- 一个简单的故事介绍极大似然估计
极大似然估计（MaximumLikelihoodEstimation,MLE）是一种在统计中用于估计参数的方法，其核心思想是找到使观测数据出现的概率最大的参数值。故事背景假设我们有一个不均匀的六面色子，但我们不知道每一面出现的真实概率。传统上，一个均匀的六面色子每一面出现的概率应该是1/6，但这个色子因为某些原因（比如制造上的误差）导致各面出现的概率不同。我们的任务是，通过投掷这个色子多次，来估计
- 机器学习3——参数估计之极大似然估计
平和男人杨争争
山东大学机器学习期末复习机器学习人工智能算法
参数估计问题背景：P(ωi∣x)=p(x∣ωi)P(ωi)p(x)p(x)=∑j=1cp(x∣ωj)P(ωj)\begin{aligned}&P\left(\omega_i\mid\mathbf{x}\right)=\frac{p\left(\mathbf{x}\mid\omega_i\right)P\left(\omega_i\right)}{p(\mathbf{x})}\\&p(\mathbf
- EM求解的高斯混合模型——Q函数的极大似然估计（九）
phoenix@Capricornus
概率论机器学习人工智能
先导：EM求解的混合密度模型——Q函数p(x∣θk)→N(x∣μk,Σk)p(\boldsymbol{x}\mid\boldsymbol{\theta}_k)\rightarrow{N}(\boldsymbol{x}\mid\boldsymbol{\mu_k},\boldsymbol{\Sigma}_k)p(x∣θk)→N(x∣μk,Σk)由上述推导即可获得高斯混合模型的EM算法：在每步迭代中，先
- Task 01 第一章习题
1.1说明伯努利模型的极大似然估计以及贝叶斯估计中的统计学习方法三要素。伯努利模型是定义在取值为0与1的随机变量上的概率分布。假设观测到伯努利模型n次独立的数据生成结果，其中k次的结果为1，这时可以用极大似然估计或贝叶斯估计来估计结果为1的概率。回忆知识点：统计学习方法三要素为：模型+策略+算法模型：在监督学习过程中，模型就是所要学习的条件概率分布或决策函数。策略：统计学习要考虑按照什么样的准则选
- 第1章： 伯努利模型的极大似然估计与贝叶斯估计
Dawn³
python
伯努利模型的极大似然估计与贝叶斯估计importnumpyasnpimportmatplotlib.pyplotaspltfromscipy.statsimportbeta,bernoullifromscipy.optimizeimportminimize_scalar#设置中文字体plt.rcParams['font.sans-serif']=['SimHei']#使用黑体plt.rcParam
- 逻辑回归中的损失函数：交叉熵损失详解与推导
AI天才研究院
ChatGPT计算AI大模型应用入门实战与进阶逻辑回归算法机器学习ai
逻辑回归中的损失函数：交叉熵损失详解与推导关键词：逻辑回归、交叉熵损失、损失函数、二分类、多分类、极大似然估计、梯度下降摘要：本文深入解析逻辑回归中核心的交叉熵损失函数，从信息论基础出发，逐步推导二分类与多分类场景下的损失函数形式，结合极大似然估计揭示其理论本质。通过Python代码实现损失函数计算与梯度推导，辅以实战案例演示完整训练流程。同时对比均方误差等其他损失函数，阐释交叉熵在分类问题中的独
- 极大似然估计例题——均匀分布的极大似然估计
phoenix@Capricornus
PR书稿概率论线性代数机器学习
设总体XXX服从均匀分布U(a,b)U(a,b)U(a,b)，其中aaa和bbb是未知参数，取样本观测值为x1,x2,⋯ ,xnx_1,x_2,\cdots,x_nx1,x2,⋯,xn。求参数aaa和bbb的最大似然估计。解总体XXX的概率密度函数为f(x;a,b)={1b−a,a≤x≤b,0,其他.f(x;a,b)=\begin{cases}\frac{1}{b-a},&a\leqx\leqb,
- 【课堂笔记】EM算法
zyq~
机器学习算法笔记机器学习EM算法GMM概率论人工智能
文章目录背景极大似然估计隐变量高斯混合模型EM算法合理性分析相关好文章背景 EM算法（期望最大化算法，Expectation-MaximizationAlgorithm）是一种迭代优化算法，用于在含有隐变量的概率模型中估计最大似然参数。 这是概括性的定义，下面我会解释其中的名词并用具体例子来引入EM算法。极大似然估计 先复习一下极大似然函数估计，我们假设数据满足某个分布（例如正态分布N(μ,
- 极大似然估计
phoenix@Capricornus
模式识别中的数学问题机器学习算法概率论
最大似然估计法最大似然估计又称极大似然估计，是一种利用给定样本观测值来评估模型参数的方法，其基本原理为：利用已知的样本结果信息，反推最具有可能（最大概率）导致这些样本结果出现的模型参数值。分两种情况介绍最大似然估计的方法和步骤。离散型总体设离散型总体X的分布律为P(X=x)=p(x;θ),P(X=x)=p(x;\theta),P(X=x)=p(x;θ),其中θ∈Θ\theta\in\Thetaθ∈
- 极大似然估计与机器学习
xsddys
机器学习人工智能
复习概统的时候突然发现好像极大似然估计MLE与机器学习的数据驱动非常相似，都是采样样本然后估计模型参数。貌似，后知后觉的才意识到极大似然估计就是机器学习有效的数学保证下面以拟合线性分布的最小二乘与分类问题为例推到以下如何从似然函数推导出MSE损失与交叉熵损失一、线性回归的最小二乘法1.概率模型设定假设数据由线性模型生成，且观测噪声服从正态分布：y=wTx+ϵ,ϵ∼N(0,σ2)y=\mathbf{
- Level3 — PART 4 机器学习算法 — 朴素贝叶斯
ErbaoLiu
数据分析&大模型自然语言处理&大模型机器学习&大模型机器学习人工智能朴素贝叶斯NaiveBayes
目录贝叶斯定理朴素贝叶斯模型（NaiveBayesModel）估计离散估计极大似然估计案例朴素贝叶斯扩展高斯贝叶斯分类器原理应用源码分析伯努利贝叶斯分类器原理源码分析多项朴素贝叶斯分类器半朴素贝叶斯分类器模拟题CDALEVELIII模拟题（一）CDALEVELIII模拟题（二）贝叶斯定理贝叶斯定理由英国数学家贝叶斯（ThomasBayes1702-1761）发展，用来描述两个条件概率之间的关系，比
- VAE的学习及先验知识
butterfly won＇t love flowers
图像生成机器学习人工智能
笔记1、先验、后验、似然、证据2、极大似然估计3、最大后验估计4、贝叶斯均值估计5、KL散度6、VAE1、先验、后验、似然、证据对于给定的数据，我们假设其是服从某个数据分布的。θθθ决定了数据的分布，而数据是从这个分布中采样得到的。但是在统计学习中，我们通常不知道真实的参数θθθ,因此转向通过数据来推断它，也就是后面要说的参数估计。在此之前先讲些基础的术语。先验P(θθθ)：先验就是在看到数据之前
- 机器学习（2）——逻辑回归
追逐☞
机器学习机器学习逻辑回归人工智能
文章目录1.什么是逻辑回归?2.核心思想3.逻辑回归模型的训练：4.参数估计（损失函数与优化）4.1.**损失函数：**4.2.极大似然估计（MLE）4.3.优化方法5.决策边界6.模型评估指标7.假设与适用条件8.逻辑回归的优缺点：9.逻辑回归的常用应用：10.示例代码1.什么是逻辑回归?逻辑回归（LogisticRegression）是一种用于分类问题的统计方法，特别是用于二分类问题。尽管其名
- 最小二乘法多元线性回归_数学基础2：线性回归&最小二乘法
喂书长大的孩子
最小二乘法多元线性回归
主要介绍了最小二乘法的相关内容，包括最小二乘法的矩阵表达和推导，从概率视角来观察最小二乘法（加入高斯噪声的最小二乘估计），正则化（包括一阶正则：lasso，二阶正则ridge也就是岭回归等内容），最后介绍了从贝叶斯视角来看岭回归的思路和结论。最小二乘法的矩阵表达形式概率视角看线性回归加入高斯噪声进行极大似然估计，可以发现，当噪声服从高斯分布的时候，最小二乘法与线性回归的极大似然估计的结论是等价的。
- 【面经&八股】搜广推方向：面试记录（十三）
秋冬无暖阳°
搜广推等—算法面经面试职场和发展
【面经&八股】搜广推方向：面试记录（十三）文章目录【面经&八股】搜广推方向：面试记录（十三）1.自我介绍2.实习经历问答3.八股之类的问题4.编程题5.反问6.可以1.自我介绍。。。。。。2.实习经历问答挑最熟的一个跟他讲就好了。一定要熟~3.八股之类的问题极大似然估计和贝叶斯估计，区别与联系建议参考这个链接transformer为什么要使用多头关键点在于集成，使语义更加完善圆上随机去三个点，三个
- 似然函数与极大似然估计
Shockang
机器学习数学通关指南机器学习人工智能数学概率论
前言本文隶属于专栏《机器学习数学通关指南》，该专栏为笔者原创，引用请注明来源，不足和错误之处请在评论区帮忙指出，谢谢！本专栏目录结构和参考文献请见《机器学习数学通关指南》正文1.似然函数：直观理解与数学定义核心概念似然函数是机器学习中参数估计的基石，它从数据与模型之间的关系出发，提供了一种优化参数的数学框架。直观理解：假设你正在调整相机参数以拍摄最清晰的照片。似然函数就像是一个"清晰度指标"，告诉
- AI学习专题（一）LLM技术路线
王钧石的技术博客
大模型人工智能学习ai
阶段1：AI及大模型基础（1-2个月）数学基础线性代数（矩阵、特征值分解、SVD）概率论与统计（贝叶斯定理、极大似然估计）最优化方法（梯度下降、拉格朗日乘子法）编程&框架Python（NumPy、Pandas、Matplotlib）PyTorch&TensorFlow基础HuggingFaceTransformers入门深度学习基础机器学习基础（监督/无监督学习、正则化、过拟合）反向传播、优化器（
- 【概率图与随机过程】01 一维高斯分布：极大似然与无偏性
石 溪
机器学习中的数学（全集）概率论图论自然语言处理机器学习人工智能
在这个专栏中，我们开篇首先介绍高斯分布，他的重要性体现在两点：第一：依据中心极限定理，当样本量足够大的时候，任意分布的均值都趋近于一个高斯分布，这是在整个工程领域体现出该分布的一种普适性；第二：高斯分布是后续许多模型的根本基础，例如线性高斯模型（卡尔曼滤波）、高斯过程等等。因此我们首先在这一讲当中，结合一元高斯分布，来讨论一下极大似然估计，估计的有偏性、无偏性等基本建模问题。1.极大似然估计问题背
- 统计机器学习第十三章极大似然估计的性质——图解MLE的渐进正态性
cui_hao_nan
统计机器学习导论机器学习
n=10;t=10000;s=1/12/n;x=linspace(-0.4,0.4,100);y=1/sqrt(2*pi*s)*exp(-x.^2/(2*s));z=mean(rand(t,n)-0.5,2);figure(1);clf;holdonb=20;hist(z,b);h=plot(x,y*t/b*(max(z)-min(z)),'r-');这段代码的功能是生成随机数并进行直方图和曲线的
- Logistic 回归
零 度°
机器学习回归数据挖掘人工智能
文章目录1.引言2.Logistic回归概述2.1定义与应用场景2.2与线性回归的区别3.原理与数学基础3.1Sigmoid函数3.2概率解释3.3极大似然估计4.模型建立4.1假设函数4.2成本函数4.3梯度下降法5.正则化5.1正则化的目的与类型5.1.1正则化的目的5.1.2正则化的类型5.2L1和L2正则化5.2.1L1正则化5.2.2L2正则化6.多分类问题6.1一对多(OvA)6.2一
- 2019-10-04 学习极大似然估计与优化理论
小郑的学习笔记
主要推导了一个公式推导MLE与LSE.jpeg即用极大似然估计（MLE）的角度去解多元线性回归其结果与最小二乘(LSE)解的结果是一样的，这一点我觉得很神奇。可以看这个解释例子https://www.cnblogs.com/little-YTMM/p/5700226.html2。学习数值分析，学习了两种优化，无约束最优化和有约束最优化。无约束最优化主要有梯度下降法牛顿法梯度下降法在接近极值的时候会
- 【北邮鲁鹏老师计算机视觉课程笔记】04 fitting 拟合
量子-Alex
CV知识学习和论文阅读计算机视觉笔记人工智能
【北邮鲁鹏老师计算机视觉课程笔记】04fitting拟合1拟合的任务如何从边缘找出真正的线？存在问题①噪声②外点、离群点③缺失数据2最小二乘存在的问题3全最小二乘度量的是点到直线的距离而不是点在y方向到直线的距离提示：点到直线的距离公式归一化后保留分子4极大似然估计5鲁棒的最小二乘不直接用点到直线的距离σ\sigmaσ来控制点到直线距离的影响，太远的点就是噪声点，就不考虑了。r=10的时候，也认为
- 机器学习---学习与推断，近似推断、话题模型
三月七꧁ ꧂
机器学习机器学习学习人工智能
1.学习与推断基于概率图模型定义的分布，能对目标变量的边际分布（marginaldistribution）或某些可观测变量为条件的条件分布进行推断。对概率图模型，还需确定具体分布的参数，称为参数估计或学习问题，通常使用极大似然估计或后验概率估计求解。单若将参数视为待推测的变量，则参数估计过程和推断十分相似，可以“吸收”到推断问题中。假设图模型所对应的变量集x＝｛x1，x2，···，xn｝能分为XE
- 如何通过极大似然估计 MLE Maximum Likelihood Estimation 获得 交叉熵 Cross Entropy 以及 均方损失函数 Mean Square Loss ？
shimly123456
StanfordCS229个人开发
似然函数定义以及极大似然估计MLE(完成)---------------------------------------------------------------------------------------start注意：P(A|B)并不总是等于P(B|A)，原因如下：首先要明白一个事情，什么是似然函数？以下是CHATGPTMathSolver的回答：我自己解释一下，意思就是：观察到一组
- 最大期望算法（EM算法）
陇院第一Sweet Baby
算法数据结构c语言
#include//最大期望算法（EM算法）//EM算法是一种启发式的迭代算法，用于实现用样本对含有隐变量的模型的参数做极大似然估计。//EM算法通过迭代逼近的方式用实际的值带入求解模型内部参数intmain(){intm,n,r;scanf("%d%d",&m,&n);printf("%d和%d的最大公因子是\n",m,n);while(n!=0){r=m%n;m=n;n=r;}printf("
- 2018-07-03
lanjly
[TOC]极大似然估计的一般思想极大似然估计（MaximumLikelihood），顾名思义，就是根据似然度（也就是可能性，likelihood）对感兴趣的参数（如正态分布的\mu与\sigma，指数分布的\lambda)进行估计。极大似然估计的原理是一种非常直观的思想，那就是谁的可能性大，谁的脸面就大。从一个非常简单的例子来看一下极大似然估计的思想：有A、B两个箱子：A箱子有99个白球，1个黑球
- 十分钟学习极大自然似估计
培根炒蛋
EndlessLethe原创文章，转载请注明：转载自小楼吹彻玉笙寒原文链接地址:十分钟学习极大似然估计前言参数估计是机器学习里面的一个重要主题，而极大似然估计是最传统、使用最广泛的估计方法之一。本文主要介绍了极大似然估计，简单说明了其和矩估计、贝叶斯估计的异同，其他估计（如MAP）并不涉及。为什么要用极大似然估计对于一系列观察数据，我们常常可以找到一个具体分布来描述，但不清楚分布的参数。这时候我们
- 极大似然概率
zidea
MachineLearninginMarketingEM算法极大似然函数极大似然估计是机器学习中比较重要的概念，一些专业教程往往容易忽略对其解释。在开始介绍前，我们需要先理解一下似然，似然也就是像这样的意义，也就是想这样(你看到的或是观察到的结果或数据)的可能性。例如身高175cm，体重60kg根据数据。我们来估计他是男生概率。极大似然估计是一种统计学的方法，我们用已知的样本数据分布去推测具体的分
- 4 朴素贝叶斯
奋斗的喵儿
1定义朴素贝叶斯法是基于贝叶斯定理与特征条件独立假设的分类方法2.算法及实例极大似然估计：在这里插入图片描述在这里插入图片描述在这里插入图片描述贝叶斯估计：在这里插入图片描述在这里插入图片描述总结：朴素贝叶斯法是典型的生成学习方法。生成方法由训练数据学习联合概率分布P(X,Y)，然后求后验概率分布P(Y|X)。即利用训练数据学习P(X|Y)和P(Y)的估计，得到联合概率分布在这里插入图片描述朴素贝
- 机器学习算法之EM算法
浅白Coder
机器学习算法机器学习人工智能
一、EM算法EM算法最初是为了解决缺失数据情况下参数估计问题；根据已经给出的观察数据，估计出模型参数的值，然后根据得到的模型参数去估计缺失的数据，再由模型的观察数据和估计的确实数据去预测模型参数值，反复迭代，直至最后收敛。1.1预备知识：1.1.1.极大似然估计：根据已观察到的数据去最大化该数据出现概率，得到的参数即为所求。（已观察到的数据理应出现的概率比较大，比较合理）1.1.2.Jensen不
- 枚举的构造函数中抛出异常会怎样
bylijinnan
javaenum单例
首先从使用enum实现单例说起。
为什么要用enum来实现单例？
这篇文章（
http://javarevisited.blogspot.sg/2012/07/why-enum-singleton-are-better-in-java.html）阐述了三个理由：
1.enum单例简单、容易，只需几行代码：
public enum Singleton {
INSTANCE;
- CMake 教程
aigo
C++
转自：http://xiang.lf.blog.163.com/blog/static/127733322201481114456136/
CMake是一个跨平台的程序构建工具，比如起自己编写Makefile方便很多。
介绍：http://baike.baidu.com/view/1126160.htm
本文件不介绍CMake的基本语法，下面是篇不错的入门教程：
http:
- cvc-complex-type.2.3: Element 'beans' cannot have character
Cb123456
springWebgis
cvc-complex-type.2.3: Element 'beans' cannot have character
Line 33 in XML document from ServletContext resource [/WEB-INF/backend-servlet.xml] is i
- jquery实例:随页面滚动条滚动而自动加载内容
120153216
jquery
<script language="javascript">
$(function (){
var i = 4;$(window).bind("scroll", function (event){
//滚动条到网页头部的 高度，兼容ie,ff,chrome
var top = document.documentElement.s
- 将数据库中的数据转换成dbs文件
何必如此
sqldbs
旗正规则引擎通过数据库配置器（DataBuilder）来管理数据库，无论是Oracle，还是其他主流的数据都支持，操作方式是一样的。旗正规则引擎的数据库配置器是用于编辑数据库结构信息以及管理数据库表数据，并且可以执行SQL 语句，主要功能如下。
1)数据库生成表结构信息：
主要生成数据库配置文件(.conf文
- 在IBATIS中配置SQL语句的IN方式
357029540
ibatis
在使用IBATIS进行SQL语句配置查询时，我们一定会遇到通过IN查询的地方，在使用IN查询时我们可以有两种方式进行配置参数：String和List。具体使用方式如下：
1.String:定义一个String的参数userIds，把这个参数传入IBATIS的sql配置文件，sql语句就可以这样写：
<select id="getForms" param
- Spring3 MVC 笔记（一）
7454103
springmvcbeanRESTJSF
自从 MVC 这个概念提出来之后 struts1.X struts2.X jsf 。。。。。
这个view 层的技术一个接一个！ 都用过！不敢说哪个绝对的强悍！
要看业务，和整体的设计！
最近公司要求开发个新系统！
- Timer与Spring Quartz 定时执行程序
darkranger
springbean工作quartz
有时候需要定时触发某一项任务。其实在jdk1.3，java sdk就通过java.util.Timer提供相应的功能。一个简单的例子说明如何使用，很简单： 1、第一步，我们需要建立一项任务，我们的任务需要继承java.util.TimerTask package com.test; import java.text.SimpleDateFormat; import java.util.Date;
- 大端小端转换，le32_to_cpu 和cpu_to_le32
aijuans
C语言相关
大端小端转换，le32_to_cpu 和cpu_to_le32 字节序
http://oss.org.cn/kernel-book/ldd3/ch11s04.html
小心不要假设字节序. PC 存储多字节值是低字节为先(小端为先, 因此是小端), 一些高级的平台以另一种方式(大端)
- Nginx负载均衡配置实例详解
avords
[导读] 负载均衡是我们大流量网站要做的一个东西，下面我来给大家介绍在Nginx服务器上进行负载均衡配置方法，希望对有需要的同学有所帮助哦。负载均衡先来简单了解一下什么是负载均衡，单从字面上的意思来理解就可以解 负载均衡是我们大流量网站要做的一个东西，下面我来给大家介绍在Nginx服务器上进行负载均衡配置方法，希望对有需要的同学有所帮助哦。
负载均衡
先来简单了解一下什么是负载均衡
- 乱说的
houxinyou
框架敏捷开发软件测试
从很久以前，大家就研究框架，开发方法，软件工程，好多！反正我是搞不明白！
这两天看好多人研究敏捷模型，瀑布模型！也没太搞明白.
不过感觉和程序开发语言差不多，
瀑布就是顺序，敏捷就是循环.
瀑布就是需求、分析、设计、编码、测试一步一步走下来。而敏捷就是按摸块或者说迭代做个循环，第个循环中也一样是需求、分析、设计、编码、测试一步一步走下来。
也可以把软件开发理
- 欣赏的价值——一个小故事
bijian1013
有效辅导欣赏欣赏的价值
第一次参加家长会，幼儿园的老师说："您的儿子有多动症，在板凳上连三分钟都坐不了，你最好带他去医院看一看。" 回家的路上，儿子问她老师都说了些什么，她鼻子一酸，差点流下泪来。因为全班30位小朋友，惟有他表现最差；惟有对他，老师表现出不屑，然而她还在告诉她的儿子："老师表扬你了，说宝宝原来在板凳上坐不了一分钟，现在能坐三分钟。其他妈妈都非常羡慕妈妈，因为全班只有宝宝
- 包冲突问题的解决方法
bingyingao
eclipsemavenexclusions包冲突
包冲突是开发过程中很常见的问题：
其表现有：
1.明明在eclipse中能够索引到某个类，运行时却报出找不到类。
2.明明在eclipse中能够索引到某个类的方法，运行时却报出找不到方法。
3.类及方法都有，以正确编译成了.class文件，在本机跑的好好的，发到测试或者正式环境就
抛如下异常：
java.lang.NoClassDefFoundError: Could not in
- 【Spark七十五】Spark Streaming整合Flume-NG三之接入log4j
bit1129
Stream
先来一段废话：
实际工作中，业务系统的日志基本上是使用Log4j写入到日志文件中的，问题的关键之处在于业务日志的格式混乱，这给对日志文件中的日志进行统计分析带来了极大的困难，或者说，基本上无法进行分析，每个人写日志的习惯不同，导致日志行的格式五花八门，最后只能通过grep来查找特定的关键词缩小范围，但是在集群环境下，每个机器去grep一遍，分析一遍，这个效率如何可想之二，大好光阴都浪费在这上面了
- sudoku solver in Haskell
bookjovi
sudokuhaskell
这几天没太多的事做，想着用函数式语言来写点实用的程序，像fib和prime之类的就不想提了（就一行代码的事），写什么程序呢？在网上闲逛时发现sudoku游戏，sudoku十几年前就知道了，学生生涯时也想过用C/Java来实现个智能求解，但到最后往往没写成，主要是用C/Java写的话会很麻烦。
现在写程序，本人总是有一种思维惯性，总是想把程序写的更紧凑，更精致，代码行数最少，所以现
- java apache ftpClient
bro_feng
java
最近使用apache的ftpclient插件实现ftp下载，遇见几个问题，做如下总结。
1. 上传阻塞，一连串的上传，其中一个就阻塞了，或是用storeFile上传时返回false。查了点资料，说是FTP有主动模式和被动模式。将传出模式修改为被动模式ftp.enterLocalPassiveMode();然后就好了。
看了网上相关介绍，对主动模式和被动模式区别还是比较的模糊，不太了解被动模
- 读《研磨设计模式》-代码笔记-工厂方法模式
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/
package design.pattern;
/*
* 工厂方法模式：使一个类的实例化延迟到子类
* 某次，我在工作不知不觉中就用到了工厂方法模式（称为模板方法模式更恰当。2012-10-29）：
* 有很多不同的产品，它
- 面试记录语
chenyu19891124
招聘
或许真的在一个平台上成长成什么样，都必须靠自己去努力。有了好的平台让自己展示，就该好好努力。今天是自己单独一次去面试别人，感觉有点小紧张，说话有点打结。在面试完后写面试情况表，下笔真的好难，尤其是要对面试人的情况说明真的好难。
今天面试的是自己同事的同事，现在的这个同事要离职了，介绍了我现在这位同事以前的同事来面试。今天这位求职者面试的是配置管理，期初看了简历觉得应该很适合做配置管理，但是今天面
- Fire Workflow 1.0正式版终于发布了
comsci
工作workflowGoogle
Fire Workflow 是国内另外一款开源工作流，作者是著名的非也同志，哈哈....
官方网站是 http://www.fireflow.org
经过大家努力,Fire Workflow 1.0正式版终于发布了
正式版主要变化:
1、增加IWorkItem.jumpToEx(...)方法，取消了当前环节和目标环节必须在同一条执行线的限制，使得自由流更加自由
2、增加IT
- Python向脚本传参
daizj
python脚本传参
如果想对python脚本传参数，python中对应的argc, argv(c语言的命令行参数)是什么呢？
需要模块：sys
参数个数：len(sys.argv)
脚本名： sys.argv[0]
参数1： sys.argv[1]
参数2： sys.argv[
- 管理用户分组的命令gpasswd
dongwei_6688
passwd
NAME： gpasswd - administer the /etc/group file
SYNOPSIS：
gpasswd group
gpasswd -a user group
gpasswd -d user group
gpasswd -R group
gpasswd -r group
gpasswd [-A user,...] [-M user,...] g
- 郝斌老师数据结构课程笔记
dcj3sjt126com
数据结构与算法
<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<
- yii2 cgridview加上选择框进行操作
dcj3sjt126com
GridView
页面代码
<?=Html::beginForm(['controller/bulk'],'post');?>
<?=Html::dropDownList('action','',[''=>'Mark selected as: ','c'=>'Confirmed','nc'=>'No Confirmed'],['class'=>'dropdown',])
- linux mysql
fypop
linux
enquiry mysql version in centos linux
yum list installed | grep mysql
yum -y remove mysql-libs.x86_64
enquiry mysql version in yum repositoryyum list | grep mysql oryum -y list mysql*
install mysq
- Scramble String
hcx2013
String
Given a string s1, we may represent it as a binary tree by partitioning it to two non-empty substrings recursively.
Below is one possible representation of s1 = "great":
- 跟我学Shiro目录贴
jinnianshilongnian
跟我学shiro
历经三个月左右时间，《跟我学Shiro》系列教程已经完结，暂时没有需要补充的内容，因此生成PDF版供大家下载。最近项目比较紧，没有时间解答一些疑问，暂时无法回复一些问题，很抱歉，不过可以加群（334194438/348194195）一起讨论问题。
----广告-----------------------------------------------------
- nginx日志切割并使用flume-ng收集日志
liyonghui160com
nginx的日志文件没有rotate功能。如果你不处理，日志文件将变得越来越大，还好我们可以写一个nginx日志切割脚本来自动切割日志文件。第一步就是重命名日志文件，不用担心重命名后nginx找不到日志文件而丢失日志。在你未重新打开原名字的日志文件前，nginx还是会向你重命名的文件写日志，linux是靠文件描述符而不是文件名定位文件。第二步向nginx主
- Oracle死锁解决方法
pda158
oracle
select p.spid,c.object_name,b.session_id,b.oracle_username,b.os_user_name from v$process p,v$session a, v$locked_object b,all_objects c where p.addr=a.paddr and a.process=b.process and c.object_id=b.
- java之List排序
shiguanghui
list排序
在Java Collection Framework中定义的List实现有Vector，ArrayList和LinkedList。这些集合提供了对对象组的索引访问。他们提供了元素的添加与删除支持。然而，它们并没有内置的元素排序支持。 你能够使用java.util.Collections类中的sort()方法对List元素进行排序。你既可以给方法传递
- servlet单例多线程
utopialxw
单例多线程servlet
转自http://www.cnblogs.com/yjhrem/articles/3160864.html
和 http://blog.chinaunix.net/uid-7374279-id-3687149.html
Servlet 单例多线程
Servlet如何处理多个请求访问？Servlet容器默认是采用单实例多线程的方式处理多个请求的：1.当web服务器启动的
