am_skyf
am_skyf

贝叶斯

简述

贝叶斯是英国的数学家，贝叶斯方法源于他生前为解决一个“逆概”问题写的一篇文章。
学过概率理论的人都知道条件概率的公式：

即事件A和事件B同时发生的概率等于在发生A的条件下B发生的概率乘以A的概率。由条件概率公式推导出贝叶斯公式：

即,已知P(A|B)，P(A)和P(B)可以计算出P(B|A)。

举个例子

你可能感兴趣的:(贝叶斯)

  • 2023-08-20 Leslie91
    活在当下和活在未来并不对立，就像确认攀登一坐高山，设定自己的目标和计划，一路前行。适当停留领略周边风景稍做调整休息，继续登高。活在未来的思维逻辑让我有时间紧迫感，训练主动前瞻行思维和坚定执行力；活在当下是让我体验世界的一切美好和不经意收获的感动。用贝叶斯定律从新修正自己的观点：用30%时间体验当下人世间酸甜苦辣，因为我活着；用70%时间去活在未来，因为前方有更广阔的视野和更多的收获，每时每刻都要按
  • 概率图模型（PGM）综述 医学影像处理 概率图模型概率图模型综述
    RefLink:http://www.sigvc.org/bbs/thread-728-1-1.htmlGraphicalModel的基本类型基本的GraphicalModel可以大致分为两个类别：贝叶斯网络(BayesianNetwork)和马尔可夫随机场(MarkovRandomField)。它们的主要区别在于采用不同类型的图来表达变量之间的关系：贝叶斯网络采用有向无环图(DirectedAc
  • 潜在狄利克雷分配（Latent Dirichlet Allocation,LDA）—无监督学习方法、概率模型、生成模型、线性模型、非参数化模型、贝叶斯学习、批量学习 剑海风云 ArtificialIntelligence人工智能机器学习潜在狄利克雷分配LDA
    定义输入:单词集合W={ω1,⋯ ,ωv,⋯ ,ωV},其中ωv是第v个单词,v=1,2,⋯ ,V,V是单词第个数。单词集合W=\{\omega_1,\cdots,\omega_v,\cdots,\omega_V\},其中\omega_v是第v个单词,v=1,2,\cdots,V,V是单词第个数。单词集合W={ω1,⋯,ωv,⋯,ωV},其中ωv是第v个单词,v=1,2,⋯,V,V是单词第个数。文
  • 【机器学习】朴素贝叶斯 可口的冰可乐 机器学习机器学习概率论
    3.朴素贝叶斯素贝叶斯算法（NaiveBayes）是一种基于贝叶斯定理的简单而有效的分类算法。其“朴素”之处在于假设各特征之间相互独立，即在给定类别的条件下，各个特征是独立的。尽管这一假设在实际中不一定成立，合理的平滑技术和数据预处理仍能使其在许多任务中表现良好。优点：速度快：由于朴素贝叶斯仅需计算简单的概率，训练和预测的速度非常快。适用于高维数据：即使在特征数量多的情况下，朴素贝叶斯仍然表现良好
  • 机器学习实战笔记5——线性判别分析 绍少阿 机器学习笔记可视化机器学习python人工智能
    任务安排1、机器学习导论8、核方法2、KNN及其实现9、稀疏表示3、K-means聚类10、高斯混合模型4、主成分分析11、嵌入学习5、线性判别分析12、强化学习6、贝叶斯方法13、PageRank7、逻辑回归14、深度学习线性判别分析（LDA）Ⅰ核心思想对于同样一件事，站在不同的角度，我们往往会有不同的看法，而降维思想，亦是如此。同上节课一样，我们还是学习降维的算法，只是提供了一种新的角度，由上
  • 【机器学习】近似推断的基本概念以及变分贝叶斯的基本概念 Lossya 机器学习人工智能python贝叶斯网络变分贝叶斯近似推断
    引言近似推断是处理大规模或复杂概率图模型时常用的一种方法，特别是在精确推断变得不可行或不实际的情况下文章目录引言一、近似推断1.1常见的近似推断方法1.1.1采样方法（SamplingMethods）1.1.1.1马尔可夫链蒙特卡洛（MCMC）1.1.1.2重要性采样（ImportanceSampling）1.1.1.3蒙特卡洛模拟（MonteCarloSimulation）1.1.2变分推断（V
  • 【统计学习方法读书笔记】（四）朴素贝叶斯法 Y.G Bingo 统计学习方法人工智能统计学习概率概率论
    终于到了贝叶斯估计这章了，贝叶斯估计在我心中一直是很重要的地位，不过发现书中只用了不到10页介绍这一章，深度内容后，发现贝叶斯估计的基础公式确实不多，但是由于正态分布在生活中的普遍性，贝叶斯估计才应用的非常多吧！默认输入变量用XXX表示，输出变量用YYY表示概率公式描述：P(X=x)P(X=x)P(X=x)：表示当X=xX=xX=x时的概率P(X=x∣Y=ck)P(X=x|Y=c_k)P(X=x∣
  • 【机器学习】朴素贝叶斯方法的概率图表示以及贝叶斯统计中的共轭先验方法 Lossya 机器学习概率论人工智能朴素贝叶斯共轭先验
    引言朴素贝叶斯方法是一种基于贝叶斯定理的简单概率模型，它假设特征之间相互独立。文章目录引言一、朴素贝叶斯方法的概率图表示1.1节点表示1.2边表示1.3无其他连接1.4总结二、朴素贝叶斯的应用场景2.1文本分类2.2推荐系统2.3医疗诊断2.4欺诈检测2.5情感分析2.6邮件过滤2.7信息检索2.8生物信息学三、朴素贝叶斯的优点四、朴素贝叶斯的局限性4.1特征独立性假设4.2敏感于输入数据的表示4
  • 【机器学习】朴素贝叶斯网络的基本概念以及朴素贝叶斯网络在python中的实例 Lossya 机器学习python人工智能算法朴素贝叶斯
    引言文章目录引言一、朴素贝叶斯网络1.1基本概念1.1.1节点1.1.2边（Edges）1.1.3条件独立性1.2特点1.2.1结构简单1.2.2易于理解和实现1.2.3计算效率高1.3应用1.4数学表示1.5局限性二、朴素贝叶斯网络在python中的实例2.1实例背景2.2实现步骤2.3python代码2.4代码解释三、概率推断在医疗领域中的使用3.1概率推断在医疗领域的使用3.2自动化推断的优
  • 01-30 姬汉斯
    今天看的是关于文档识别和分类的处理案例。利用多项式贝叶斯公式计算TF-IDF值，以此计算出文档中的词频，文档频率等数据属性，TFIDFVectorizer类用于进行整理，NTLK包进行标注处理，计算文档中各个字符的权重，通过分类器进行分类处理。Sklearn在其中依然有巨大作用，还在熟悉其特性
  • 11.4 看不懂就慢慢看啊 反复练习的阿离很笨吧
    记得组合数学正交拉丁方从0开始！突然觉得老师说得很有道理，演化计算里活得最好的，不是最优秀的但也不是最差的，是最能适应环境的，别人怎么做，他就怎么做。动态规划，运筹学贝叶斯是生成学习算法，生成一个概率模型判别学习算法高斯判别分析/**NB.java*Copyright2005LiangxiaoJiang*/packageweka.classifiers.gla;importweka.core.*;
  • 叶斯神经网络（BNN）在训练过程中损失函数不收敛或跳动剧烈可能是由多种因素 zhangfeng1133 算法人工智能机器学习
    贝叶斯神经网络（BNN）在训练过程中损失函数不收敛或跳动剧烈可能是由多种因素引起的，以下是一些可能的原因和相应的解决方案：学习率设置不当：过高的学习率可能导致损失函数在优化过程中震荡不收敛，而过低的学习率则可能导致收敛速度过慢。可以尝试使用学习率衰减策略，或者根据任务和数据集的特点设置合适的学习率。数据问题：数据集中的噪声、异常值或不均匀的分布可能会导致模型的损失函数上升。此外，如果训练数据和验证
  • 人工智能与机器学习原理精解【17】 叶绿先锋 基础数学与应用数学人工智能机器学习概率论
    文章目录贝叶斯贝叶斯定理的公式推导一、条件概率的定义二、联合概率的分解三、贝叶斯定理的推导四、全概率公式的应用五、总结全概率公式推导一、全概率公式的定义二、全概率公式的推导三、全概率公式的应用贝叶斯定理的原理一、基本原理二、核心概念三、数学表达式四、原理应用五、原理特点朴素贝叶斯定理一、贝叶斯定理基础二、朴素贝叶斯的原理三、朴素贝叶斯的特点朴素贝叶斯公式一、贝叶斯定理二、特征独立性假设三、朴素贝叶
  • python机器学习算法--贝叶斯算法 在下小天n 机器学习python机器学习算法
    1.贝叶斯定理在20世纪60年代初就引入到文字信息检索中，仍然是文字分类的一种热门（基准）方法。文字分类是以词频为特征判断文件所属类型或其他（如垃圾邮件、合法性、新闻分类等）的问题。原理牵涉到概率论的问题，不在详细说明。sklearn.naive_bayes.GaussianNB(priors=None,var_smoothing=1e-09)#Bayes函数·priors：矩阵，shape=[n
  • 遗传进化算法进行高效特征选择 广东数字化转型 算法人工智能
    在构建机器学习模型时，特征选择是一个关键的预处理步骤。使用全部特征往往会导致过拟合、增加计算复杂度等问题。因此，我们需要从原始特征集中选择一个最优子集，以提高模型的泛化性能和效率。特征选择的目标是找到一个二元掩码向量，对应每个特征的保留(1)或剔除(0)。例如，对于10个特征，这个掩码向量可能是[1,0,1,1,0,0,1,0,1,0]。我们需要通过某种优化方法，寻找一个使目标函数(如模型的贝叶斯
  • python奇数平方和_平方和 weixin_39807352 python奇数平方和
    平方和误差和最大后验2020-12-2119:32:19多项式曲线拟合问题中的最大后验与最小化正则和平方和误差之间的关系简单证明多项式回归的最大后验等价于最小正则化和平方和误差;主要内容:多项式回归高斯分布贝叶斯定理对数函数计算1.简单回顾一下多项式回归y组合模型方法2020-12-0813:01:57不同的定性预测模型方法或定量预测模型方法各有其优点和缺点，它们之间并不是相互排斥的，而是相互联系
  • 【概率论】理解贝叶斯（Bayes）公式：为什么疾病检测呈阳性，得这种病的概率却不高？ seh_sjlj 概率论概率论学习数学经验分享
    先说结论：因为假阳性的人数相比于真阳性太多了。具体是怎么回事呢？咱们慢慢分析。文章目录一、贝叶斯公式二、典例分析三、贝叶斯公式的本质思考（摘自教材）一、贝叶斯公式定理1（贝叶斯公式）设有事件A,BA,BA,B，P(A)>0P(A)>0P(A)>0，P(B)>0P(B)>0P(B)>0，则P(B∣A)=P(B)P(A∣B)P(A)P(B|A)=\frac{P(B)P(A|B)}{P(A)}P(B∣A
  • 数学漫步——贝叶斯估计思想 罗泽坤
    统计学中有两个大的学派：频率学派(也称经典学派)，和贝叶斯学派总所周知统计推断是根据样本信息对总体分布或者是总体特征数进行推断，经典学派和贝叶斯学派就是通过统计推断的不同方式划分的，经典学派的统计推断是依据样本信息和总体信息来进行推断，而贝叶斯学派认为除了依据以上两种信息来进行推断以外还可以应该加上先验信息来进行统计推断。样本信息：样本信息即抽取样本观测其值所得到的信息，譬如在等到一组样本值之后可
  • 【LSTM分类】基于贝叶斯优化卷积神经网络结合长短时记忆BO-CNN-LSTM实现柴油机故障诊断含Matlab源码 matlab科研助手 lstm分类cnn
    ✅作者简介：热爱科研的Matlab仿真开发者，修心和技术同步精进，代码获取、论文复现及科研仿真合作可私信。个人主页：Matlab科研工作室个人信条：格物致知。更多Matlab完整代码及仿真定制内容点击智能优化算法神经网络预测雷达通信无线传感器电力系统信号处理图像处理路径规划元胞自动机无人机物理应用机器学习内容介绍柴油机作为重要的动力设备，其运行状态的可靠性直接影响着生产效率和安全。及时准确地诊断柴
  • 深度学习速通系列:贝叶思&SVM Ven% 支持向量机人工智能深度学习算法机器学习
    贝叶斯（Bayesian）方法和支持向量机（SVM，SupportVectorMachine）是两种不同的机器学习算法，它们在解决分类和回归问题时有着不同的原理和应用场景贝叶斯方法：贝叶斯方法基于贝叶斯定理，这是一种利用已知信息（先验概率）来预测未知事件（后验概率）的概率方法。它通常用于分类问题，特别是当数据集较小或存在类别不平衡时。贝叶斯方法可以处理不确定性，并且可以通过增加新的数据来更新先验概
  • 机器学习和深度学习·贝叶斯优化和optuna 0xMayL #深度学习机器学习#模型评估机器学习深度学习人工智能
    贝叶斯优化贝叶斯优化的思想先验：取点似然：假设分布取了n个点之后…后验：近似取得极值贝叶斯优化的数学过程在贝叶斯优化的数学过程当中，我们主要执行以下几个步骤：1定义需要估计的f(x)f(x)f(x)以及xxx的定义域2取出有限的n个xxx上的值，求解出这些xxx对应的f(x)f(x)f(x)（求解观测值）3根据有限的观测值，对函数分布进行假设（该假设被称为贝叶斯优化中的先验知识），得出该假设分布上
  • Matlab实现多传感器信息融合（D-S证据推论） 冬天都会过去
    D-S证据理论是对贝叶斯推理方法推广，主要是利用概率论中贝叶斯条件概率来进行的，贝叶斯条件概率需要知道先验概率。而D-S证据理论不需要知道先验概率，能够很好地表示“不确定”，被广泛用来处理不确定数据。（对来自多传感器数据的融合处理）适用于：信息融合、专家系统、情报分析、法律案件分析、多属性决策分析1、D-S证据理论知识介绍（1）四大定义基本概率分配、信任函数、似然函数、信任区间其中，函数m为识别框
  • 亦菲喊你来学机器学习（14） --贝叶斯算法 方世恩 机器学习算法人工智能pythonscikit-learn
    文章目录贝叶斯一、贝叶斯定理二、贝叶斯算法的核心概念三、贝叶斯算法的优点与局限优点：局限：四、构建模型训练模型测试模型总结贝叶斯贝叶斯算法（Bayesianalgorithm）是一种基于贝叶斯定理的机器学习方法，主要用于估计模型参数和进行概率推断。以下是对贝叶斯算法的详细解析：一、贝叶斯定理贝叶斯定理是概率论中的一个基本定理，它描述了条件概率之间的关系。该定理的数学表达式为：P(A∣B)=P(B)
  • 利用贝叶斯和决策树 来进行医疗诊断的 杨航 AI 决策树算法机器学习
    要使用Python实现一个基于贝叶斯分类器和决策树的医疗诊断功能，我们需要构建一个模型，该模型可以根据病人描述的症状预测可能的病症。这个模型将利用贝叶斯分类器和决策树来进行预测。以下是一个基本的实现思路：数据准备：我们需要一个包含不同症状和对应病症的数据集。这个数据集将用于训练我们的贝叶斯分类器和决策树。贝叶斯分类器：我们使用朴素贝叶斯分类器来根据给定的症状计算每个病症的概率。决策树：我们使用决策
  • Python和MATLAB和R对比敏感度函数导图 亚图跨际 算法交叉知识Python对比度检测贝叶斯自适应估计空间观察对比量化视觉皮质对比敏感度模型眼球运动偏心率对比敏感度模型
    要点深度学习网络两种选择的强制选择对比度检测贝叶斯自适应估计对比敏感度函数空间观察对比目标量化视觉皮质感知差异亮度、红/绿值、蓝/黄值色彩空间改变OpenCV图像对比度对比敏感度函数模型空间对比敏感度估计眼球运动医学研究空间时间颜色偏心率对比敏感度函数模型JavaScript人眼颜色对比差异sRGB：sRGB是一种三刺激色彩模型，是Web的标准，用于大多数计算机显示器。它使用与高清电视标准Rec7
  • Python实战：爬取小红书评论并进行情感分析 Mr 睡不醒 python开发语言机器学习
    在这篇博客中，我们将探讨如何使用Python爬取小红书的评论数据，并使用朴素贝叶斯分类器进行情感分析。本教程将涵盖从数据采集到模型训练和预测的完整流程。准备工作首先，确保你的Python环境中已安装以下库：pipinstallpandassklearnrequestsbeautifulsoup4seleniumselenium需要环境搭建爬取小红书评论我们将使用requests和Beautiful
  • 【机器学习理论基础】一文看尽朴素贝叶斯算法 大数据AI MachineLearning机器学习
    在所有的机器学习分类算法中，朴素贝叶斯和其他绝大多数的分类算法都不同。对于大多数的分类算法，比如决策树,KNN,逻辑回归，支持向量机等，他们都是判别方法，也就是直接学习出特征输出Y和特征X之间的关系，要么是决策函数Y=f(X)Y=f(X)Y=f(X),要么是条件分布P(Y∣X)P(Y|X)P(Y∣X)。但是朴素贝叶斯却是生成方法，也就是直接找出特征输出YYY和特征XXX的联合分布P(X,Y)P(X
  • 【人工智能】案例分析和项目实践：使用高斯过程回归预测股票价格 @我们的天空 人工智能技术人工智能回归数据挖掘tensorflow深度学习机器学习算法
    一、项目背景与目标股票价格预测是金融领域的热门话题，对于投资者、金融机构及研究者而言具有重要意义。高斯过程回归（GaussianProcessRegression,GPR）作为一种强大的非参数贝叶斯回归方法，能够处理复杂的非线性关系，同时提供预测的不确定性估计，非常适合用于股票价格预测。项目目标：利用历史股票价格数据训练高斯过程回归模型。对未来股票价格进行预测，并给出预测的不确定性区间。评估模型性
  • 【深度学习】S2 数学基础 P6 概率论 脚踏实地的大梦想家 #深度学习深度学习概率论
    目录基本概率论概率论公理随机变量多个随机变量联合概率条件概率贝叶斯定理求和法则独立性期望与方差小结基本概率论机器学习本质上，就是做出预测。而概率论提供了一种量化和表达不确定性水平的方法，可以帮助我们量化对某个结果的确定性程度。在一个简单的图像分类任务中；如果我们非常确定图像中的对象是一只猫，那么我们可以说标签为“猫”的概率是1，即P(y=“猫”)=1P(y=“猫”)=1P(y=“猫”)=1;如果我
  • 《春山》中的贝叶斯统计——白敬亭衣服合理概率及决策比重。 Ashleyxxihf 趣学贝叶斯统计算法统计傅立叶分析动态规划
    目录1.全身黑衣服合理概率2.真的是导演组允许？3.粉丝的证据是否站得住？4.总结感谢up主链接:【理工春山学】只谈事实从统计角度深度剖析春山学，她使用贝叶斯统计合理分析了在舞台中白敬亭、双魏、导演组出错的概率。接下来我采用一个新角度继续开辟《春山》中的贝叶斯统计——白敬亭衣服合理概率及决策比重。1.全身黑衣服合理概率要量化计算白敬亭穿全身黑衣服合理的概率，我们可以采用概率论的方法，结合已知信息和
  • jQuery 跨域访问的三种方式 No 'Access-Control-Allow-Origin' header is present on the reque qiaolevip 每天进步一点点学习永无止境跨域众观千象
    XMLHttpRequest cannot load http://v.xxx.com. No 'Access-Control-Allow-Origin' header is present on the requested resource. Origin 'http://localhost:63342' is therefore not allowed access. test.html:1
  • mysql 分区查询优化 annan211 java分区优化mysql
    分区查询优化 引入分区可以给查询带来一定的优势，但同时也会引入一些bug. 分区最大的优点就是优化器可以根据分区函数来过滤掉一些分区，通过分区过滤可以让查询扫描更少的数据。 所以，对于访问分区表来说，很重要的一点是要在where 条件中带入分区，让优化器过滤掉无需访问的分区。 可以通过查看explain执行计划，是否携带 partitions
  • MYSQL存储过程中使用游标 chicony Mysql存储过程
    DELIMITER $$ DROP PROCEDURE IF EXISTS getUserInfo $$ CREATE PROCEDURE getUserInfo(in date_day datetime)-- -- 实例-- 存储过程名为：getUserInfo-- 参数为：date_day日期格式:2008-03-08--    BEGINdecla
  • mysql 和 sqlite 区别 Array_06 sqlite
    转载： http://www.cnblogs.com/ygm900/p/3460663.html mysql 和 sqlite 区别 SQLITE是单机数据库。功能简约，小型化，追求最大磁盘效率 MYSQL是完善的服务器数据库。功能全面，综合化，追求最大并发效率 MYSQL、Sybase、Oracle等这些都是试用于服务器数据量大功能多需要安装，例如网站访问量比较大的。而sq
  • pinyin4j使用 oloz pinyin4j
    首先需要pinyin4j的jar包支持；jar包已上传至附件内 方法一:把汉字转换为拼音；例如：编程转换后则为biancheng      /** * 将汉字转换为全拼 * @param src 你的需要转换的汉字 * @param isUPPERCASE 是否转换为大写的拼音； true:转换为大写；fal
  • 微博发送私信 随意而生 微博
    在前面文章中说了如和获取登陆时候所需要的cookie，现在只要拿到最后登陆所需要的cookie，然后抓包分析一下微博私信发送界面 http://weibo.com/message/history?uid=****&name=**** 可以发现其发送提交的Post请求和其中的数据， 让后用程序模拟发送POST请求中的数据，带着cookie发送到私信的接入口，就可以实现发私信的功能了。
  • jsp 香水浓 jsp
    JSP初始化     容器载入JSP文件后，它会在为请求提供任何服务前调用jspInit()方法。如果您需要执行自定义的JSP初始化任务，复写jspInit()方法就行了 JSP执行     这一阶段描述了JSP生命周期中一切与请求相关的交互行为，直到被销毁。     当JSP网页完成初始化后
  • 在 Windows 上安装 SVN Subversion 服务端 AdyZhang SVN
    在 Windows 上安装 SVN Subversion 服务端2009-09-16高宏伟哈尔滨市道里区通达街291号   最佳阅读效果请访问原地址：http://blog.donews.com/dukejoe/archive/2009/09/16/1560917.aspx   现在的Subversion已经足够稳定，而且已经进入了它的黄金时段。我们看到大量的项目都在使
  • android开发中如何使用 alertDialog从listView中删除数据？ aijuans android
    我现在使用listView展示了很多的配置信息，我现在想在点击其中一条的时候填出 alertDialog,点击确认后就删除该条数据，（ ArrayAdapter ，ArrayList，listView 全部删除），我知道在 下面的onItemLongClick 方法中 参数 arg2  是选中的序号，但是我不知道如何继续处理下去 1 2 3
  • jdk-6u26-linux-x64.bin 安装 baalwolf linux
    1.上传安装文件(jdk-6u26-linux-x64.bin) 2.修改权限 [root@localhost ~]# ls -l /usr/local/jdk-6u26-linux-x64.bin 3.执行安装文件 [root@localhost ~]# cd /usr/local [root@localhost local]# ./jdk-6u26-linux-x64.bin&nbs
  • MongoDB经典面试题集锦 BigBird2012 mongodb
    1.什么是NoSQL数据库？NoSQL和RDBMS有什么区别？在哪些情况下使用和不使用NoSQL数据库？ NoSQL是非关系型数据库，NoSQL = Not Only SQL。 关系型数据库采用的结构化的数据，NoSQL采用的是键值对的方式存储数据。 在处理非结构化/半结构化的大数据时；在水平方向上进行扩展时；随时应对动态增加的数据项时可以优先考虑使用NoSQL数据库。 在考虑数据库的成熟
  • JavaScript异步编程Promise模式的6个特性 bijian1013 JavaScriptPromise
            Promise是一个非常有价值的构造器，能够帮助你避免使用镶套匿名方法，而使用更具有可读性的方式组装异步代码。这里我们将介绍6个最简单的特性。         在我们开始正式介绍之前，我们想看看Javascript Promise的样子： var p = new Promise(function(r
  • [Zookeeper学习笔记之八]Zookeeper源代码分析之Zookeeper.ZKWatchManager bit1129 zookeeper
    ClientWatchManager接口 //接口的唯一方法materialize用于确定那些Watcher需要被通知 //确定Watcher需要三方面的因素1.事件状态 2.事件类型 3.znode的path public interface ClientWatchManager { /** * Return a set of watchers that should
  • 【Scala十五】Scala核心九：隐式转换之二 bit1129 scala
    隐式转换存在的必要性，   在Java Swing中，按钮点击事件的处理，转换为Scala的的写法如下：   val button = new JButton button.addActionListener( new ActionListener { def actionPerformed(event: ActionEvent) {
  • Android JSON数据的解析与封装小Demo ronin47
    转自：http://www.open-open.com/lib/view/open1420529336406.html package com.example.jsondemo; import org.json.JSONArray; import org.json.JSONException; import org.json.JSONObject;    impor
  • [设计]字体创意设计方法谈 brotherlamp UIui自学ui视频ui教程ui资料
      从古至今，文字在我们的生活中是必不可少的事物，我们不能想象没有文字的世界将会是怎样。在平面设计中，UI设计师在文字上所花的心思和功夫最多，因为文字能直观地表达UI设计师所的意念。在文字上的创造设计，直接反映出平面作品的主题。 如设计一幅戴尔笔记本电脑的广告海报，假设海报上没有出现“戴尔”两个文字，即使放上所有戴尔笔记本电脑的图片都不能让人们得知这些电脑是什么品牌。只要写上“戴尔笔
  • 单调队列-用一个长度为k的窗在整数数列上移动，求窗里面所包含的数的最大值 bylijinnan java算法面试题
    import java.util.LinkedList; /* 单调队列 滑动窗口 单调队列是这样的一个队列：队列里面的元素是有序的，是递增或者递减 题目：给定一个长度为N的整数数列a(i),i=0,1,...,N-1和窗长度k. 要求：f(i) = max{a(i-k+1),a(i-k+2),..., a(i)},i = 0,1,...,N-1 问题的另一种描述就
  • struts2处理一个form多个submit chiangfai struts2
    web应用中，为完成不同工作，一个jsp的form标签可能有多个submit。如下代码： <s:form action="submit" method="post" namespace="/my"> <s:textfield name="msg" label="叙述：">
  • shell查找上个月，陷阱及野路子 chenchao051 shell
    date -d "-1 month" +%F     以上这段代码，假如在2012/10/31执行，结果并不会出现你预计的9月份，而是会出现八月份，原因是10月份有31天，9月份30天，所以-1 month在10月份看来要减去31天，所以直接到了8月31日这天，这不靠谱。     野路子解决：假设当天日期大于15号
  • mysql导出数据中文乱码问题 daizj mysql中文乱码导数据
    解决mysql导入导出数据乱码问题方法： １、进入mysql，通过如下命令查看数据库编码方式： mysql>  show variables like 'character_set_%'; +--------------------------+----------------------------------------+ | Variable_name&nbs
  • SAE部署Smarty出现：Uncaught exception 'SmartyException' with message 'unable to write dcj3sjt126com PHPsmartysae
      对于SAE出现的问题：Uncaught exception 'SmartyException' with message 'unable to write file...。 官方给出了详细的FAQ：http://sae.sina.com.cn/?m=faqs&catId=11#show_213 解决方案为：   01 $path 
  • 《教父》系列台词 dcj3sjt126com
    Your love is also your weak point. 你的所爱同时也是你的弱点。   If anything in this life is certain, if history has taught us anything, it is that you can kill anyone.   不顾家的人永远不可能成为一个真正的男人。 &
  • mongodb安装与使用 dyy_gusi mongo
    一.MongoDB安装和启动,widndows和linux基本相同 1.下载数据库,     linux:mongodb-linux-x86_64-ubuntu1404-3.0.3.tgz 2.解压文件,并且放置到合适的位置     tar -vxf mongodb-linux-x86_64-ubun
  • Git排除目录 geeksun git
    在Git的版本控制中，可能有些文件是不需要加入控制的，那我们在提交代码时就需要忽略这些文件，下面讲讲应该怎么给Git配置一些忽略规则。   有三种方法可以忽略掉这些文件，这三种方法都能达到目的，只不过适用情景不一样。 1.  针对单一工程排除文件 这种方式会让这个工程的所有修改者在克隆代码的同时，也能克隆到过滤规则，而不用自己再写一份，这就能保证所有修改者应用的都是同一
  • Ubuntu 创建开机自启动脚本的方法 hongtoushizi ubuntu
    转载自： http://rongjih.blog.163.com/blog/static/33574461201111504843245/ Ubuntu 创建开机自启动脚本的步骤如下： 1) 将你的启动脚本复制到 /etc/init.d目录下 以下假设你的脚本文件名为 test。   2) 设置脚本文件的权限 $ sudo chmod 755
  • 第八章 流量复制/AB测试/协程 jinnianshilongnian nginxluacoroutine
    流量复制 在实际开发中经常涉及到项目的升级，而该升级不能简单的上线就完事了，需要验证该升级是否兼容老的上线，因此可能需要并行运行两个项目一段时间进行数据比对和校验，待没问题后再进行上线。这其实就需要进行流量复制，把流量复制到其他服务器上，一种方式是使用如tcpcopy引流；另外我们还可以使用nginx的HttpLuaModule模块中的ngx.location.capture_multi进行并发
  • 电商系统商品表设计 lkl
    DROP TABLE IF EXISTS `category`; -- 类目表 /*!40101 SET @saved_cs_client = @@character_set_client */; /*!40101 SET character_set_client = utf8 */; CREATE TABLE `category` ( `id` int(11) NOT NUL
  • 修改phpMyAdmin导入SQL文件的大小限制 pda158 sqlmysql
    　用phpMyAdmin导入mysql数据库时，我的10M的 数据库不能导入，提示mysql数据库最大只能导入2M。 　　 phpMyAdmin数据库导入出错： 　　You probably tried to upload too large file. Please refer to documentation for ways to workaround this limit.
  • Tomcat性能调优方案 Sobfist apachejvmtomcat应用服务器
    一、操作系统调优 对于操作系统优化来说，是尽可能的增大可使用的内存容量、提高CPU的频率，保证文件系统的读写速率等。经过压力测试验证，在并发连接很多的情况下，CPU的处理能力越强，系统运行速度越快。。 【适用场景】 任何项目。 二、Java虚拟机调优 应该选择SUN的JVM，在满足项目需要的前提下，尽量选用版本较高的JVM，一般来说高版本产品在速度和效率上比低版本会有改进。 J
  • SQLServer学习笔记 vipbooks 数据结构xml
    1、create database school 创建数据库school 2、drop database school 删除数据库school 3、use school 连接到school数据库，使其成为当前数据库 4、create table class(classID int primary key identity not null) 创建一个名为class的表，其有一
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他