朴素贝叶斯基本思想特点一般过程示例1基本思想朴素贝叶斯的基本思想就是选择高概率对应的类别,即如果有两类,若p1(x,y)>p2(x,y),则分类类别为1若p1(x,y)
机器学习实战学习笔记(十)使用Apriori算法进行关联分析
Hold_My_Own
机器学习Apriori机器学习
PS:该系列数据都可以在图灵社区(点击此链接)中随书下载中下载(如下) 从大规模数据集中寻找物品间的隐含关系被称作关联分析(associationanalysis)或者关联规则学习(associationrulelearning)。1关联分析Apriori算法优点:易编码实现。缺点:在大数据集上可能较慢。使用数据类型:数值型或者标称型数据。 关联分析是一种在大规模数据集中寻找有趣关系的任务。这
机器学习实战学习笔记(九)K-均值聚类算法
Hold_My_Own
机器学习K-Means聚类机器学习
PS:该系列数据都可以在图灵社区(点击此链接)中随书下载中下载(如下) 聚类是一种无监督的学习,它将相似的对象归到同一个簇中。它有点像全自动分类,聚类方法几乎可以应用于所有对象,簇内的对象越相似,聚类的效果越好。K-均值(K-means)聚类算法,之所以称之为K-均值是因为它可以发现k个不同的簇,且每个簇的中心采用簇中所含值的均值计算而成。 簇识别(clusteridentification)
Peter 机器学习实战学习笔记(1)
Liker79
机器学习学习矩阵
shape的简单理解一、shape可以获取数组或矩阵的大小信息(矩阵的行数,列数,数组每一维的元素个数)在矩阵中shape[0]可以获取行数,shape[1]可以获取列数二、numpy中的tilenp.tile()本着函数取名必有所依的原理,博主百度了一下tile的英文意思,发现tile有平铺的意思。1.沿X轴复制在numpy中,np.tile(a,(2))函数的作用就是将函数将函数沿着X轴扩大两
机器学习实战学习笔记(七)预测数值型数据:回归
Hold_My_Own
机器学习回归预测数值型数据机器学习
PS:该系列数据都可以在图灵社区(点击此链接)中随书下载中下载(如下)1用线性回归找到最佳拟合直线线性回归优点:结果易于理解,计算上不复杂。缺点:对非线性的数据拟合不好。适用数据类型:数值型和标称型数据。 假定输入数据存放在矩阵XXX中,而回归系数存放在向量www中。那么对于给定的数据X1X_1X1,预测结果将会通过Y1=X1TwY_1=X_1^TwY1=X1Tw给出。我们常用的方法极速找出使误
机器学习实战学习笔记11——FP-growth 算法
飞鸟2010
python学习笔记python机器学习FP-growth
1.FP-growth算法概述1.1FP-growth算法介绍FP-Growth算法是韩家炜等人在2000年提出的关联分析算法,它采取分治策略:将提供频繁项集的数据库压缩到一棵频繁模式树(FP-tree),但仍保留项集关联信息。1.2FP-growth算法原理FP-growth算法使用了一种称为频繁模式树(FrequentPatternTree)的数据结构。FP-tree是一种特殊的前缀树,由频繁
机器学习实战学习笔记(五)支持向量机
Hold_My_Own
机器学习
PS:该系列数据都可以在图灵社区(点击此链接)中随书下载中下载(如下)1基于最大间隔分隔数据支持向量机(SupportVectorMachines,SVM)优点:泛化错误率低,计算开销不大,结果易于解释。缺点:对参数调节和核函数的选择敏感,原始分类器不加修改仅适用于处理二类问题。使用数据类型:数值型和标称型数据。 假设给定一个特征空间上的训练数据集T={(x1,y1),(x2,y2),...,(
机器学习实战学习笔记4——奇异值分解(SVD)
飞鸟2010
python学习笔记机器学习
1.SVD算法概述1.1SVD算法介绍奇异值分解(SingularValueDecomposition)算法,可以将数据映射到低维空间,常用于从有噪声数据中抽取相关特征。1.2SVD算法原理(1)先利用SVD从数据中构建一个主题空间;(2)然后在该空间下计算相似度;1.3SVD算法优缺点(1)优点:简化数据,去除噪声,提高算法的结果(2)缺点:数据的转换可能难以理解(3)应用:最优化问题、特征值问
【机器学习实战学习笔记(1-2)】k-近邻算法应用实例python代码
进击的AI小白
机器学习
文章目录1.改进约会网站匹配效果1.1准备数据:从文本文件中解析数据1.2分析数据:使用Matplotlib创建散点图1.3准备数据:归一化特征1.4测试算法:作为完整程序验证分类器1.5使用算法:构建完成可用系统2.手写识别系统2.1准备数据:将图像转换为测试向量2.2测试算法:使用k-近邻算法识别手写数字在上一篇文章中我们得到了基于欧式距离、多数表决规则,实现方法采用线性搜索法的k-近邻法cl
机器学习实战学习笔记(十三)利用SVD简化数据
Hold_My_Own
机器学习svd机器学习
PS:该系列数据都可以在图灵社区(点击此链接)中随书下载中下载(如下)1SVD的应用奇异值分解优点:简化数据,去除噪声,提高算法的结果。缺点:数据的转换可能难以理解。适用数据类型:数值型数据。1.1隐形语义索引 最早的SVD应用之一就是信息检索。我们称利用SVD的方法为隐性语义索引(LatentSemanticIndex,LSI)或隐性语义分析(LatentSemanticAnalysis,LS
机器学习实战学习笔记(十二)利用PCA来简化数据
Hold_My_Own
机器学习
PS:该系列数据都可以在图灵社区(点击此链接)中随书下载中下载(如下)1降维技术 对数据进行简化的原因:使得数据集更易使用;降低很多算法的计算开销;去除噪声;使得结果易懂。 主成分分析(PrincipalComponentAnalysis,PCA):在PCA中,数据从原来的坐标系转换到了新的坐标系,新坐标系的选择是由数据本身决定的。第一个新坐标轴选择的是原始数据中方差最大的方向,第二个新坐标轴
机器学习实战学习笔记(十一)使用FP-growth算法来高效发现频繁项集
Hold_My_Own
机器学习
PS:该系列数据都可以在图灵社区(点击此链接)中随书下载中下载(如下) FP-growth算法:比Apriori算法要快。它基于Apriori构建,但是在完成相同任务时采用了一些不同的技术。这里的任务是将数据集存储在一个特定的称作FP树的结构之后发现频繁项集或者频繁相对,即常在一块出现的元素项的集合FP树。这个算法能够更有效地挖掘数据。这种算法虽然能更为高效地发现频繁项集,但不能用于发现关联规则
机器学习实战学习笔记(一)
sakurakdx
1.KNN算法描述简单来说:k-近邻算法(knn)采用测量不同特征值之间的距离算法进行分类优点:精度高、对异常值不敏感、无数据输入假定缺点:计算复杂度高、空间复杂度高适用数据范围:数值型和标称型工作原理:存在一个训练样本集,样本集中每个数据都存在标签。输入没有标签的新数据后,将新数据的每个特征与样本集中数据对应的特征进行比较,然后算法提取样本集中特征最相似(最近邻)的分类标签。一般来说,只选择样本
机器学习实战学习笔记 ---- K-Means(K-均值)聚类算法
杨鑫newlfe
MachineLearning
聚类是一种无监督的学习,它将相似的对象归到一个簇中,将不相似的对象归到不同的簇中。相似这一概念取决于所选择的相似度计算方式。K-Means是发现给定数据集的K个簇的聚类算法,之所以称之为“K-均”值是因为它可以发现K个不同的簇,且每个簇的中心采用的所含值的均值计算而成。簇个数K是用户指定的,每一个簇通过其质心(centroid),即簇中所有点的中心来描述。聚类与分类算法的最大区别在于,分类的目标类
【机器学习实战学习笔记(2-2)】决策树python3.6实现及简单应用
siplifyit
文章目录1.ID3及C4.5算法基础1.1计算香农熵1.2按照给定特征划分数据集1.3选择最优特征1.4多数表决实现2.基于ID3、C4.5生成算法创建决策树3.使用决策树进行分类4.存储决策树通过决策树原理及相关概念细节我们知道,决策树的学习算法主要包括3个步骤:特征选择、决策树生成算法、决策树剪枝,我们按照这个思路来一一实现相关功能。本文的实现目前主要涉及特征选择、ID3及C4.5算法。剪枝及
【机器学习实战学习笔记(2-1)】决策树原理及相关概念细节
siplifyit
文章目录1.决策树概述1.1基本概念1.2决策树学习概述2.特征选择2.1信息增益(informationgain)2.1.1熵(entropy)2.1.2条件熵(conditionalentropy)2.1.3信息增益计算2.2信息增益比(informationgainration)3.决策树的生成3.1ID3算法3.2C4.5算法4.决策树的剪枝1.决策树概述决策树(decisiontree)
机器学习实战学习笔记
suuunnnyoy
学习笔记
目录统计学习基本概念统计学习三要素1模型2策略(评价准则)损失函数和风险函数经验风险最小化和结构风险最小化一、分类1.K近邻1.1算法概述1.2算法一般流程:1.3算法要素1.3.1距离度量1.3.2k值的选择1.3.3分类决策规则1.4k近邻法的实现:kd树1.4.1构造kd树1.4.2搜索kd树1.5额外的2.决策树2.1算法概述2.2算法流程2.3特征选择2.3.1信息增益2.3.2信息增益
机器学习实战学习笔记一
SilenceHell
机器学习实战学习笔记
一.误差讲的很不错,我最初学机器学习就是看吴恩达的课程,当初他就讲了平方项误差是由高斯分布通过极大似然求得的,当时还不是特别理解,之后很多的教材也没有对这方面进行解释,没想到这里给推导了一遍,很不错。这张幻灯片有一个问题,XθX\thetaXθ都是列变量是不能相乘的,这里应该有一个转置。注意:能用这个方式直接求出结果的条件很苛刻那就是XTXX^TXXTX必须是非奇异矩阵,大部分实际条件下,这个条件
机器学习实战学习笔记(二)
三年二班周杰伦
机器学习
决策树。后面的CART会涉及到剪枝和回归。那个才是重点。这里就简单贴一下代码。frommathimportlog
importoperator
defcreateDataset():
dataSet=[[1,1,'yes'],[1,1,'yes'],[1,0,'no'],[0,1,'no'],[0,1,'no']]
labels=['nosurfacing','flippers']
return
机器学习实战学习笔记(一)
三年二班周杰伦
机器学习
shape的用法numpy.tile()函数numpy.sum()的用法KNN算法和kmeans算法的异同numpy.argsort()字典的get方法python中iteritems()函数一开始看问题还是蛮多的,看python的基础语法看完就忘了,只有到真正需要用的时候才会了解到相应的用法。下面是带注释的代码。fromnumpyimport*
importoperator
fromosimpo
机器学习实战学习笔记
infinitezechan
机器学习实战
Chapter1机器学习基础NumPy函数库基础random.rand(4,4)上述命令构造了4*4的随机数组>>>random.rand(4,4)
array([[0.0418002,0.20941796,0.68781548,0.32148814],[0.39318817,0.46766914,0.49318351,0.65444726],[0.33036255,0.70759215,0.59
机器学习实战学习笔记(三):朴素贝叶斯
test103
机器学习
贝叶斯原理之所以称之为“朴素”,是因为整个形式化过程只做最原始、最简单的假设。优缺点-优点:在数据较少的情况下仍然有效,可以处理多类别问题。-确定:对于输入数据的准备方式比较敏感。-适用数据类型:标称型数据。入门示例二维坐标中,如果p1(x,y)>p2(x,y),那么(x,y)属于类别1,否则属于类别2.共有7块石头,3块灰色的,4块黑色的p(gray)=3/7p(black)=4/7现在将7块石
机器学习实战学习笔记(四):Logistic回归
test103
机器学习
逻辑回归逻辑回归分类的主要思想是:根据现有数据对分类边界线建立回归公式,以此进行分类。优缺点优点:计算代价不高,易于理解和实现。确定:容易欠拟合,分类精度可能不高。适用数据类型:数值型和标称型数据。核心概念sigma函数最大释然估计应用——从疝气病预测病马的死亡率这章不详细描述,请参考书中描述及这篇博客,写的很好(http://sbp810050504.blog.51cto.com/2799422
机器学习实战学习笔记(二):决策树
test103
机器学习
决策树优缺点优点:计算复杂度不高,输出结果易于理解,对中间值的确实不敏感,可以处理不相关特征数据。缺点:可能会产生过度匹配问题。适用数据类型:数值型和标称型。原理树结构信息增益在划分数据集之前之后信息发生的变化称为信息增益。香农商集合信息的度量方式称为香农熵或者简称为熵,这个名字来源于信息论之父克劳德.香农。例子略实际中的应用——预测隐形眼镜类型隐形眼镜数据集是非常著名的数据集。构造树结构。
机器学习实战学习笔记9——Logistic回归
飞鸟2010
python学习笔记机器学习
1.logistic回归概述1.1logistic回归介绍Logistic回归是一种广义的线性回归分析模型,是研究二分类观察结果y与一些影响因素(x_1,x_2,…,x_n)之间关系的一种多变量分析方法。通常研究某些因素条件下某个结果是否发生,比如医学中根据症状来判断病人是否患有某种疾病。1.2Logistic回归原理Logistic回归进行分类的主要思想是:根据现有数据对分类边界线建立回归公式。
机器学习实战学习笔记8——朴素贝叶斯
飞鸟2010
python学习笔记机器学习
1.朴素贝叶斯概述1.1朴素贝叶斯介绍朴素贝叶斯(NaïveBayesian)是基于贝叶斯定理与特征条件独立假设的分类方法。朴素贝叶斯分类器基于一个简单的假设:给定目标值之间属性相互独立。1.2朴素贝叶斯工作原理假设有一个数据集,由两类组成,对于每个样本的分类,都是已知的。现在有一个新的点new_point(x,y),其分类未知。我们可以用p1(x,y)来表示数据点(x,y)属于类别1的概率;用p
机器学习实战学习笔记7——Kmeans
飞鸟2010
python学习笔记机器学习
1.Kmeans算法概述1.1Kmeans算法介绍Kmeans是发现给定数据集的K个簇的算法。簇个数K是用户给定的,每一个簇通过其质心,即簇中所有点的中心来描述。1.2Kmeans算法工作流程(1)创建K个质点作为起始质心;(2)当任意一个点的簇分配结果发生改变时:对数据集中的每个数据点对每个质心计算质心与数据点之间的距离将数据点分配到距其最近的簇对每一个簇,计算簇中所有点的均值并将均值作为质心1
机器学习实战学习笔记6——AdaBoost
飞鸟2010
python学习笔记机器学习
1.AdaBoost概述1.1AdaBoost介绍AdaBoost是一种迭代算法,其核心思想是针对同一训练集训练不同的分类器(弱分类器),然后把这些分类器集合起来,构成一个最终的强分类器。1.2AdaBoost优缺点(1)优点:泛化错误率低,易编码,可以应用在大部分分类器上,无需参数调整。(2)缺点:对离群点敏感。
机器学习实战学习笔记3——支持向量机
飞鸟2010
1.SVM算法概述1.1SVM简介支持向量机(SupportVectorMachine),是90年代中期发展起来的基于统计学习理论的一种机器学习方法,通过寻求结构化风险最小来提高学习机泛化能力,实现经验风险和置信范围的最小化,从而达到在统计样本量较少的情况下,亦能获得良好统计规律的目的。本身是一种监督式学习的方法,广泛应用于统计分类以及回归分析中。1.2SVM工作原理它使用非线性映射,将原训练数据
插入表主键冲突做更新
a-john
有以下场景:
用户下了一个订单,订单内的内容较多,且来自多表,首次下单的时候,内容可能会不全(部分内容不是必须,出现有些表根本就没有没有该订单的值)。在以后更改订单时,有些内容会更改,有些内容会新增。
问题:
如果在sql语句中执行update操作,在没有数据的表中会出错。如果在逻辑代码中先做查询,查询结果有做更新,没有做插入,这样会将代码复杂化。
解决:
mysql中提供了一个sql语
Android xml资源文件中@、@android:type、@*、?、@+含义和区别
Cb123456
@+@?@*
一.@代表引用资源
1.引用自定义资源。格式:@[package:]type/name
android:text="@string/hello"
2.引用系统资源。格式:@android:type/name
android:textColor="@android:color/opaque_red"
数据结构的基本介绍
天子之骄
数据结构散列表树、图线性结构价格标签
数据结构的基本介绍
数据结构就是数据的组织形式,用一种提前设计好的框架去存取数据,以便更方便,高效的对数据进行增删查改。正确选择合适的数据结构,对软件程序的高效执行的影响作用不亚于算法的设计。此外,在计算机系统中数据结构的作用也是非同小可。例如常常在编程语言中听到的栈,堆等,就是经典的数据结构。
经典的数据结构大致如下:
一:线性数据结构
(1):列表
a
通过二维码开放平台的API快速生成二维码
一炮送你回车库
api
现在很多网站都有通过扫二维码用手机连接的功能,联图网(http://www.liantu.com/pingtai/)的二维码开放平台开放了一个生成二维码图片的Api,挺方便使用的。闲着无聊,写了个前台快速生成二维码的方法。
html代码如下:(二维码将生成在这div下)
? 1
&nbs
ImageIO读取一张图片改变大小
3213213333332132
javaIOimageBufferedImage
package com.demo;
import java.awt.image.BufferedImage;
import java.io.File;
import java.io.IOException;
import javax.imageio.ImageIO;
/**
* @Description 读取一张图片改变大小
* @author FuJianyon
myeclipse集成svn(一针见血)
7454103
eclipseSVNMyEclipse
&n
装箱与拆箱----autoboxing和unboxing
darkranger
J2SE
4.2 自动装箱和拆箱
基本数据(Primitive)类型的自动装箱(autoboxing)、拆箱(unboxing)是自J2SE 5.0开始提供的功能。虽然为您打包基本数据类型提供了方便,但提供方便的同时表示隐藏了细节,建议在能够区分基本数据类型与对象的差别时再使用。
4.2.1 autoboxing和unboxing
在Java中,所有要处理的东西几乎都是对象(Object)
ajax传统的方式制作ajax
aijuans
Ajax
//这是前台的代码
<%@ page language="java" import="java.util.*" pageEncoding="UTF-8"%> <% String path = request.getContextPath(); String basePath = request.getScheme()+
只用jre的eclipse是怎么编译java源文件的?
avords
javaeclipsejdktomcat
eclipse只需要jre就可以运行开发java程序了,也能自动 编译java源代码,但是jre不是java的运行环境么,难道jre中也带有编译工具? 还是eclipse自己实现的?谁能给解释一下呢问题补充:假设系统中没有安装jdk or jre,只在eclipse的目录中有一个jre,那么eclipse会采用该jre,问题是eclipse照样可以编译java源文件,为什么呢?
&nb
前端模块化
bee1314
模块化
背景: 前端JavaScript模块化,其实已经不是什么新鲜事了。但是很多的项目还没有真正的使用起来,还处于刀耕火种的野蛮生长阶段。 JavaScript一直缺乏有效的包管理机制,造成了大量的全局变量,大量的方法冲突。我们多么渴望有天能像Java(import),Python (import),Ruby(require)那样写代码。在没有包管理机制的年代,我们是怎么避免所
处理百万级以上的数据处理
bijian1013
oraclesql数据库大数据查询
一.处理百万级以上的数据提高查询速度的方法: 1.应尽量避免在 where 子句中使用!=或<>操作符,否则将引擎放弃使用索引而进行全表扫描。
2.对查询进行优化,应尽量避免全表扫描,首先应考虑在 where 及 o
mac 卸载 java 1.7 或更高版本
征客丶
javaOS
卸载 java 1.7 或更高
sudo rm -rf /Library/Internet\ Plug-Ins/JavaAppletPlugin.plugin
成功执行此命令后,还可以执行 java 与 javac 命令
sudo rm -rf /Library/PreferencePanes/JavaControlPanel.prefPane
成功执行此命令后,还可以执行 java
【Spark六十一】Spark Streaming结合Flume、Kafka进行日志分析
bit1129
Stream
第一步,Flume和Kakfa对接,Flume抓取日志,写到Kafka中
第二部,Spark Streaming读取Kafka中的数据,进行实时分析
本文首先使用Kakfa自带的消息处理(脚本)来获取消息,走通Flume和Kafka的对接 1. Flume配置
1. 下载Flume和Kafka集成的插件,下载地址:https://github.com/beyondj2ee/f
Erlang vs TNSDL
bookjovi
erlang
TNSDL是Nokia内部用于开发电信交换软件的私有语言,是在SDL语言的基础上加以修改而成,TNSDL需翻译成C语言得以编译执行,TNSDL语言中实现了异步并行的特点,当然要完整实现异步并行还需要运行时动态库的支持,异步并行类似于Erlang的process(轻量级进程),TNSDL中则称之为hand,Erlang是基于vm(beam)开发,
非常希望有一个预防疲劳的java软件, 预防过劳死和眼睛疲劳,大家一起努力搞一个
ljy325
企业应用
非常希望有一个预防疲劳的java软件,我看新闻和网站,国防科技大学的科学家累死了,太疲劳,老是加班,不休息,经常吃药,吃药根本就没用,根本原因是疲劳过度。我以前做java,那会公司垃圾,老想赶快学习到东西跳槽离开,搞得超负荷,不明理。深圳做软件开发经常累死人,总有不明理的人,有个软件提醒限制很好,可以挽救很多人的生命。
相关新闻:
(1)IT行业成五大疾病重灾区:过劳死平均37.9岁
读《研磨设计模式》-代码笔记-原型模式
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/
/**
* Effective Java 建议使用copy constructor or copy factory来代替clone()方法:
* 1.public Product copy(Product p){}
* 2.publi
配置管理---svn工具之权限配置
chenyu19891124
SVN
今天花了大半天的功夫,终于弄懂svn权限配置。下面是今天收获的战绩。
安装完svn后就是在svn中建立版本库,比如我本地的是版本库路径是C:\Repositories\pepos。pepos是我的版本库。在pepos的目录结构
pepos
component
webapps
在conf里面的auth里赋予的权限配置为
[groups]
浅谈程序员的数学修养
comsci
设计模式编程算法面试招聘
浅谈程序员的数学修养
批量执行 bulk collect与forall用法
daizj
oraclesqlbulk collectforall
BULK COLLECT 子句会批量检索结果,即一次性将结果集绑定到一个集合变量中,并从SQL引擎发送到PL/SQL引擎。通常可以在SELECT INTO、
FETCH INTO以及RETURNING INTO子句中使用BULK COLLECT。本文将逐一描述BULK COLLECT在这几种情形下的用法。
有关FORALL语句的用法请参考:批量SQL之 F
Linux下使用rsync最快速删除海量文件的方法
dongwei_6688
OS
1、先安装rsync:yum install rsync
2、建立一个空的文件夹:mkdir /tmp/test
3、用rsync删除目标目录:rsync --delete-before -a -H -v --progress --stats /tmp/test/ log/这样我们要删除的log目录就会被清空了,删除的速度会非常快。rsync实际上用的是替换原理,处理数十万个文件也是秒删。
Yii CModel中rules验证规格
dcj3sjt126com
rulesyiivalidate
Yii cValidator主要用法分析:
yii验证rulesit 分类: Yii yii的rules验证 cValidator主要属性 attributes ,builtInValidators,enableClientValidation,message,on,safe,skipOnError
 
基于vagrant的redis主从实验
dcj3sjt126com
vagrant
平台: Mac
工具: Vagrant
系统: Centos6.5
实验目的: Redis主从
实现思路
制作一个基于sentos6.5, 已经安装好reids的box, 添加一个脚本配置从机, 然后作为后面主机从机的基础box
制作sentos6.5+redis的box
mkdir vagrant_redis
cd vagrant_
Memcached(二)、Centos安装Memcached服务器
frank1234
centosmemcached
一、安装gcc
rpm和yum安装memcached服务器连接没有找到,所以我使用的是make的方式安装,由于make依赖于gcc,所以要先安装gcc
开始安装,命令如下,[color=red][b]顺序一定不能出错[/b][/color]:
建议可以先切换到root用户,不然可能会遇到权限问题:su root 输入密码......
rpm -ivh kernel-head
Remove Duplicates from Sorted List
hcx2013
remove
Given a sorted linked list, delete all duplicates such that each element appear only once.
For example,Given 1->1->2, return 1->2.Given 1->1->2->3->3, return&
Spring4新特性——JSR310日期时间API的支持
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
浅谈enum与单例设计模式
247687009
java单例
在JDK1.5之前的单例实现方式有两种(懒汉式和饿汉式并无设计上的区别故看做一种),两者同是私有构
造器,导出静态成员变量,以便调用者访问。
第一种
package singleton;
public class Singleton {
//导出全局成员
public final static Singleton INSTANCE = new S
使用switch条件语句需要注意的几点
openwrt
cbreakswitch
1. 当满足条件的case中没有break,程序将依次执行其后的每种条件(包括default)直到遇到break跳出
int main()
{
int n = 1;
switch(n) {
case 1:
printf("--1--\n");
default:
printf("defa
配置Spring Mybatis JUnit测试环境的应用上下文
schnell18
springmybatisJUnit
Spring-test模块中的应用上下文和web及spring boot的有很大差异。主要试下来差异有:
单元测试的app context不支持从外部properties文件注入属性
@Value注解不能解析带通配符的路径字符串
解决第一个问题可以配置一个PropertyPlaceholderConfigurer的bean。
第二个问题的具体实例是:
 
Java 定时任务总结一
tuoni
javaspringtimerquartztimertask
Java定时任务总结 一.从技术上分类大概分为以下三种方式: 1.Java自带的java.util.Timer类,这个类允许你调度一个java.util.TimerTask任务; 说明: java.util.Timer定时器,实际上是个线程,定时执行TimerTask类 &
一种防止用户生成内容站点出现商业广告以及非法有害等垃圾信息的方法
yangshangchuan
rank相似度计算文本相似度词袋模型余弦相似度
本文描述了一种在ITEYE博客频道上面出现的新型的商业广告形式及其应对方法,对于其他的用户生成内容站点类型也具有同样的适用性。
最近在ITEYE博客频道上面出现了一种新型的商业广告形式,方法如下:
1、注册多个账号(一般10个以上)。
2、从多个账号中选择一个账号,发表1-2篇博文