- 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
- Java实现的简单双向Map,支持重复Value
superlxw1234
java双向map
关键字:Java双向Map、DualHashBidiMap
有个需求,需要根据即时修改Map结构中的Value值,比如,将Map中所有value=V1的记录改成value=V2,key保持不变。
数据量比较大,遍历Map性能太差,这就需要根据Value先找到Key,然后去修改。
即:既要根据Key找Value,又要根据Value
- PL/SQL触发器基础及例子
百合不是茶
oracle数据库触发器PL/SQL编程
触发器的简介;
触发器的定义就是说某个条件成立的时候,触发器里面所定义的语句就会被自动的执行。因此触发器不需要人为的去调用,也不能调用。触发器和过程函数类似 过程函数必须要调用,
一个表中最多只能有12个触发器类型的,触发器和过程函数相似 触发器不需要调用直接执行,
触发时间:指明触发器何时执行,该值可取:
before:表示在数据库动作之前触发
- [时空与探索]穿越时空的一些问题
comsci
问题
我们还没有进行过任何数学形式上的证明,仅仅是一个猜想.....
这个猜想就是; 任何有质量的物体(哪怕只有一微克)都不可能穿越时空,该物体强行穿越时空的时候,物体的质量会与时空粒子产生反应,物体会变成暗物质,也就是说,任何物体穿越时空会变成暗物质..(暗物质就我的理
- easy ui datagrid上移下移一行
商人shang
js上移下移easyuidatagrid
/**
* 向上移动一行
*
* @param dg
* @param row
*/
function moveupRow(dg, row) {
var datagrid = $(dg);
var index = datagrid.datagrid("getRowIndex", row);
if (isFirstRow(dg, row)) {
- Java反射
oloz
反射
本人菜鸟,今天恰好有时间,写写博客,总结复习一下java反射方面的知识,欢迎大家探讨交流学习指教
首先看看java中的Class
package demo;
public class ClassTest {
/*先了解java中的Class*/
public static void main(String[] args) {
//任何一个类都
- springMVC 使用JSR-303 Validation验证
杨白白
springmvc
JSR-303是一个数据验证的规范,但是spring并没有对其进行实现,Hibernate Validator是实现了这一规范的,通过此这个实现来讲SpringMVC对JSR-303的支持。
JSR-303的校验是基于注解的,首先要把这些注解标记在需要验证的实体类的属性上或是其对应的get方法上。
登录需要验证类
public class Login {
@NotEmpty
- log4j
香水浓
log4j
log4j.rootCategory=DEBUG, STDOUT, DAILYFILE, HTML, DATABASE
#log4j.rootCategory=DEBUG, STDOUT, DAILYFILE, ROLLINGFILE, HTML
#console
log4j.appender.STDOUT=org.apache.log4j.ConsoleAppender
log4
- 使用ajax和history.pushState无刷新改变页面URL
agevs
jquery框架Ajaxhtml5chrome
表现
如果你使用chrome或者firefox等浏览器访问本博客、github.com、plus.google.com等网站时,细心的你会发现页面之间的点击是通过ajax异步请求的,同时页面的URL发生了了改变。并且能够很好的支持浏览器前进和后退。
是什么有这么强大的功能呢?
HTML5里引用了新的API,history.pushState和history.replaceState,就是通过
- centos中文乱码
AILIKES
centosOSssh
一、CentOS系统访问 g.cn ,发现中文乱码。
于是用以前的方式:yum -y install fonts-chinese
CentOS系统安装后,还是不能显示中文字体。我使用 gedit 编辑源码,其中文注释也为乱码。
后来,终于找到以下方法可以解决,需要两个中文支持的包:
fonts-chinese-3.02-12.
- 触发器
baalwolf
触发器
触发器(trigger):监视某种情况,并触发某种操作。
触发器创建语法四要素:1.监视地点(table) 2.监视事件(insert/update/delete) 3.触发时间(after/before) 4.触发事件(insert/update/delete)
语法:
create trigger triggerName
after/before
- JS正则表达式的i m g
bijian1013
JavaScript正则表达式
g:表示全局(global)模式,即模式将被应用于所有字符串,而非在发现第一个匹配项时立即停止。 i:表示不区分大小写(case-insensitive)模式,即在确定匹配项时忽略模式与字符串的大小写。 m:表示
- HTML5模式和Hashbang模式
bijian1013
JavaScriptAngularJSHashbang模式HTML5模式
我们可以用$locationProvider来配置$location服务(可以采用注入的方式,就像AngularJS中其他所有东西一样)。这里provider的两个参数很有意思,介绍如下。
html5Mode
一个布尔值,标识$location服务是否运行在HTML5模式下。
ha
- [Maven学习笔记六]Maven生命周期
bit1129
maven
从mvn test的输出开始说起
当我们在user-core中执行mvn test时,执行的输出如下:
/software/devsoftware/jdk1.7.0_55/bin/java -Dmaven.home=/software/devsoftware/apache-maven-3.2.1 -Dclassworlds.conf=/software/devs
- 【Hadoop七】基于Yarn的Hadoop Map Reduce容错
bit1129
hadoop
运行于Yarn的Map Reduce作业,可能发生失败的点包括
Task Failure
Application Master Failure
Node Manager Failure
Resource Manager Failure
1. Task Failure
任务执行过程中产生的异常和JVM的意外终止会汇报给Application Master。僵死的任务也会被A
- 记一次数据推送的异常解决端口解决
ronin47
记一次数据推送的异常解决
需求:从db获取数据然后推送到B
程序开发完成,上jboss,刚开始报了很多错,逐一解决,可最后显示连接不到数据库。机房的同事说可以ping 通。
自已画了个图,逐一排除,把linux 防火墙 和 setenforce 设置最低。
service iptables stop
- 巧用视错觉-UI更有趣
brotherlamp
UIui视频ui教程ui自学ui资料
我们每个人在生活中都曾感受过视错觉(optical illusion)的魅力。
视错觉现象是双眼跟我们开的一个玩笑,而我们往往还心甘情愿地接受我们看到的假象。其实不止如此,视觉错现象的背后还有一个重要的科学原理——格式塔原理。
格式塔原理解释了人们如何以视觉方式感觉物体,以及图像的结构,视角,大小等要素是如何影响我们的视觉的。
在下面这篇文章中,我们首先会简单介绍一下格式塔原理中的基本概念,
- 线段树-poj1177-N个矩形求边长(离散化+扫描线)
bylijinnan
数据结构算法线段树
package com.ljn.base;
import java.util.Arrays;
import java.util.Comparator;
import java.util.Set;
import java.util.TreeSet;
/**
* POJ 1177 (线段树+离散化+扫描线),题目链接为http://poj.org/problem?id=1177
- HTTP协议详解
chicony
http协议
引言
- Scala设计模式
chenchao051
设计模式scala
Scala设计模式
我的话: 在国外网站上看到一篇文章,里面详细描述了很多设计模式,并且用Java及Scala两种语言描述,清晰的让我们看到各种常规的设计模式,在Scala中是如何在语言特性层面直接支持的。基于文章很nice,我利用今天的空闲时间将其翻译,希望大家能一起学习,讨论。翻译
- 安装mysql
daizj
mysql安装
安装mysql
(1)删除linux上已经安装的mysql相关库信息。rpm -e xxxxxxx --nodeps (强制删除)
执行命令rpm -qa |grep mysql 检查是否删除干净
(2)执行命令 rpm -i MySQL-server-5.5.31-2.el
- HTTP状态码大全
dcj3sjt126com
http状态码
完整的 HTTP 1.1规范说明书来自于RFC 2616,你可以在http://www.talentdigger.cn/home/link.php?url=d3d3LnJmYy1lZGl0b3Iub3JnLw%3D%3D在线查阅。HTTP 1.1的状态码被标记为新特性,因为许多浏览器只支持 HTTP 1.0。你应只把状态码发送给支持 HTTP 1.1的客户端,支持协议版本可以通过调用request
- asihttprequest上传图片
dcj3sjt126com
ASIHTTPRequest
NSURL *url =@"yourURL";
ASIFormDataRequest*currentRequest =[ASIFormDataRequest requestWithURL:url];
[currentRequest setPostFormat:ASIMultipartFormDataPostFormat];[currentRequest se
- C语言中,关键字static的作用
e200702084
C++cC#
在C语言中,关键字static有三个明显的作用:
1)在函数体,局部的static变量。生存期为程序的整个生命周期,(它存活多长时间);作用域却在函数体内(它在什么地方能被访问(空间))。
一个被声明为静态的变量在这一函数被调用过程中维持其值不变。因为它分配在静态存储区,函数调用结束后并不释放单元,但是在其它的作用域的无法访问。当再次调用这个函数时,这个局部的静态变量还存活,而且用在它的访
- win7/8使用curl
geeksun
win7
1. WIN7/8下要使用curl,需要下载curl-7.20.0-win64-ssl-sspi.zip和Win64OpenSSL_Light-1_0_2d.exe。 下载地址:
http://curl.haxx.se/download.html 请选择不带SSL的版本,否则还需要安装SSL的支持包 2. 可以给Windows增加c
- Creating a Shared Repository; Users Sharing The Repository
hongtoushizi
git
转载自:
http://www.gitguys.com/topics/creating-a-shared-repository-users-sharing-the-repository/ Commands discussed in this section:
git init –bare
git clone
git remote
git pull
git p
- Java实现字符串反转的8种或9种方法
Josh_Persistence
异或反转递归反转二分交换反转java字符串反转栈反转
注:对于第7种使用异或的方式来实现字符串的反转,如果不太看得明白的,可以参照另一篇博客:
http://josh-persistence.iteye.com/blog/2205768
/**
*
*/
package com.wsheng.aggregator.algorithm.string;
import java.util.Stack;
/**
- 代码实现任意容量倒水问题
home198979
PHP算法倒水
形象化设计模式实战 HELLO!架构 redis命令源码解析
倒水问题:有两个杯子,一个A升,一个B升,水有无限多,现要求利用这两杯子装C
- Druid datasource
zhb8015
druid
推荐大家使用数据库连接池 DruidDataSource. http://code.alibabatech.com/wiki/display/Druid/DruidDataSource DruidDataSource经过阿里巴巴数百个应用一年多生产环境运行验证,稳定可靠。 它最重要的特点是:监控、扩展和性能。 下载和Maven配置看这里: http
- 两种启动监听器ApplicationListener和ServletContextListener
spjich
javaspring框架
引言:有时候需要在项目初始化的时候进行一系列工作,比如初始化一个线程池,初始化配置文件,初始化缓存等等,这时候就需要用到启动监听器,下面分别介绍一下两种常用的项目启动监听器
ServletContextListener
特点: 依赖于sevlet容器,需要配置web.xml
使用方法:
public class StartListener implements
- JavaScript Rounding Methods of the Math object
何不笑
JavaScriptMath
The next group of methods has to do with rounding decimal values into integers. Three methods — Math.ceil(), Math.floor(), and Math.round() — handle rounding in differen