- Boosting：从理论到实践——集成学习中的偏差征服者
大千AI助手
人工智能Python#OTHER集成学习boosting机器学习tree人工智能ML
核心定位：一种通过串行训练弱学习器、自适应调整数据权重，将多个弱模型组合成强模型的集成学习框架，专注于降低预测偏差。本文由「大千AI助手」原创发布，专注用真话讲AI，回归技术本质。拒绝神话或妖魔化。搜索「大千AI助手」关注我，一起撕掉过度包装，学习真实的AI技术！一、Boosting的本质目标：将一系列弱学习器（仅比随机猜测略好，如浅层决策树）组合成强学习器核心思想：错误驱动学习：后续模型重点修正
- GBDT：梯度提升决策树——集成学习中的预测利器
大千AI助手
人工智能Python#OTHER决策树集成学习算法GBDT梯度提升人工智能机器学习
核心定位：一种通过串行集成弱学习器（决策树）、以梯度下降方式逐步逼近目标函数的机器学习算法，在结构化数据预测任务中表现出色。本文由「大千AI助手」原创发布，专注用真话讲AI，回归技术本质。拒绝神话或妖魔化。搜索「大千AI助手」关注我，一起撕掉过度包装，学习真实的AI技术！一、GBDT是什么？全称：GradientBoostingDecisionTree（梯度提升决策树）本质：Boosting集成学
- 梯度增强与XGBoost算法解析
weixin_47233946
算法算法
##一、梯度增强（GradientBoosting）原理###1.1集成学习与Boosting集成学习通过结合多个弱模型提升整体性能，主要包括Bagging（如随机森林）和Boosting两类方法。**梯度增强**属于Boosting家族，核心思想是**串行训练模型，每一步修正前序模型的残差**，最终形成强预测器。###1.2算法核心流程1.**初始化基模型**：用常数（如目标变量均值）预测。2.
- 机器学习15-XGBoost
吹风看太阳
机器学习机器人人工智能
XGBOOST学习笔记一、引言在机器学习的集成学习算法中，XGBoost（eXtremeGradientBoosting）凭借其高效性、可扩展性和卓越的性能，成为数据科学竞赛和工业界应用的热门选择。XGBoost本质上是一种基于梯度提升框架（GradientBoostingFramework）的机器学习算法，它通过不断拟合残差来构建多个弱学习器（通常是决策树），并将这些弱学习器进行累加，从而形成一
- CART算法全解析：分类回归双修的决策树之王
大千AI助手
人工智能Python#OTHER算法分类回归决策树数据挖掘CARTDecisionTree
CART（ClassificationandRegressionTrees）是决策树领域的里程碑算法，由统计学家Breiman等人在1984年提出。作为当今最主流的决策树实现，它革命性地统一了分类与回归任务，其二叉树结构和剪枝技术成为现代集成学习（如随机森林、XGBoost）的基石。本文由「大千AI助手」原创发布，专注用真话讲AI，回归技术本质。拒绝神话或妖魔化。搜索「大千AI助手」关注我，一起撕
- 解锁决策树：数据挖掘的智慧引擎
目录一、决策树：数据挖掘的基石二、决策树原理剖析2.1决策树的基本结构2.2决策树的构建流程2.2.1特征选择2.2.2数据集划分2.2.3递归构建三、决策树的实践应用3.1数据准备3.2模型构建与训练3.3模型评估四、决策树的优化策略4.1剪枝策略4.1.1预剪枝4.1.2后剪枝4.2集成学习五、案例分析5.1医疗诊断案例5.2金融风险评估案例六、总结与展望一、决策树：数据挖掘的基石在当今数字化
- 【机器学习】机器学习重要分支——集成学习：理论、算法与实践
E绵绵
Everything机器学习集成学习算法pythonAIGC人工智能应用
文章目录引言第一章集成学习的基本概念1.1什么是集成学习1.2集成学习的类型1.3集成学习的优势第二章集成学习的核心算法2.1Bagging方法2.2Boosting方法2.3Stacking方法第三章集成学习的应用实例3.1图像分类3.2文本分类第四章集成学习的未来发展与挑战4.1模型多样性与集成策略4.2大规模数据与计算资源4.3集成学习的解释性与可视化结论引言集成学习（EnsembleLea
- 【项目实训#05】DeepSeek API客户端开发与集成学习实践
elon_z
创新项目实践-个人pythononeapillama语言模型
【项目实训#05】DeepSeekAPI客户端开发与集成学习实践文章目录【项目实训#05】DeepSeekAPI客户端开发与集成学习实践一、背景简介二、技术方案与实现2.1整体架构2.2配置管理模块实现2.3模型列表获取2.4OneAPI客户端实现2.5Ollama客户端实现三、高级功能实现3.1格式化输出3.2代码补全四、应用场景与示例4.1基本对话示例4.2代码生成示例五、总结与展望一、背景简
- 机器学习与深度学习07-随机森林01
my_q
机器学习与深度学习机器学习深度学习随机森林
目录前文回顾1.随机森林的定义2.随机森林中的过拟合3.随机森林VS单一决策树4.随机森林的随机性前文回顾上一篇文章链接：地址1.随机森林的定义随机森林（RandomForest）是一种集成学习算法，用于解决分类和回归问题。它基于决策树（DecisionTrees）构建，并通过组合多个决策树来提高模型的性能和稳定性。随机森林的主要思想是通过随机选择样本和特征来构建多棵决策树，然后综合它们的预测结果
- 机器学习之集成学习算法
文柏AI共享
机器学习集成学习算法
集成学习算法一概述二Bagging方法2.1思想2.2代表算法2.3API三Boosting方法3.1AdaBoost3.1.1思想3.1.2API3.2GBDT3.2.1思想3.2.2API3.3XGBoost3.3.1思想3.3.2API机器学习算法很多,今天和大家聊一个很强悍的算法-集成学习算法,基本上是处理复杂问题的首选.话不多说,直奔主题.一概述集成学习（EnsembleLearning
- 机器学习模型——集成算法（一）
梦想成为一名机器学习高手
机器学习算法人工智能决策树集成学习
集成学习的定义：集成学习，顾名思义通过将多个单个学习器集成/组合在一起，使它们共同完成学习任务，以达到提高预测准确率的目的。有时也被称为“多分类器系统(multi-classifiersystem)”。集成学习概述：集成学习是一种机器学习方法，它通过组合多个弱学习器来形成一个强学习器，以提高预测性能。以下是一些集成学习的关键点：结合多个学习器：集成学习的核心思想是通过训练多个学习器（基学习器）并结
- Python实战：随机森林
python游乐园
python随机森林机器学习
随机森林（RandomForest）是一种集成学习方法，由多个决策树组成，可用于分类和回归任务。基本原理随机森林的核心思想是构建多个决策树，并将这些决策树的结果进行综合。在构建每棵决策树时，采用了两种随机化策略：数据采样随机：使用自助采样法（BootstrapSampling）从原始训练数据集中有放回地抽取一定数量的样本，形成一个新的训练子集，用于训练每一棵决策树。这意味着每棵树的训练数据可能会有
- 利用Python构建随机森林模型及其性能优化
缑宇澄
python
在机器学习的众多算法中，随机森林（RandomForest）凭借其出色的稳定性、强大的抗噪声能力以及良好的解释性，成为数据挖掘和预测分析的常用工具。它通过集成多个决策树模型，不仅能有效解决单一决策树容易过拟合的问题，还能在分类和回归任务中展现优异的性能。本文将深入解析随机森林的原理，并通过Python代码实现从模型构建到性能优化的完整过程。一、随机森林模型原理随机森林是一种基于集成学习（Ensem
- 机器学习与深度学习14-集成学习
目录前文回顾1.集成学习的定义2.集成学习中的多样性3.集成学习中的Bagging和Boosting4.集成学习中常见的基本算法5.什么是随机森林6.AdaBoost算法的工作原理7.如何选择集成学习中的基础学习器或弱分类器8.集成学习中常见的组合策略9.集成学习中袋外误差和交叉验证的作用10.集成学习的优势和局限性前文回顾上一篇文章链接：地址1.集成学习的定义集成学习（EnsembleLearn
- 秒懂Boosting和Bagging算法
来自于狂人
boosting算法集成学习
一、故事开头：考试现场的启示想象一下期末考试现场：Bagging班的学生每人独立做题，最后举手投票决定答案：“这道题选A的举手！”Boosting组的学霸们却玩起接力赛：“你先做第一题→我检查后改第二题→她再优化第三题”这就是机器学习中两种经典集成学习策略的生存之道！二、Bagging：民主投票的"乌合之众"逆袭战1.核心思想Bootstrap抽样：让每个模型在随机子数据集上训练（就像蒙着眼睛抓阄
- 随机森林硬核解析：从原理到实战（Python代码+案例+可视化）
老唐777
机器学习集成学习随机森林机器学习python算法人工智能深度学习
为什么你的模型总过拟合？试试这个集成学习神器！在实际项目中，你是否被复杂数据搞得头秃？随机森林（RandomForest）作为装袋法（Bagging）的经典实现，能有效降低方差、提升泛化能力。本文将手把手带你吃透原理，并完成数据采集→建模→可视化→调优的全流程实战！一、3分钟搞懂随机森林核心原理（附数学公式）1.1双随机机制：为什么比单棵决策树强？样本随机（Bootstrap）
- 【机器学习】【集成学习——决策树、随机森林】从零起步：掌握决策树、随机森林与GBDT的机器学习之旅
宸码
机器学习模式识别机器学习集成学习决策树算法python随机森林人工智能
这里写目录标题一、引言机器学习中集成学习的重要性二、决策树(DecisionTree)2.1基本概念2.2组成元素2.3工作原理分裂准则2.4决策树的构建过程2.5决策树的优缺点（1）决策树的优点（2）决策树的缺点（3）过拟合问题及解决方法2.6举例说明三、随机森林(RandomForest)3.1基本概念3.2工作原理构建过程随机森林的预测过程数学公式说明3.3应用场景实例说明3.4随机森林的优
- sklearn基础教程：从入门到精通
洛秋_
机器学习
文章目录sklearn基础教程：从入门到精通一、sklearn简介二、安装与配置三、数据预处理数据导入数据清洗特征选择数据标准化与归一化四、常用模型介绍与应用线性回归逻辑回归决策树支持向量机K近邻算法随机森林集成学习五、模型评估与调优交叉验证网格搜索模型评估指标六、实战案例波士顿房价预测手写数字识别客户流失预测七、测试接口与详细解释单元测试接口测试八、总结个人博客【洛秋小站】洛秋资源小站【洛秋资源
- 机器学习——随机森林（Random Forest）
知舟不叙
机器学习随机森林人工智能
文章目录一、随机森林的介绍1.核心思想2.随机森林的特点3.随机森林的构建过程4.随机森林的优缺点二、.随机森林算法三、随机森林的实现1.导入库2.描绘可视化混淆矩阵3.数据预处理4.模型训练5.绘制混淆矩阵并打印评分报告6.绘制特征排名四、总结前面一节我们学习了一种简单高效的算法——决策树学习算法（DecisionTree），下面来介绍一种基于决策树的集成学习算法——随机森林算法（RandomF
- 机器学习——集成学习基础
m0_62060781
机器学习集成学习人工智能
一、鸢尾花数据训练模型1.使用鸢尾花数据分别训练集成模型：AdaBoost模型，GradientBoosting模型2.对别两个集成模型的准确率以及报告3.两个模型的预测结果进行可视化需要进行降维处理，两个图像显示在同一个坐标系中代码展示：fromsklearn.datasetsimportload_irisimportnumpyasnpimportpandasaspdimportmatplotl
- 泰迪杯特等奖案例学习资料：基于卷积神经网络与集成学习的网络问政平台留言文本挖掘与分析
学习的锅
泰迪杯实战案例cnn集成学习网络实战案例泰迪杯
（第八届“泰迪杯”数据挖掘挑战赛A题特等奖案例深度解析）一、案例背景与核心挑战1.1应用场景与行业痛点随着“互联网+政务”的推进，网络问政平台成为政府与民众沟通的重要渠道。某市问政平台日均接收留言超5000条，涉及民生、环保、交通等20余类诉求。然而，传统人工分类与处理模式存在以下问题：效率瓶颈：人工标注员日均处理量仅200条，且需具备政策理解能力，响应延迟常超过48小时。语义复杂性：留言文本包含
- 深入解析 Stacking：集成学习的“超级英雄联盟
从零开始学习人工智能
集成学习机器学习人工智能
在机器学习的世界里，我们常常面临一个挑战：单一模型往往难以完美地解决复杂问题。就像漫威电影中的超级英雄们一样，每个模型都有自己的独特能力，但也有局限性。那么，如何让这些模型“联手”发挥更大的力量呢？今天，我们就来深入探讨一种强大的集成学习方法——Stacking（堆叠）。1.Stacking是什么？Stacking是一种集成学习方法，它通过组合多个不同类型的模型，来提高整体的预测性能。想象一下，你
- 十大机器学习算法：理论与实战
Android洋芋
人工智能机器学习算法深度学习实战Kubernetes部署AI模型优化图神经网络决策树分析
简介机器学习技术持续演进，算法应用场景不断扩展。在众多算法中，有十种算法因其广泛的适用性和强大的表现力被公认为机器学习领域的核心力量。本文将从零开始，系统讲解这些算法的数学原理、应用场景和企业级开发实战，帮助初学者和工程师快速掌握这些算法，并能够将其应用于实际项目中。关键词：机器学习算法、集成学习、图神经网络、逻辑回归、决策树、支持向量机、KNN、k-means、PCA、强化学习一、集成学习算法（
- 随机森林在数学建模中的应用
自由自在2004
随机森林数学建模python
随机森林在数学建模中的应用随机森林是一种强大的集成学习方法，通过组合多个决策树来进行分类和回归任务。其核心思想是通过对训练数据和特征的随机子集进行多次训练，生成一组决策树，并通过对这些树的预测结果进行集成来提高模型的准确性和鲁棒性。在分类问题中，随机森林的最终预测结果是基于所有树的投票决定的，而在回归问题中，结果则是所有树预测值的平均。随机森林具有出色的泛化能力和抗噪声能力，适用于处理各种数据类型
- 大连理工大学选修课——机器学习笔记（7）：集成学习及随机森林
江安的猪猪
大连理工大学选修：机器学习机器学习笔记集成学习
集成学习及随机森林集成学习概述泛化能力的局限每种学习模型的能力都有其上限限制于特定结构受限于训练样本的质量和规模如何再提高泛化能力？研究新结构扩大训练规模提升模型的泛化能力创造性思路组合多个学习模型集成学习集成学习不是特定的学习模型，而实一种构建模型的思路，一种训练学习的思想强可学习和弱可学习强可学习：对于一个概念或者一个类，如果存在一个多项式学习算法可以学习它，正确率高，则该概念是强可学习的。弱
- 集成学习详解
Chaos_Wang_
NLP/大模型八股集成学习机器学习人工智能
一、概念篇集成学习的核心思想是什么？集成学习通过组合多个单一模型的预测结果，综合各模型的优势，以提高整体的泛化能力和预测性能。它建立在“群策群力”的原理上，即多个弱模型的组合能够表现出比单一强模型更好的性能。集成学习与传统单一模型相比的本质区别？传统单一模型的学习过程是从训练数据中找到一个最佳的假设，而集成学习则是构建多个模型，再通过某种策略（如投票、加权平均、模型融合）组合各模型的输出结果来降低
- 文件内容课堂总结
2301_79975534
人工智能
集成学习通过构建并结合多个学习器完成任务，结合策略有简单平均法和加权平均法，结果可通过投票法产生。集成学习分类包括：Bagging：个体学习器无强依赖关系，可并行生成，代表为随机森林。随机森林具有处理高维数据、给出特征重要性、并行化快、可可视化等优点。Boosting：个体学习器有强依赖关系，需串行生成（如AdaBoost），通过调整数据权重提升模型性能。Stacking：聚合多个分类或回归模型，
- 基于SSA-KELM-Adaboost（麻雀搜索优化的极限学习机自适应提升算法）的多输入单输出回归预测【MATLAB】
沅_Yuan
炼丹师算法回归matlab极限学习机集成学习麻雀搜索Adaboost
SSA-KELM-Adaboost是一种结合了麻雀搜索算法（SSA）、核极限学习机（KELM）和Adaboost集成学习的复合回归预测模型。该模型通过参数优化与集成策略提升预测精度和鲁棒性，适用于复杂非线性回归问题。以下是其核心理论与工作机制：一、核心组件分析1.麻雀搜索算法（SparrowSearchAlgorithm,SSA）原理模拟麻雀群体的觅食与反捕食行为，通过“发现者-跟随者-警戒者”角
- 2023-2024山东大学机器学习期末回忆
Walk Me Home
机器学习人工智能
1、考试时间：2024/6/122、考试形式：闭卷3、考试科目：机器学习基础（老师：XuXinShun）一、名词解释1、聚类2、集成学习3、回归4、维度灾难5、主动学习二、简答题1、非参数估计相比参数估计有什么优点。说出两种非参数估计的方法，并解释他们的基本思想。2、梯度下降法的过程，并解释为什么每一步目标函数的值每次都是降低3、解释什么是过拟合，并给出解决过拟合的几种方法4、简述决策树算法的过程
- 山东大学软件学院2023-2024二学期机器学习基础考试题回忆版
卑微小亮°
机器学习
一名词解释聚类集成学习回归维度灾难主动学习二简答题1非参数估计比着有参数估计的优点？阐述两个非参数估计的基本思想2阐述梯度下降的主要过程？证明为什么梯度下降每次目标函数值都会减小3什么是过拟合？有什么减少过拟合的方法？4阐述决策树的基本思想，说明ID3的实现过程三综合分析题1用w和b表示svm的初始式子2从最小化结构风险的角度阐述为什么要最大化margin3写出引入拉格朗日乘子后svm的对偶形式的
- Java 并发包之线程池和原子计数
lijingyao8206
Java计数ThreadPool并发包java线程池
对于大数据量关联的业务处理逻辑，比较直接的想法就是用JDK提供的并发包去解决多线程情况下的业务数据处理。线程池可以提供很好的管理线程的方式，并且可以提高线程利用率，并发包中的原子计数在多线程的情况下可以让我们避免去写一些同步代码。
这里就先把jdk并发包中的线程池处理器ThreadPoolExecutor 以原子计数类AomicInteger 和倒数计时锁C
- java编程思想 抽象类和接口
百合不是茶
java抽象类接口
接口c++对接口和内部类只有简介的支持,但在java中有队这些类的直接支持
1 ,抽象类 : 如果一个类包含一个或多个抽象方法,该类必须限定为抽象类(否者编译器报错)
抽象方法 : 在方法中仅有声明而没有方法体
package com.wj.Interface;
- [房地产与大数据]房地产数据挖掘系统
comsci
数据挖掘
随着一个关键核心技术的突破,我们已经是独立自主的开发某些先进模块,但是要完全实现,还需要一定的时间...
所以,除了代码工作以外,我们还需要关心一下非技术领域的事件..比如说房地产
&nb
- 数组队列总结
沐刃青蛟
数组队列
数组队列是一种大小可以改变，类型没有定死的类似数组的工具。不过与数组相比，它更具有灵活性。因为它不但不用担心越界问题，而且因为泛型（类似c++中模板的东西）的存在而支持各种类型。
以下是数组队列的功能实现代码：
import List.Student;
public class
- Oracle存储过程无法编译的解决方法
IT独行者
oracle存储过程
今天同事修改Oracle存储过程又导致2个过程无法被编译，流程规范上的东西，Dave 这里不多说，看看怎么解决问题。
1. 查看无效对象
XEZF@xezf(qs-xezf-db1)> select object_name,object_type,status from all_objects where status='IN
- 重装系统之后oracle恢复
文强chu
oracle
前几天正在使用电脑，没有暂停oracle的各种服务。
突然win8.1系统奔溃，无法修复，开机时系统 提示正在搜集错误信息，然后再开机，再提示的无限循环中。
无耐我拿出系统u盘 准备重装系统，没想到竟然无法从u盘引导成功。
晚上到外面早了一家修电脑店，让人家给装了个系统，并且那哥们在我没反应过来的时候，
直接把我的c盘给格式化了 并且清理了注册表，再装系统。
然后的结果就是我的oracl
- python学习二（ 一些基础语法）
小桔子
pthon基础语法
紧接着把！昨天没看继续看django 官方教程，学了下python的基本语法 与c类语言还是有些小差别：
1.ptyhon的源文件以UTF-8编码格式
2.
/ 除 结果浮点型
// 除 结果整形
% 除 取余数
* 乘
** 乘方 eg 5**2 结果是5的2次方25
_&
- svn 常用命令
aichenglong
SVN版本回退
1 svn回退版本
1)在window中选择log,根据想要回退的内容,选择revert this version或revert chanages from this version
两者的区别:
revert this version:表示回退到当前版本(该版本后的版本全部作废)
revert chanages from this versio
- 某小公司面试归来
alafqq
面试
先填单子，还要写笔试题，我以时间为急，拒绝了它。。时间宝贵。
老拿这些对付毕业生的东东来吓唬我。。
面试官很刁难，问了几个问题，记录下；
1，包的范围。。。public,private,protect. --悲剧了
2，hashcode方法和equals方法的区别。谁覆盖谁.结果，他说我说反了。
3，最恶心的一道题，抽象类继承抽象类吗？（察，一般它都是被继承的啊）
4，stru
- 动态数组的存储速度比较 集合框架
百合不是茶
集合框架
集合框架：
自定义数据结构(增删改查等)
package 数组;
/**
* 创建动态数组
* @author 百合
*
*/
public class ArrayDemo{
//定义一个数组来存放数据
String[] src = new String[0];
/**
* 增加元素加入容器
* @param s要加入容器
- 用JS实现一个JS对象，对象里有两个属性一个方法
bijian1013
js对象
<html>
<head>
</head>
<body>
用js代码实现一个js对象，对象里有两个属性，一个方法
</body>
<script>
var obj={a:'1234567',b:'bbbbbbbbbb',c:function(x){
- 探索JUnit4扩展：使用Rule
bijian1013
java单元测试JUnitRule
在上一篇文章中，讨论了使用Runner扩展JUnit4的方式，即直接修改Test Runner的实现(BlockJUnit4ClassRunner)。但这种方法显然不便于灵活地添加或删除扩展功能。下面将使用JUnit4.7才开始引入的扩展方式——Rule来实现相同的扩展功能。
1. Rule
&n
- [Gson一]非泛型POJO对象的反序列化
bit1129
POJO
当要将JSON数据串反序列化自身为非泛型的POJO时，使用Gson.fromJson(String, Class)方法。自身为非泛型的POJO的包括两种：
1. POJO对象不包含任何泛型的字段
2. POJO对象包含泛型字段，例如泛型集合或者泛型类
Data类 a.不是泛型类， b.Data中的集合List和Map都是泛型的 c.Data中不包含其它的POJO
- 【Kakfa五】Kafka Producer和Consumer基本使用
bit1129
kafka
0.Kafka服务器的配置
一个Broker，
一个Topic
Topic中只有一个Partition（） 1. Producer：
package kafka.examples.producers;
import kafka.producer.KeyedMessage;
import kafka.javaapi.producer.Producer;
impor
- lsyncd实时同步搭建指南——取代rsync+inotify
ronin47
1. 几大实时同步工具比较 1.1 inotify + rsync
最近一直在寻求生产服务服务器上的同步替代方案，原先使用的是 inotify + rsync，但随着文件数量的增大到100W+，目录下的文件列表就达20M，在网络状况不佳或者限速的情况下，变更的文件可能10来个才几M，却因此要发送的文件列表就达20M，严重减低的带宽的使用效率以及同步效率；更为要紧的是，加入inotify
- java-9. 判断整数序列是不是二元查找树的后序遍历结果
bylijinnan
java
public class IsBinTreePostTraverse{
static boolean isBSTPostOrder(int[] a){
if(a==null){
return false;
}
/*1.只有一个结点时，肯定是查找树
*2.只有两个结点时，肯定是查找树。例如{5,6}对应的BST是 6 {6,5}对应的BST是
- MySQL的sum函数返回的类型
bylijinnan
javaspringsqlmysqljdbc
今天项目切换数据库时，出错
访问数据库的代码大概是这样：
String sql = "select sum(number) as sumNumberOfOneDay from tableName";
List<Map> rows = getJdbcTemplate().queryForList(sql);
for (Map row : rows
- java设计模式之单例模式
chicony
java设计模式
在阎宏博士的《JAVA与模式》一书中开头是这样描述单例模式的：
作为对象的创建模式，单例模式确保某一个类只有一个实例，而且自行实例化并向整个系统提供这个实例。这个类称为单例类。 单例模式的结构
单例模式的特点：
单例类只能有一个实例。
单例类必须自己创建自己的唯一实例。
单例类必须给所有其他对象提供这一实例。
饿汉式单例类
publ
- javascript取当月最后一天
ctrain
JavaScript
<!--javascript取当月最后一天-->
<script language=javascript>
var current = new Date();
var year = current.getYear();
var month = current.getMonth();
showMonthLastDay(year, mont
- linux tune2fs命令详解
daizj
linuxtune2fs查看系统文件块信息
一.简介：
tune2fs是调整和查看ext2/ext3文件系统的文件系统参数，Windows下面如果出现意外断电死机情况，下次开机一般都会出现系统自检。Linux系统下面也有文件系统自检，而且是可以通过tune2fs命令，自行定义自检周期及方式。
二.用法：
Usage: tune2fs [-c max_mounts_count] [-e errors_behavior] [-g grou
- 做有中国特色的程序员
dcj3sjt126com
程序员
从出版业说起 网络作品排到靠前的，都不会太难看，一般人不爱看某部作品也是因为不喜欢这个类型，而此人也不会全不喜欢这些网络作品。究其原因，是因为网络作品都是让人先白看的，看的好了才出了头。而纸质作品就不一定了，排行榜靠前的，有好作品，也有垃圾。 许多大牛都是写了博客，后来出了书。这些书也都不次，可能有人让为不好，是因为技术书不像小说，小说在读故事，技术书是在学知识或温习知识，有
- Android：TextView属性大全
dcj3sjt126com
textview
android:autoLink 设置是否当文本为URL链接/email/电话号码/map时，文本显示为可点击的链接。可选值(none/web/email/phone/map/all) android:autoText 如果设置，将自动执行输入值的拼写纠正。此处无效果，在显示输入法并输
- tomcat虚拟目录安装及其配置
eksliang
tomcat配置说明tomca部署web应用tomcat虚拟目录安装
转载请出自出处：http://eksliang.iteye.com/blog/2097184
1.-------------------------------------------tomcat 目录结构
config：存放tomcat的配置文件
temp ：存放tomcat跑起来后存放临时文件用的
work ： 当第一次访问应用中的jsp
- 浅谈：APP有哪些常被黑客利用的安全漏洞
gg163
APP
首先，说到APP的安全漏洞，身为程序猿的大家应该不陌生；如果抛开安卓自身开源的问题的话，其主要产生的原因就是开发过程中疏忽或者代码不严谨引起的。但这些责任也不能怪在程序猿头上，有时会因为BOSS时间催得紧等很多可观原因。由国内移动应用安全检测团队爱内测（ineice.com）的CTO给我们浅谈关于Android 系统的开源设计以及生态环境。
1. 应用反编译漏洞：APK 包非常容易被反编译成可读
- C#根据网址生成静态页面
hvt
Web.netC#asp.nethovertree
HoverTree开源项目中HoverTreeWeb.HVTPanel的Index.aspx文件是后台管理的首页。包含生成留言板首页，以及显示用户名，退出等功能。根据网址生成页面的方法：
bool CreateHtmlFile(string url, string path)
{
//http://keleyi.com/a/bjae/3d10wfax.htm
stri
- SVG 教程 （一）
天梯梦
svg
SVG 简介
SVG 是使用 XML 来描述二维图形和绘图程序的语言。 学习之前应具备的基础知识：
继续学习之前，你应该对以下内容有基本的了解：
HTML
XML 基础
如果希望首先学习这些内容，请在本站的首页选择相应的教程。 什么是SVG？
SVG 指可伸缩矢量图形 (Scalable Vector Graphics)
SVG 用来定义用于网络的基于矢量
- 一个简单的java栈
luyulong
java数据结构栈
public class MyStack {
private long[] arr;
private int top;
public MyStack() {
arr = new long[10];
top = -1;
}
public MyStack(int maxsize) {
arr = new long[maxsize];
top
- 基础数据结构和算法八：Binary search
sunwinner
AlgorithmBinary search
Binary search needs an ordered array so that it can use array indexing to dramatically reduce the number of compares required for each search, using the classic and venerable binary search algori
- 12个C语言面试题，涉及指针、进程、运算、结构体、函数、内存，看看你能做出几个！
刘星宇
c面试
12个C语言面试题，涉及指针、进程、运算、结构体、函数、内存，看看你能做出几个！
1.gets()函数
问：请找出下面代码里的问题：
#include<stdio.h>
int main(void)
{
char buff[10];
memset(buff,0,sizeof(buff));
- ITeye 7月技术图书有奖试读获奖名单公布
ITeye管理员
活动ITeye试读
ITeye携手人民邮电出版社图灵教育共同举办的7月技术图书有奖试读活动已圆满结束，非常感谢广大用户对本次活动的关注与参与。
7月试读活动回顾：
http://webmaster.iteye.com/blog/2092746
本次技术图书试读活动的优秀奖获奖名单及相应作品如下（优秀文章有很多，但名额有限，没获奖并不代表不优秀）：
《Java性能优化权威指南》
