升树(GradientBoostingDecisionTrees,GBDT)作为机器学习领域的核心算法,在结构化数据建模中始终占据统治地位。本文将深入解析三大主流实现框架:XGBoost、LightGBM和CatBoost,通过原理剖析、参数详解和实战对比,助你全面掌握工业级建模利器。一、算法原理深度对比1.XGBoost:工程优化的奠基者核心创新:二阶泰勒展开:利用损失函数的一阶导和二阶导
- 【深度学习】矩阵的理解与应用
大数据追光猿
深度学习矩阵算法线性代数机器学习python深度学习
一、矩阵基础知识1.什么是矩阵?矩阵是一个数学概念,通常表示为一个二维数组,它由行和列组成,用于存储数值数据。矩阵是线性代数的基本工具之一,广泛应用于数学、物理学、工程学、计算机科学、机器学习和数据分析等领域。1.1矩阵的表示一个矩阵通常用大写字母来表示,例如AAA,而矩阵中的元素则用小写字母来表示,例如aija_{ij}aij,其中iii表示行索引,jjj表示列索引。本质:矩阵是二维的张量矩阵的
- 计算机视觉CV学习路线
我喝AD钙
我的学习笔记计算机视觉学习人工智能
计算机视觉CV学习路线1.基础准备(可参考mooc学习)2.计算机视觉基础知识(可参考mooc学习、计算机图形学)3.经典计算机视觉算法(可参考吴恩达机器学习课程、国内外计算机图形学课程)4.深度学习基础(参考吴恩达和TF、Keras官网手册)5.深度学习在计算机视觉中的应用(李飞飞课程、arxiv论文原文和解析博客,实战参考gitee/github)6.现代计算机视觉技术(arxiv论文原文和解
- Github上有哪些不错的Python开源项目?
cda2024
githubpython开源
在当今快速发展的科技时代,Python已经成为编程语言界的明星,它简洁优雅的语法、强大的库支持以及广泛的社区贡献,使其在数据分析、机器学习、Web开发等多个领域大放异彩。而在GitHub这个全球最大的代码托管平台上,无数优秀的Python开源项目如雨后春笋般涌现,不仅为开发者提供了丰富的资源,也为技术爱好者提供了学习和实践的机会。本文将带你走进GitHub的Python开源世界,探索那些不容错过的
- 基于 JavaWeb 的 SSM+Maven 微信小程序快递柜管理系统设计和实现(源码+文档+部署讲解)
秋野酱
java课程设计前端maven微信小程序java课程设计
技术范围:SpringBoot、Vue、SSM、HLMT、Jsp、PHP、Nodejs、Python、爬虫、数据可视化、小程序、安卓app、大数据、物联网、机器学习等设计与开发。主要内容:免费功能设计、开题报告、任务书、中期检查PPT、系统功能实现、代码编写、论文编写和辅导、论文降重、长期答辩答疑辅导、腾讯会议一对一专业讲解辅导答辩、模拟答辩演练、和理解代码逻辑思路。文末获取源码联系文末获取源码联
- 关于旗正规则引擎下载页面需要弹窗保存到本地目录的问题
何必如此
jsp超链接文件下载窗口
生成下载页面是需要选择“录入提交页面”,生成之后默认的下载页面<a>标签超链接为:<a href="<%=root_stimage%>stimage/image.jsp?filename=<%=strfile234%>&attachname=<%=java.net.URLEncoder.encode(file234filesourc
- 【Spark九十八】Standalone Cluster Mode下的资源调度源代码分析
bit1129
cluster
在分析源代码之前,首先对Standalone Cluster Mode的资源调度有一个基本的认识:
首先,运行一个Application需要Driver进程和一组Executor进程。在Standalone Cluster Mode下,Driver和Executor都是在Master的监护下给Worker发消息创建(Driver进程和Executor进程都需要分配内存和CPU,这就需要Maste
- linux上独立安装部署spark
daizj
linux安装spark1.4部署
下面讲一下linux上安装spark,以 Standalone Mode 安装
1)首先安装JDK
下载JDK:jdk-7u79-linux-x64.tar.gz ,版本是1.7以上都行,解压 tar -zxvf jdk-7u79-linux-x64.tar.gz
然后配置 ~/.bashrc&nb
- Java 字节码之解析一
周凡杨
java字节码javap
一: Java 字节代码的组织形式
类文件 {
OxCAFEBABE ,小版本号,大版本号,常量池大小,常量池数组,访问控制标记,当前类信息,父类信息,实现的接口个数,实现的接口信息数组,域个数,域信息数组,方法个数,方法信息数组,属性个数,属性信息数组
}
&nbs
- java各种小工具代码
g21121
java
1.数组转换成List
import java.util.Arrays;
Arrays.asList(Object[] obj); 2.判断一个String型是否有值
import org.springframework.util.StringUtils;
if (StringUtils.hasText(str)) 3.判断一个List是否有值
import org.spring
- 加快FineReport报表设计的几个心得体会
老A不折腾
finereport
一、从远程服务器大批量取数进行表样设计时,最好按“列顺序”取一个“空的SQL语句”,这样可提高设计速度。否则每次设计时模板均要从远程读取数据,速度相当慢!!
二、找一个富文本编辑软件(如NOTEPAD+)编辑SQL语句,这样会很好地检查语法。有时候带参数较多检查语法复杂时,结合FineReport中生成的日志,再找一个第三方数据库访问软件(如PL/SQL)进行数据检索,可以很快定位语法错误。
- mysql linux启动与停止
墙头上一根草
如何启动/停止/重启MySQL一、启动方式1、使用 service 启动:service mysqld start2、使用 mysqld 脚本启动:/etc/inint.d/mysqld start3、使用 safe_mysqld 启动:safe_mysqld&二、停止1、使用 service 启动:service mysqld stop2、使用 mysqld 脚本启动:/etc/inin
- Spring中事务管理浅谈
aijuans
spring事务管理
Spring中事务管理浅谈
By Tony Jiang@2012-1-20 Spring中对事务的声明式管理
拿一个XML举例
[html]
view plain
copy
print
?
<?xml version="1.0" encoding="UTF-8"?>&nb
- php中隐形字符65279(utf-8的BOM头)问题
alxw4616
php中隐形字符65279(utf-8的BOM头)问题
今天遇到一个问题. php输出JSON 前端在解析时发生问题:parsererror.
调试:
1.仔细对比字符串发现字符串拼写正确.怀疑是 非打印字符的问题.
2.逐一将字符串还原为unicode编码. 发现在字符串头的位置出现了一个 65279的非打印字符.
- 调用对象是否需要传递对象(初学者一定要注意这个问题)
百合不是茶
对象的传递与调用技巧
类和对象的简单的复习,在做项目的过程中有时候不知道怎样来调用类创建的对象,简单的几个类可以看清楚,一般在项目中创建十几个类往往就不知道怎么来看
为了以后能够看清楚,现在来回顾一下类和对象的创建,对象的调用和传递(前面写过一篇)
类和对象的基础概念:
JAVA中万事万物都是类 类有字段(属性),方法,嵌套类和嵌套接
- JDK1.5 AtomicLong实例
bijian1013
javathreadjava多线程AtomicLong
JDK1.5 AtomicLong实例
类 AtomicLong
可以用原子方式更新的 long 值。有关原子变量属性的描述,请参阅 java.util.concurrent.atomic 包规范。AtomicLong 可用在应用程序中(如以原子方式增加的序列号),并且不能用于替换 Long。但是,此类确实扩展了 Number,允许那些处理基于数字类的工具和实用工具进行统一访问。
- 自定义的RPC的Java实现
bijian1013
javarpc
网上看到纯java实现的RPC,很不错。
RPC的全名Remote Process Call,即远程过程调用。使用RPC,可以像使用本地的程序一样使用远程服务器上的程序。下面是一个简单的RPC 调用实例,从中可以看到RPC如何
- 【RPC框架Hessian一】Hessian RPC Hello World
bit1129
Hello world
什么是Hessian
The Hessian binary web service protocol makes web services usable without requiring a large framework, and without learning yet another alphabet soup of protocols. Because it is a binary p
- 【Spark九十五】Spark Shell操作Spark SQL
bit1129
shell
在Spark Shell上,通过创建HiveContext可以直接进行Hive操作
1. 操作Hive中已存在的表
[hadoop@hadoop bin]$ ./spark-shell
Spark assembly has been built with Hive, including Datanucleus jars on classpath
Welcom
- F5 往header加入客户端的ip
ronin47
when HTTP_RESPONSE {if {[HTTP::is_redirect]}{ HTTP::header replace Location [string map {:port/ /} [HTTP::header value Location]]HTTP::header replace Lo
- java-61-在数组中,数字减去它右边(注意是右边)的数字得到一个数对之差. 求所有数对之差的最大值。例如在数组{2, 4, 1, 16, 7, 5,
bylijinnan
java
思路来自:
http://zhedahht.blog.163.com/blog/static/2541117420116135376632/
写了个java版的
public class GreatestLeftRightDiff {
/**
* Q61.在数组中,数字减去它右边(注意是右边)的数字得到一个数对之差。
* 求所有数对之差的最大值。例如在数组
- mongoDB 索引
开窍的石头
mongoDB索引
在这一节中我们讲讲在mongo中如何创建索引
得到当前查询的索引信息
db.user.find(_id:12).explain();
cursor: basicCoursor 指的是没有索引
&
- [硬件和系统]迎峰度夏
comsci
系统
从这几天的气温来看,今年夏天的高温天气可能会维持在一个比较长的时间内
所以,从现在开始准备渡过炎热的夏天。。。。
每间房屋要有一个落地电风扇,一个空调(空调的功率和房间的面积有密切的关系)
坐的,躺的地方要有凉垫,床上要有凉席
电脑的机箱
- 基于ThinkPHP开发的公司官网
cuiyadll
行业系统
后端基于ThinkPHP,前端基于jQuery和BootstrapCo.MZ 企业系统
轻量级企业网站管理系统
运行环境:PHP5.3+, MySQL5.0
系统预览
系统下载:http://www.tecmz.com
预览地址:http://co.tecmz.com
各种设备自适应
响应式的网站设计能够对用户产生友好度,并且对于
- Transaction and redelivery in JMS (JMS的事务和失败消息重发机制)
darrenzhu
jms事务承认MQacknowledge
JMS Message Delivery Reliability and Acknowledgement Patterns
http://wso2.com/library/articles/2013/01/jms-message-delivery-reliability-acknowledgement-patterns/
Transaction and redelivery in
- Centos添加硬盘完全教程
dcj3sjt126com
linuxcentoshardware
Linux的硬盘识别:
sda 表示第1块SCSI硬盘
hda 表示第1块IDE硬盘
scd0 表示第1个USB光驱
一般使用“fdisk -l”命
- yii2 restful web服务路由
dcj3sjt126com
PHPyii2
路由
随着资源和控制器类准备,您可以使用URL如 http://localhost/index.php?r=user/create访问资源,类似于你可以用正常的Web应用程序做法。
在实践中,你通常要用美观的URL并采取有优势的HTTP动词。 例如,请求POST /users意味着访问user/create动作。 这可以很容易地通过配置urlManager应用程序组件来完成 如下所示
- MongoDB查询(4)——游标和分页[八]
eksliang
mongodbMongoDB游标MongoDB深分页
转载请出自出处:http://eksliang.iteye.com/blog/2177567 一、游标
数据库使用游标返回find的执行结果。客户端对游标的实现通常能够对最终结果进行有效控制,从shell中定义一个游标非常简单,就是将查询结果分配给一个变量(用var声明的变量就是局部变量),便创建了一个游标,如下所示:
> var
- Activity的四种启动模式和onNewIntent()
gundumw100
android
Android中Activity启动模式详解
在Android中每个界面都是一个Activity,切换界面操作其实是多个不同Activity之间的实例化操作。在Android中Activity的启动模式决定了Activity的启动运行方式。
Android总Activity的启动模式分为四种:
Activity启动模式设置:
<acti
- 攻城狮送女友的CSS3生日蛋糕
ini
htmlWebhtml5csscss3
在线预览:http://keleyi.com/keleyi/phtml/html5/29.htm
代码如下:
<!DOCTYPE html>
<html>
<head>
<meta charset="UTF-8">
<title>攻城狮送女友的CSS3生日蛋糕-柯乐义<
- 读源码学Servlet(1)GenericServlet 源码分析
jzinfo
tomcatWebservlet网络应用网络协议
Servlet API的核心就是javax.servlet.Servlet接口,所有的Servlet 类(抽象的或者自己写的)都必须实现这个接口。在Servlet接口中定义了5个方法,其中有3个方法是由Servlet 容器在Servlet的生命周期的不同阶段来调用的特定方法。
先看javax.servlet.servlet接口源码:
package
- JAVA进阶:VO(DTO)与PO(DAO)之间的转换
snoopy7713
javaVOHibernatepo
PO即 Persistence Object VO即 Value Object
VO和PO的主要区别在于: VO是独立的Java Object。 PO是由Hibernate纳入其实体容器(Entity Map)的对象,它代表了与数据库中某条记录对应的Hibernate实体,PO的变化在事务提交时将反应到实际数据库中。
实际上,这个VO被用作Data Transfer
- mongodb group by date 聚合查询日期 统计每天数据(信息量)
qiaolevip
每天进步一点点学习永无止境mongodb纵观千象
/* 1 */
{
"_id" : ObjectId("557ac1e2153c43c320393d9d"),
"msgType" : "text",
"sendTime" : ISODate("2015-06-12T11:26:26.000Z")
- java之18天 常用的类(一)
Luob.
MathDateSystemRuntimeRundom
System类
import java.util.Properties;
/**
* System:
* out:标准输出,默认是控制台
* in:标准输入,默认是键盘
*
* 描述系统的一些信息
* 获取系统的属性信息:Properties getProperties();
*
*
*
*/
public class Sy
- maven
wuai
maven
1、安装maven:解压缩、添加M2_HOME、添加环境变量path
2、创建maven_home文件夹,创建项目mvn_ch01,在其下面建立src、pom.xml,在src下面简历main、test、main下面建立java文件夹
3、编写类,在java文件夹下面依照类的包逐层创建文件夹,将此类放入最后一级文件夹
4、进入mvn_ch01
4.1、mvn compile ,执行后会在