懒猫一只拉阿拉蕾
懒猫一只拉阿拉蕾

机器学习基石-3-Types of Learning

Learning with Different Output Space y

Binary Classification:分类的结果只有两种，信用卡发放问题
Multiclass Classification:分类的结果有多种，识别不同种类的硬币问题
Regression:回归，分类结果是 R ,病人恢复问题
Structured Learning:，分类结果是结构，语义分析，动词名词组合
不愧是基石，每种方法只是点到为止，太粗糙了，可能后面会介绍吧！

Learning with Different Data Label yn

Supervised:监督式
Unsupervised:无监督式,clustering,分群问题,无监督问题目标分散，很难决定分类结果好坏！
Semi-supervised:半监督式，给出部分label的点
Reinforcement:增强式，像训练狗狗一样，一点一点学，通过惩罚错误，不是一口气学出正确结果！

Learning with Different Protocol(协议) f⇒(xn,yn)

batch learning:批量进去，批量出来，“填鸭式”，丢一本答案自学（本课重点）
online:垃圾邮件Spam分类，老师慢慢的教
active learning:主动学习，有问问题的能力，让电脑问也许标注的会少

Learning with Different Input Space X

concrete:具体的，比较简单
raw:原始的，抽取具体特征，deep learning
abstract:抽象的，帮每个数据抽取特征

你可能感兴趣的:(机器学习基石)

  • 林轩田机器学习基石 - 学习笔记4 - 机器学习的可行性 Spareribs
    @[TOC]一LearningisImpossible首先，考虑这样一个例子，如下图所示，有3个label为-1的九宫格和3个label为+1的九宫格。根据这6个样本，提取相应label下的特征，预测右边九宫格是属于-1还是+1？结果是，如果依据对称性，我们会把它归为+1；如果依据九宫格左上角是否是黑色，我们会把它归为-1。除此之外，还有根据其它不同特征进行分类，得到不同结果的情况。而且，这些分类
  • 机器为什么能学习(上) ringotc
    本篇文章是台湾大学《机器学习基石上》的课程笔记。以PLA算法为例，推导证明机器学习的可行性。问题概述机器学习在当前发展得很快，我们不由得发问：为什么这种算法是可行的。我们说机器学习算法是可行的，是指它的损失函数值很小。比如在回归问题里，我们的目标是让我们用更为数学化的语言表述这件事情：首先定义一下本文需要用到的数学符号我们让本质上就是要使得足够小且。我们这篇文章需要证明的两个保证机器学习可行的结论
  • 林轩田机器学习基石课程笔记1 -The Learing Problem Spareribs
    一什么是机器学习什么是“学习”？学习就是人类通过观察、积累经验，掌握某项技能或能力。就好像我们从小学习识别字母、认识汉字，就是学习的过程。而机器学习（MachineLearning），顾名思义，就是让机器（计算机）也能向人类一样，通过观察大量的数据和训练，发现事物规律，获得某种分析问题、解决问题的能力。在这里插入图片描述什么是“机器学习”？机器学习可以被定义为：Improvingsomeperfo
  • 惊为天人，NumPy手写全部主流机器学习模型，代码超3万行 小白学视觉 python神经网络机器学习人工智能深度学习
    点击上方“小白学视觉”，选择加"星标"或“置顶”重磅干货，第一时间送达本文转自|深度学习这件小事用NumPy手写所有主流ML模型，普林斯顿博士后DavidBourgin最近开源了一个非常剽悍的项目。超过3万行代码、30多个模型，这也许能打造「最强」的机器学习基石？NumPy作为Python生态中最受欢迎的科学计算包，很多读者已经非常熟悉它了。它为Python提供高效率的多维数组计算，并提供了一系列
  • 机器学习基石第九讲：linear regression Marcovaldo 机器学习机器学习基石笔记机器学习
    博客已经迁移至Marcovaldo’sblog(http://marcovaldong.github.io/)机器学习基石第十讲介绍线性回归问题（linearregressionproblem），从这一讲开始课程介绍具体的机器学习算法。后面的大部分内容，博主已经学过，所以笔记可能会简略。LinearRegressionProblem借助信用卡发放的问题来介绍线性回归，不过这一次不再是分类，而是要让
  • 机器学习基石课程总结 半亩房顶
    前前后后也磨蹭了有一个月左右吧，机器学习基石终于是看完了。其实还有很多东西并不很懂，尤其是好多数学问题，不会的依然很多。但是这个课程我是打算就这么结束了，带着一堆的坑。原因如下：不宜拉长战线。数据问题肯定是需要补的，但是现阶段并不准备在数学上下很多功夫，战线拉得太长只会前支后绌。选择性学习。有些东西其实是暂时不需要甚至不宜学习的。故而暂且放下。当然，需要直面时候不能逃避的。目的性或者说功利性使然。
  • 3.3 Types of Learning- Learning with Different Protocol |机器学习基石（林轩田）-学习笔记 努力奋斗的durian
    文章原创,最近更新：2018-07-18学习链接:3.3TypesofLearning-LearningwithDifferentProtocol学习参考链接:1、台湾大学林轩田机器学习基石课程学习笔记3--TypesofLearning按照不同的协议，机器学习可以分为三种类型：BatchLearningOnlineActiveLearning1.BatchLearningbatchlearnin
  • 1.5 The Leaming Problem-Machine Leaming and other Fields|机器学习基石（林轩田）-学习笔记 努力奋斗的durian
    文章原创,最近更新：2018-06-27学习链接:1.5TheLeamingProblem-MachineLeamingandotherFields1.MachineLearningandDataMining(机器学习与数据挖掘)讲完了机器学习完整的流程,下面将一下机器学习与其他相关领域的关系第一个讲的领域就是数据挖掘,数据挖掘与机器学习有什么不一样,如下:机器学习是用资料找出一个假说g,然后跟我
  • 机器学习--------考试复习笔记 懒懒的程序媛 机器学习
    1.机器学习基石–学习的可行性本文主要是通过Hoeffding不等式证明了当模型的所有hypothesis的个数M为有限个时，样本数目N足够大时，就能够保证泛化误差Eout(h)和训练误差Ein(h)很接近。这时候只要找到一个hypothesis使得Ein(h)很小，那么Eout(h)也会很小，从而达到学习的目的。当然有一个大前提就是训练样本和测试样本必须要在同一分布下产生，否则学习无从谈起。Th
  • python机器学习算法实训 - （二） 手写岭回归和lasso回归 印第安老斑鸠啾 机器学习算法机器学习python数据分析数据挖掘
    是的，我来更新了。线性模型之间还是很相似的，有了线性回归，其他的也好展开了。理论部分两张图来自林轩田老师的机器学习基石，向同学们推荐一手。岭回归和Lasso回归1.1什么是过拟合如图所示，在数据量不够大的情况下，如果我们使用一个高阶多项式（图中红色曲线所示），例如10阶，对目标函数（蓝色曲线）进行拟合。拟合曲线波动很大，虽然Ein很小，但是Eout很大，也就造成了过拟合现象。我们看似在数据集上获得
  • 收集一些有用的网址 Sundw_RUC
    1.吴恩达深度学习课后作业汇总2.机器学习基石课后练习汇总3.sublimetext主题生成器持续更新
  • 林轩田机器学习基石课程笔记3 - 机器学习类型 Spareribs
    上节课我们主要介绍了解决线性分类问题的一个简单的方法：PLA。PLA能够在平面中选择一条直线将样本数据完全正确分类。而对于线性不可分的情况，可以使用PocketAlgorithm来处理。本节课将主要介绍一下机器学习有哪些种类，并进行归纳。主要的视频讲解：林轩田机器学习基石P10林轩田机器学习基石P11林轩田机器学习基石P12林轩田机器学习基石P13一LearningwithDifferentOut
  • 机器学习笔记（5,6）--林轩田机器学习基石课程 数学系的计算机学生
    这两个lecture，集中证明了，当我的hepothesis个数看起来有无限多种时，也就是前面讲到的，找一个超平面（直线）做二元划分问题时，超平面（直线）应该有无限多个，那PLA还能否能learning的问题。具体的证明过程不在复述了，提一下我认为最重要的一点：当出现break的时候，就意味着，hepothesisset的个数会是多项式多个，具体是通过动态规划bound住上界的方法。以后等基石看完
  • 机器学习技法（二） 宣的写字台
    《机器学习技法》是国立台湾大学林轩田讲授的一门课程，课程的上集是《机器学习基石》。相关资源可以在youtube找到，也可在评论区索要云盘链接。本文主要是我学完一遍基石&技法后的笔记梳理，如果存疑请以原课程讲授内容为准，欢迎讨论~[注]本文仅适用于帮助复习，不适用于代替视频课程。技法分为3个部分，分别为●核模型：嵌入大量特征（6小节）●融合模型：融合预测性特征（5小节）●抽取模型：提取隐性特征（4小
  • 《机器学习基石前四章复习》 圈圈圈小明 机器学习人工智能
    【引言】训练样本D和最终测试h的样本都是来自同一个数据分布，这是机器能够学习的前提。另外，训练样本D应该足够大，且hypothesisset的个数是有限的，这样根据霍夫丁不等式，才不会出现BadData，保证Ein≈Eout，即有很好的泛化能力。同时，通过训练，得到使Ein最小的h，作为模型最终的矩g，g接近于目标函数。这里，我们总结一下前四节课的主要内容：第一节课，我们介绍了机器学习的定义，目标
  • 机器学习 南_橘子猪
    1.白板推导系列,up主shuhuai008的个人空间-哔哩哔哩(゜-゜)つロ乾杯~Bilibili2.up主,主要是机器学习的数学推导GRNovmbrain的个人空间-哔哩哔哩(゜-゜)つロ乾杯~Bilibiliup主,陆小亮,读书笔记视频>陆小亮的个人空间_哔哩哔哩_Bilibili林轩田>林轩田机器学习基石(国语)_哔哩哔哩_bilibili3.覃秉丰up主,不仅讲机器学习的算法基础,项目实
  • 4-3 Connection to Learning&4-4 Connection to Real Learning|机器学习基石（林轩田）-学习笔记 努力奋斗的durian
    文章原创,最近更新：2018-07-25学习链接:4-3ConnectiontoLearning4-4ConnectiontoRealLearning学习参考链接:1、台湾大学林轩田机器学习基石课程学习笔记4--FeasibilityofLearning2、《机器学习基石》学习笔记1.ConnectiontoLearning那么如何通过抽弹珠这个例子跟我们的Learning相联系呢？下面，我们将罐
  • 林轩田机器学习基石课程笔记2 - 学习回答Yes/No Spareribs
    上节课，我们主要简述了机器学习的定义及其重要性，并用流程图的形式介绍了机器学习的整个过程：根据模型H，使用演算法，在训练样本上进行训练，得到最好的，其对应的就是我们最后需要的机器学习的模型函数，一般接近于目标函数。本节课将继续深入探讨机器学习问题，介绍感知机Perceptron模型，并推导课程的第一个机器学习算法：。主要的视频讲解：林轩田机器学习基石P6林轩田机器学习基石P7林轩田机器学习基石P8
  • 机器学习笔记（2-4）--林轩田机器学习基石课程 数学系的计算机学生
    Non-SeparateData当我们不知道数据集是否线性可分时，我们采用贪心的算法，构建modifiedPLA.ModifiedPLA:和普通的PLA不同的是，它在选点时采用随机的方法，并且采用贪心的思想，保存当前最好的w_t.好不好的标准在于造成的错误点数是否更少。直到运行时间足够久后才停止算法。
  • 林轩田-机器学习基石-课程笔记1 小T数据站
    关于learninglearning：通过观察获取技能ML：通过计算数据获得技能learning&ML什么时候使用机器学习存在一些潜在的模型可以被学习但规则不容易用程式写出来有关于这些模型的资料机器学习流程f：是真实存在的模型，但我们不知道D：是用来学习的训练集A：是学习用到的算法H：是学习到的模型的假设g：是学习到的模型机器学习流程图与机器学习相关的领域数据挖掘：与机器学习难分难解人工智能：机器
  • 【机器学习基石】1-1，1-2，1-3 课程引导&机器学习适用场景 茹忆小玉儿
    Lec1-1引导机器学习是理论和方法结合的一门学问。理论（道）机器学习方法的假设、推论、结论、作用。是前辈设计的漂亮数学及算法。缺点：可能会让你觉得不够实用。方法（术）机器学习不缺方法。每天都有几十几百个新的方法在产生。缺点：若只是快速学使用方法，招数虽多，临阵时可能不知道如何妥善选择和使用方法。课程设置:从基础切入哲学：机器学习的思想数学：工具算法：设计和使用学会这些，把机器学习变成你的工具，而
  • 林轩田机器学习基石课程笔记2 - 知识点补充2 Spareribs
    详细笔记查看林轩田机器学习基石课程笔记2-学习回答Yes/No问题在解释GuaranteeofPLA这个问题过程中，提及到了3个内容的推导：内积越大，那表示是在接近目标权重但是内积更大，可能是向量长度更大了，不一定是向量间角度更小的增长被限制了，与向量长度不会差别太大详细说明问题1：内积越大，那表示是在接近目标权重首先有2个网站解释内积是什么向量点乘，叉乘为什么两个向量的点积越大，表明两者越相似？
  • 用 NumPy 手写 30 个主流机器学习算法，GitHub 9K 星，全都开源了！ 视学算法 python机器学习人工智能深度学习神经网络
    转自|机器之心参与|思源、一鸣、张倩用NumPy手写所有主流ML模型，普林斯顿博士后DavidBourgin最近开源了一个非常剽悍的项目。超过3万行代码、30多个模型，这也许能打造「最强」的机器学习基石？NumPy作为Python生态中最受欢迎的科学计算包，很多读者已经非常熟悉它了。它为Python提供高效率的多维数组计算，并提供了一系列高等数学函数，我们可以快速搭建模型的整个计算流程。毫不负责任
  • 机器学习笔记（1）--林轩田机器学习基石课程 数学系的计算机学生
    MachineLearningandotherField机器学习和数据挖掘：机器学习是通过数据训练，借助设计的机器学习演算法，从众多的假说中，找到一个最接近最优映射关系f的过程。机器学习的模型就是机器学习演算法加上假设集。数据挖掘是从众多数据中，找到、挖掘出自己感兴趣的某个点。当你感兴趣的这个点正好是机器学习所要寻找的映射关系g的时候，数据挖掘就成了机器学习。机器学习和人工智能：人工智能是让机器做
  • 机器学习笔记（2-3）--林轩田机器学习基石课程 数学系的计算机学生
    GuranteeofPLA这一小节，老师解决了我上一节中遗留的问题。首先，只有当数据集data是线性可分的时候，才存在f超平面，将空间没有错误地划分成两块。所以，PLA才能输出一个可行解g。其次，证明PLA可以在有限步输出g分为三部分：证明w_f·w_{t+1}>w_f·w_{t}（其中w_f是最优解f对应的权向量）:这一证明意味着，经过不断的修正，w_t会变得越来越接近理想的w_f。证明w_{t
  • 机器学习基石第一次作业 ThomasYoungK
    coursera林轩田的《机器学习基石》很有意思，我把一些编程作业总结在这里，参考了macJiang的答案：https://blog.csdn.net/a1015553840/article/details/51085129：作业115-17是naivepla(perceptronlearningalgorithm),算法如下:初始化wrepeat{1.寻找w(t)的下一个错误分类点（x,y）（即
  • 机器学习基石第六节 半亩房顶
    TheoryofGeneralization本章没怎么看懂，暂时先跳过，回头再来看，暂时看的一篇笔记，大体有些了解了，记住了一些推导和结论。Poly(N)关于参数N的特征多项式转自http://www.cnblogs.com/HappyAngel/p/3622333.html十分感谢这位前辈，私自转载以备留存，请见谅上一节课，我们主要探讨了当M的数值大小对机器学习的影响。如果M很大，那么就不能保证
  • 【台大林轩田《机器学习基石》笔记】Lecture 10——Logistic Regression T1en 机器学习机器学习算法logisticregression逻辑回归
    文章目录Lecture10:LogisticRegressionLogisticRegressionProblemLogisticRegressionErrorGradientofLogisticRegressionErrorGradientDescentLecture10:LogisticRegressionLogisticRegressionProblem如果我们想从患者的各种身体信息来推断其
  • 机器学习之多元分类（机器学习基石） N-Paradigm MachineLearning机器学习数据科学家之路多元分类机器学习多元分类机器学习基石
    一个案例如上图所示我们要使用一些线性模型来分割这四种不同的图案，利用以前学过的二元分类我们可以将某一个种类分别从整体中分离出来。比如将图通是方块和不是方块的做二元分类，是三角形的和不是三角形的进行分类等等，然后我们得到下图：问题的出现如上图所示我们在单独的分割中可以分别将我们想要的目标图案分割出来，但是我们将这些图标片综合起来看得到下图：在图中带有标号的区域就是公共区域，在公共区域内的判断是矛盾的
  • 机器学习方法的分类——（机器学习基石3） Lxs_ 机器学习机器学习
    这周学习的主要是一些理论知识，介绍机器学习的不同学习方法。不同的分类方式可以得出不同的学习类型，下面是总体的四种分类方式：1.按照不同的输出空间Y分类2.按照不同的数据标签yn分类3.按照不同得到目标函数的方式分类4.按照不同的输入空间X分类（1）按照不同的输出空间Y分类这个问题林老师列出了三种学习方式，分别是分类问题，回归问题，结构标记问题。之前的PLA是一种简单的二元分类问题，多元分类的话就是
  • SQL的各种连接查询 xieke90 UNION ALLUNION外连接内连接JOIN
    一、内连接   概念：内连接就是使用比较运算符根据每个表共有的列的值匹配两个表中的行。                 内连接（join 或者inner join ）       SQL语法：       select * fron
  • java编程思想--复用类 百合不是茶 java继承代理组合final类
          复用类看着标题都不知道是什么,再加上java编程思想翻译的比价难懂,所以知道现在才看这本软件界的奇书   一:组合语法:就是将对象的引用放到新类中即可     代码:     package com.wj.reuse; /** * * @author Administrator 组
  • [开源与生态系统]国产CPU的生态系统 comsci cpu
          计算机要从娃娃抓起...而孩子最喜欢玩游戏....       要让国产CPU在国内市场形成自己的生态系统和产业链,国家和企业就不能够忘记游戏这个非常关键的环节....       投入一些资金和资源,人力和政策,让游
  • JVM内存区域划分Eden Space、Survivor Space、Tenured Gen，Perm Gen解释 商人shang jvm内存
    jvm区域总体分两类，heap区和非heap区。heap区又分：Eden Space（伊甸园）、Survivor Space(幸存者区)、Tenured Gen（老年代-养老区）。 非heap区又分：Code Cache(代码缓存区)、Perm Gen（永久代）、Jvm Stack(java虚拟机栈)、Local Method Statck(本地方法栈)。 HotSpot虚拟机GC算法采用分代收
  • 页面上调用 QQ oloz qq
    <A href="tencent://message/?uin=707321921&amp;Site=有事Q我&amp;Menu=yes">   <img style="border:0px;" src=http://wpa.qq.com/pa?p=1:707321921:1></a>
  • 一些问题 文强chu 问题
    1.eclipse 导出 doc  出现“The Javadoc command does not exist.” javadoc command 选择 jdk/bin/javadoc.exe 2.tomcate 配置 web 项目 ..... SQL:3.mysql  * 必须得放前面 否则  select&nbs
  • 生活没有安全感 小桔子 生活孤独安全感
           圈子好小，身边朋友没几个，交心的更是少之又少。在深圳，除了男朋友，没几个亲密的人。不知不觉男朋友成了唯一的依靠，毫不夸张的说，业余生活的全部。现在感情好，也很幸福的。但是说不准难免人心会变嘛，不发生什么大家都乐融融，发生什么很难处理。我想说如果不幸被分手(无论原因如何)，生活难免变化很大，在深圳，我没交心的朋友。明
  • php 基础语法 aichenglong php 基本语法
    1 .1 php变量必须以$开头 <?php $a=” b”; echo ?> 1 .2 php基本数据库类型 Integer  float/double Boolean string 1 .3 复合数据类型 数组array和对象 object 1 .4 特殊数据类型  null 资源类型(resource)    $co
  • mybatis tools 配置详解 AILIKES mybatis
    MyBatis Generator中文文档 MyBatis Generator中文文档地址： http://generator.sturgeon.mopaas.com/ 该中文文档由于尽可能和原文内容一致，所以有些地方如果不熟悉，看中文版的文档的也会有一定的障碍，所以本章根据该中文文档以及实际应用，使用通俗的语言来讲解详细的配置。 本文使用Markdown进行编辑，但是博客显示效
  • 继承与多态的探讨 百合不是茶 JAVA面向对象 继承 对象
    继承 extends   多态 继承是面向对象最经常使用的特征之一：继承语法是通过继承发、基类的域和方法 //继承就是从现有的类中生成一个新的类，这个新类拥有现有类的所有extends是使用继承的关键字：     在A类中定义属性和方法； class A{ //定义属性 int age； //定义方法 public void go
  • JS的undefined与null的实例 bijian1013 JavaScriptJavaScript
    <form name="theform" id="theform"> </form> <script language="javascript"> var a alert(typeof(b)); //这里提示undefined if(theform.datas
  • TDD实践（一） bijian1013 java敏捷TDD
    一.TDD概述         TDD：测试驱动开发，它的基本思想就是在开发功能代码之前，先编写测试代码。也就是说在明确要开发某个功能后，首先思考如何对这个功能进行测试，并完成测试代码的编写，然后编写相关的代码满足这些测试用例。然后循环进行添加其他功能，直到完全部功能的开发。     
  • [Maven学习笔记十]Maven Profile与资源文件过滤器 bit1129 maven
    什么是Maven Profile Maven Profile的含义是针对编译打包环境和编译打包目的配置定制，可以在不同的环境上选择相应的配置，例如DB信息，可以根据是为开发环境编译打包，还是为生产环境编译打包，动态的选择正确的DB配置信息   Profile的激活机制 1.Profile可以手工激活，比如在Intellij Idea的Maven Project视图中可以选择一个P
  • 【Hive八】Hive用户自定义生成表函数(UDTF) bit1129 hive
    1. 什么是UDTF   UDTF，是User Defined Table-Generating Functions，一眼看上去，貌似是用户自定义生成表函数，这个生成表不应该理解为生成了一个HQL Table， 貌似更应该理解为生成了类似关系表的二维行数据集   2. 如何实现UDTF 继承org.apache.hadoop.hive.ql.udf.generic
  • tfs restful api 加auth 2.0认计 ronin47
    　　目前思考如何给tfs的ngx-tfs api增加安全性。有如下两点： 　　一是基于客户端的ip设置。这个比较容易实现。 　　二是基于OAuth2.0认证，这个需要lua，实现起来相对于一来说，有些难度。 　　现在重点介绍第二种方法实现思路。 　　 前言：我们使用Nginx的Lua中间件建立了OAuth2认证和授权层。如果你也有此打算，阅读下面的文档，实现自动化并获得收益。SeatGe
  • jdk环境变量配置 byalias javajdk
    进行java开发，首先要安装jdk，安装了jdk后还要进行环境变量配置： 1、下载jdk（http://java.sun.com/javase/downloads/index.jsp），我下载的版本是：jdk-7u79-windows-x64.exe 2、安装jdk-7u79-windows-x64.exe 3、配置环境变量：右击"计算机"-->&quo
  • 《代码大全》表驱动法-Table Driven Approach-2 bylijinnan java
    package com.ljn.base; import java.io.BufferedReader; import java.io.FileInputStream; import java.io.InputStreamReader; import java.util.ArrayList; import java.util.Collections; import java.uti
  • SQL 数值四舍五入 小数点后保留2位 chicony 四舍五入
    1.round() 函数是四舍五入用，第一个参数是我们要被操作的数据，第二个参数是设置我们四舍五入之后小数点后显示几位。 2.numeric 函数的2个参数，第一个表示数据长度，第二个参数表示小数点后位数。 例如： 　　select   cast(round(12.5,2)   as   numeric(5,2))  
  • c++运算符重载 CrazyMizzz C++
    一、加+，减-，乘*，除/ 的运算符重载 Rational operator*(const Rational &x) const{ return Rational(x.a * this->a); } 在这里只写乘法的，加减除的写法类似 二、<<输出,>>输入的运算符重载      &nb
  • hive DDL语法汇总 daizj hive修改列DDL修改表
    hive DDL语法汇总 １、对表重命名 hive> ALTER TABLE table_name RENAME TO new_table_name;   2、修改表备注 hive> ALTER TABLE table_name SET TBLPROPERTIES ('comment' = new_comm
  • jbox使用说明 dcj3sjt126com Web
    参考网址：http://www.kudystudio.com/jbox/jbox-demo.html jBox v2.3 beta [ 点击下载]  技术交流QQGroup：172543951 100521167 [2011-11-11] jBox v2.3 正式版 - [调整&修复] IE6下有iframe或页面有active、applet控件
  • UISegmentedControl 开发笔记 dcj3sjt126com
      //    typedef NS_ENUM(NSInteger, UISegmentedControlStyle) {     //        UISegmentedControlStylePlain,     // large plain   &
  • Slick生成表映射文件 ekian scala
    Scala添加SLICK进行数据库操作，需在sbt文件上添加slick-codegen包 "com.typesafe.slick" %% "slick-codegen" % slickVersion 因为我是连接SQL Server数据库，还需添加slick-extensions，jtds包 "com.typesa
  • ES-TEST gengzg test
    package com.MarkNum; import java.io.IOException; import java.util.Date; import java.util.HashMap; import java.util.Map; import javax.servlet.ServletException; import javax.servlet.annotation
  • 为何外键不再推荐使用 hugh.wang mysqlDB
    表的关联，是一种逻辑关系，并不需要进行物理上的“硬关联”，而且你所期望的关联，其实只是其数据上存在一定的联系而已，而这种联系实际上是在设计之初就定义好的固有逻辑。 在业务代码中实现的时候，只要按照设计之初的这种固有关联逻辑来处理数据即可，并不需要在数据库层面进行“硬关联”，因为在数据库层面通过使用外键的方式进行“硬关联”，会带来很多额外的资源消耗来进行一致性和完整性校验，即使很多时候我们并不
  • 领域驱动设计 julyflame VODAO设计模式DTOpo
    概念： VO（View Object）：视图对象，用于展示层，它的作用是把某个指定页面（或组件）的所有数据封装起来。 DTO（Data Transfer Object）：数据传输对象，这个概念来源于J2EE的设计模式，原来的目的是为了EJB的分布式应用提供粗粒度的数据实体，以减少分布式调用的次数，从而提高分布式调用的性能和降低网络负载，但在这里，我泛指用于展示层与服务层之间的数据传输对
  • 单例设计模式 hm4123660 javaSingleton单例设计模式懒汉式饿汉式
           单例模式是一种常用的软件设计模式。在它的核心结构中只包含一个被称为单例类的特殊类。通过单例模式可以保证系统中一个类只有一个实例而且该实例易于外界访问，从而方便对实例个数的控制并节约系统源。如果希望在系统中某个类的对象只能存在一个，单例模式是最好的解决方案。      &nb
  • logback zhb8015 loglogback
    一、logback的介绍      Logback是由log4j创始人设计的又一个开源日志组件。logback当前分成三个模块：logback-core,logback- classic和logback-access。logback-core是其它两个模块的基础模块。logback-classic是log4j的一个 改良版本。此外logback-class
  • 整合Kafka到Spark Streaming——代码示例和挑战 Stark_Summer sparkstormzookeeperPARALLELISMprocessing
    作者Michael G. Noll是瑞士的一位工程师和研究员，效力于Verisign，是Verisign实验室的大规模数据分析基础设施（基础Hadoop）的技术主管。本文，Michael详细的演示了如何将Kafka整合到Spark Streaming中。 期间， Michael还提到了将Kafka整合到 Spark Streaming中的一些现状，非常值得阅读，虽然有一些信息在Spark 1.2版
  • spring-master-slave-commondao 王新春 DAOspringdataSourceslavemaster
    互联网的web项目，都有个特点：请求的并发量高，其中请求最耗时的db操作，又是系统优化的重中之重。 为此，往往搭建 db的 一主多从库的 数据库架构。作为web的DAO层，要保证针对主库进行写操作，对多个从库进行读操作。当然在一些请求中，为了避免主从复制的延迟导致的数据不一致性，部分的读操作也要到主库上。（这种需求一般通过业务垂直分开，比如下单业务的代码所部署的机器，读去应该也要从主库读取数
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他