- 机器学习学习笔记（吴恩达）（第三课第一周）（无监督算法，K-means、异常检测）
kgbkqLjm
吴恩达机器学习2022机器学习算法学习
欢迎聚类算法：无监督学习：聚类、异常检测推荐算法：强化学习：聚类（Clustering）聚类算法：查看大量数据点并自动找到彼此相关或相似的数据点。是一种无监督学习算法聚类与二院监督学习算法对比：无监督：（聚类是无监督学习算法之一）聚类算法应用：如相似的新闻文章组合，市场细分，DNA数据分析，天文数据分析（星系、天体结构）K-means算法是一种常用的聚类算法原理概述【K-means工作原理过程】（
- 机器学习学习笔记（八）多项式回归与模型泛化
下雨天的小白鞋
对非线性的数据进行处理，相应的预测----添加新的特征：原有的特征进行多项式组合scikit-learn中的多项式回归PolynomialFeatures构建特征导包：fromsklearn.preprocessingimportPolynomialFeatures实例：poly=PolynomialFeatures(degree=2)##最多二次幂特征poly.fit(X)X2=poly.tra
- 机器学习学习笔记——数学篇
小胡爱喝水
机器学习
数学中常见的argmin,argmax表示的是什么意思arg是英文单词argument(自变量)的缩写，所以从字面意义上也就可以看出其代表的意思就是求对应自变量的最大最小值。例如：(w∗,b∗w^*,b^*w∗,b∗)=argmin∑1m\sum_1^m∑1m(f(xi)−yif(x_i)-y_if(xi)−yi)求均方误差最小化时的w∗,b∗w^*,b^*w∗,b∗。argmax类似。
- 机器学习学习笔记（3）——量纲与无量纲，标准化、归一化、正则化
野指针小李
数学机器学习机器学习标准化归一化正则化量纲
量纲、无量纲，标准化、归一化、正则化是我百度了很多次都不进脑子的知识，所以我决定还是放在博客上面。不过鉴于我查阅了很多资料，说是有许多的坑，所以我也不清楚我的理解和解释是否是坑，具体的就留给各位来帮忙评判了！目录1量纲与无量纲1.1量纲1.2无量纲2标准化3归一化4正则化5总结6参考1量纲与无量纲1.1量纲量纲我觉得最重要的一句话是：物理量的大小与单位有关。从这句话我们来思考下最核心的两个单词：大
- 机器学习学习笔记 1 Bagging模型
锋锋的快乐小窝
机器学习学习笔记机器学习笔记决策树
Bagging模型Bagging全称（bootstrapaggregation）并行训练一堆分类器的集成方法。每个基模型可以分别、独立、互不影响地生成最典型的代表就是随机森林随机：数据采样随机，特征选择随机森林：很多决策树并行放在一起由于二重随机性，使得每个树基本上都不会一样，最终的结果也会不一样之所以随机选择，是要保证泛化能力，如果树都一样，那就失去参考价值随机森林（RF）的优势：它能够处理很高
- 李宏毅机器学习学习笔记——自注意力机制
jolando
学习笔记机器学习深度学习
self-attention应用场景为什么要使用Self-attention?Self-attention计算过程PositionalEncodingSelf-attention的变体Multi-headSelf-attentionTruncatedSelf-attentionSelf-attention与其他神经网络的比较Self-attentionv.s.CNNSelf-attentionv.
- 机器学习学习笔记——第一章：绪论
福旺旺
机器学习机器学习
机器学习机器学习学习笔记——第一章：绪论文章目录机器学习机器学习学习笔记——第一章：绪论机器学习即为构建一个机器调参的映射函数。要进行机器学习，先要有数据。一、基础术语1.1、数据准备阶段1.2、学得模型阶段1.3、测试模型阶段1.4、典型的机器学习过程1.5、总结二、假设空间三、归纳偏好四、机器学习理论五、机器学习的现实应用机器学习即为构建一个机器调参的映射函数。要进行机器学习，先要有数据。一、
- 机器学习学习笔记——第二章：模型评估与选择
福旺旺
机器学习机器学习人工智能
机器学习机器学习学习笔记——第二章：模型评估与选择文章目录机器学习一、经验误差与过拟合1.1、经验误差与泛化误差1.2、过拟合与欠拟合二、三个问题三、评估方法3.1、留出法（hold-out）3.2、k折-交叉验证法（k-foldcrossvalidation）3.3、自助法（bootstrap）3.4、调参与最终模型四、性能度量4.1、错误率与精度4.2、查准率、查全率与F14.3、ROC与AU
- Python机器学习实践（一）多项式拟合（简单房价预测）
AiTingDeTong
Python机器学习python机器学习人工智能数据分析
Python机器学习学习笔记与实践环境：win10+Anaconda3.8例子一源自《Python与机器学习实战》—何宇健任务：现有47个房子的面积和价格，需要建立一个模型对房价进行预测。1、获取和处理数据房子的面积与价格对应的数据点击下面获得：点击此处获取导入库，并读取文本文件的数据：importnumpyasnpimportmatplotlib.pyplotasplt#读取房子面积和对应的价格
- 【机器学习学习笔记】机器学习入门&监督学习
MikeBennington
机器学习学习笔记机器学习学习人工智能
1.机器学习入门1.1WhatisMachineLearning?"Fieldofstudythatgivescomputerstheabilitytolearnwithoutbeingexplicitlyprogrammed."——ArthurSamuel(1959)亚瑟·萨缪尔：跳棋程序编写者常用机器学习算法：Supervisedlearning(moreimportant)Unsupervi
- 【李宏毅机器学习】Gradient Descent_1 梯度下降（p5、p6、p7 ）学习笔记
duanyuchen
MachineLearning机器学习李宏毅学习笔记
李宏毅机器学习学习笔记汇总课程链接文章目录ReviewGradientDescentTipsTip1:Tuningyourlearningrate小心微调你的学习率Tip2StochasticGradientDescentSGD随机梯度下降Tip3FeatureScaling特征缩放GradientDescentReview在第三步，找一个最好的function，解一个optimization最优
- python机器学习学习笔记（六）
weixin_46753186
python机器学习python数据分析支持向量机机器学习
支持向量机分类实例：用SVM分类器对Iris数据集分析并绘制分类图1.线性importnumpyasnpimportmatplotlib.pyplotaspltfromsklearnimportsvm,datasetsiris=datasets.load_iris()x=iris.data[:,:2]#iris数据萼片的长和宽y=iris.targetsvc=svm.SVC(kernel='lin
- 机器学习学习笔记（二）环境搭建
下雨天的小白鞋
语言基础：Python3IDE:Pycharm集成环境：anacoda一.Anacoda下载地址：https://www.anaconda.com/download/下载页面下载-安装安装成功后打开AnacondaNavigator选择jupyterlaunch等会会出现二.Pycharm下载地址：https://www.jetbrains.com/pycharm/download/#sectio
- 机器学习学习笔记（一）基础
下雨天的小白鞋
一.开发环境框架：scikit-learn工具：pycharm，ANACONDA二．开发基础2.1概念数据集下载：scikit-learn内置数据集或者直接下载的数据集：数据整体样本：每一行数据特征：除最后一列，每一列表达样本的一个特征标记：最后一列特征值、特征向量、特征空间2.2基本任务：分类任务、回归任务2.2.1分类任务二分类任务：例如：判断邮件是否为垃圾邮件多分类任务：图像识别，数字识别多
- 机器学习学习笔记2（Ng课程cs229）
-慢慢-
AI机器学习学习笔记cs229高斯混合模型朴素贝叶斯
牛顿方法简单的来说就是通过求当前点的导数得到下一个点.用到的性质是导数值等于该点切线和横轴夹角的正切值.极大似然估计收敛速度：quadraticconversions二次收敛θ为矩阵时每次迭代都需要重新计算H->nxn特征较多时计算量比较大极大似然估计可以推导：高斯分布=>最小二乘法伯努利分布=>logistic回归指数分布族exponentialfamilydistributionp(y;η)=
- python机器学习学习笔记——学习资源汇总
那么CHEN
pythonpython机器学习人工智能编程语言大数据
参考资料Python集成开发环境(IDE)[1]IDLE:Python解释器默认工具[2]VisualStudioCode:https://code.visualstudio.com/[3]PyCharm:https://www.jetbrains.com/pycharm/[4]Anaconda:https://www.continuum.io/参考教程[1]《Python语言程序设计基础(第2版
- 机器学习学习笔记之——模型评估与改进之交叉验证和网格搜索
前丨尘忆·梦
tensorflow深度学习机器学习
交叉验证与网格搜索前面讨论了监督学习和无监督学习的基本原理，并探索了多种机器学习算法，本章我们深入学习模型评估与参数选择。我们将重点介绍监督方法，包括回归与分类，因为在无监督学习中，模型评估与选择通常是一个非常定性的过程。到目前为止，为了评估我们的监督模型，我们使用train_test_split函数将数据集划分为训练集和测试集，在训练集上调用fit方法来构建模型，并且在测试集上用score方法来
- python机器学习学习笔记（五）
weixin_46753186
python机器学习python机器学习支持向量机数据分析
非线性支持向量机分类1.三次多项式用多项式曲线把决策空间分成两部分kernel='poly'，degree为多项式次数importnumpyasnpimportmatplotlib.pyplotaspltfromsklearnimportsvmx=np.array([[1,3],[1,2],[1,1.5],[1.5,2],[2,3],[2.5,1.5],[2,1],[3,1],[3,2],[3.5
- 机器学习学习笔记week1
yangqingao
深度学习机器学习
week11引言1.1机器学习是什么？1.2监督学习1.3无监督学习2单变量线性回归2.1模型表示2.2代价函数2.3代价函数的直观理解I2.4代价函数的直观理解II2.5梯度下降2.6梯度下降的直观理解2.7梯度下降的线性回归3线性代数回顾3.1矩阵和向量3.2加法和标量乘法3.3矩阵向量乘法3.4矩阵乘法3.5矩阵乘法的性质3.6逆、转置1引言1.1机器学习是什么？ArthurSamuel：在
- 机器学习 学习笔记（持续更新）
Include everything
学习算法
机器学习学习笔记一、导论1.1什么是机器学习？ 机器学习是在没有明确设置的情况下使计算机具有学习能力的研究领域。(ArthurSamuel-1959) 计算机程序从经验E（计算机自己与自己下成千上百万次棋）中学习，解决某一任务T（下跳棋），进行某一性能度量P（与新对手玩跳棋时赢的概率），通过P测定在T上的表现因经验E而提高的程度。(TomMitchell-1998) 机器学习算法最主要分为监
- 机器学习学习笔记（1）
后季暖
字典特征提取第一列表示北京第二列表示上海第三列表示深圳第四列表示温度前面三列是的话用1不是的话用0什么时候用稀疏矩阵：比如上面这种情况当你的城市很多的情况下那这样就会出现大量的0而系数矩阵只存储不是0的位置可以节省大量空间为什么采用这种表示方法呢？首先我们来看假如要分类：人是1企鹅是2章鱼是3那么这样数字表示的就存在优先级不如按这种办法来pclass是一等舱二等舱三等舱这种字典特征抽取的应用场景：
- 机器学习学习笔记——batchsize越大越好？
phily123
机器学习学习笔记深度学习神经网络机器学习
batchsize不是越大越好使用mini-batch好处：提高了运行效率，相比batch-GD的每个epoch只更新一次参数，使用mini-batch可以在一个epoch中多次更新参数，加速收敛。解决了某些任务中，训练集过大，无法一次性读入内存的问题。虽然第一点是mini-batch提出的最初始的原因，但是后来人们发现，使用mini-batch还有个好处，即每次更新时由于没有使用全量数据而仅仅使
- 机器学习学习笔记（一）
图南zzz
python机器学习人工智能算法
目录机器学习笔记（一）一、模型评估二、监督学习三、无监督学习四、单变量线性回归(LinearRegressionwithOneVariable)3.1代价函数（平方误差函数）（损失函数）3.2梯度下降3.3梯度下降的线性回归五、多变量线性回归(LinearRegressionwithMultipleVariables)4.1多维特征4.2多变量梯度下降4.3梯度下降之特征缩放六、正规方程六、逻辑回
- 机器学习学习笔记之——监督学习之线性模型
前丨尘忆·梦
tensorflow深度学习机器学习
线性模型线性模型利用输入特征的线性函数（linearfunction）进行预测。1、用于回归的线性模型对于回归问题，线性模型预测的一般公式如下：y^=w[0]∗x[0]+w[1]∗x[1]+...+w[p]∗x[p]+b\hat{y}=w[0]*x[0]+w[1]*x[1]+...+w[p]*x[p]+by^=w[0]∗x[0]+w[1]∗x[1]+...+w[p]∗x[p]+b这里x[0]到x[
- 机器学习学习笔记（一）——多元线性回归（Multivariate Linear Regression）
lancetop-stardrms
机器学习机器学习
多元线性回归（multivariatelinearregression）：在线性回归问题（Linearregression）中，引入多个特征变量（MultipleFeatures）作为输入，也被称为“多元线性回归（MultivariateLinearRegression）”.符号定义：假设函数（hypothesisfunction）：Themultivariableformofthehypothe
- 吴恩达机器学习学习笔记——Week 2——多元线性回归（Multivariate Linear Regression）
预见未来to50
机器学习深度学习（MLDeepLearning）
一、课件及课堂练习1.多个特征值（多变量）课堂练习：2.多元梯度下降课堂练习：3.梯度下降实践1——特征值缩放（均值归一化）课堂练习：4.梯度下降实践2——学习率课堂练习：5.特征数量及多项式回归课堂练习：6.标准方程课堂练习：7.标准方程法可能遇到不可逆问题二、内容概要1.多个特征值2.多元梯度下降3.梯度下降实践1——特征值缩放4.梯度下降实践2——学习率5.特征数量及多项式回归6.标准方程7
- 机器学习学习笔记之：loss function损失函数及activation function激活函数
csdshelton
之所以把损失函数和激活函数放在一起做个总结，是因为本身这两都带函数，都是机器学习中的内容，很容易混在一起，第二点，这两者总是一起出现，根据任务的不同，可能出现不同的排列组合。因此想一起整理一下。不同的机器学习方法的损失函数DifferentLossfunctionsfordifferentmachinelearningMethods不同的机器学习方法，损失函数不一样，quadraticloss(平
- Python机器学习学习笔记之——引言
前丨尘忆·梦
tensorflow深度学习机器学习
引言mglearn库的下载地址：链接：https://pan.baidu.com/s/1FkRGBFgtjqsZTikLEJbtzg提取码：4db0机器学习是从数据中提取知识。它是统计学、人工智能和计算机科学交叉的研究领域，也被称为预测分析或统计学习。1、为何选择机器学习在“智能”应用早期，许多系统使用人为制定的“if”和“else”决策规则来处理数据，或根据用户输入的内容进行调整。但人为制定决策
- 《机器学习》周志华(西瓜书)学习笔记 第八章 集成学习
Sundm@lhq
机器学习西瓜书学习笔记机器学习学习笔记集成学习周志华
机器学习学习笔记4总目录第八章集成学习8.1个体与集成集成学习(ensemblelearning)通过构建并结合多个学习器来完成学习任务，有时也被称为多分类器系统(multi-classifiersystem)、基于委员会的学习(committee-basedlearning)等.集成学习的一般结构:先产生一组"个体学习器"(individuallearner)，再用某种策略将它们结合起来。同质集
- 【李宏毅机器学习】Recurrent Neural Network Part1 循环神经网络（p20） 学习笔记
duanyuchen
MachineLearning机器学习李宏毅学习笔记
李宏毅机器学习学习笔记汇总课程链接文章目录ExampleApplicationSlotFilling把词用向量来表示的方法1-of-Nencoding/one-hotBeyond1-of-Nencoding存在的问题RecurrentNeuralNetwork（RNN）ExampleRNN处理slotsfilling问题Ofcourseitcanbedeep...RNN的变形ElmanNetwor
- java Illegal overloaded getter method with ambiguous type for propert的解决
zwllxs
javajdk
好久不来iteye,今天又来看看，哈哈,今天碰到在编码时，反射中会抛出
Illegal overloaded getter method with ambiguous type for propert这么个东东，从字面意思看，是反射在获取getter时迷惑了，然后回想起java在boolean值在生成getter时，分别有is和getter，也许我们的反射对象中就有is开头的方法迷惑了jdk，
- IT人应当知道的10个行业小内幕
beijingjava
工作互联网
10. 虽然IT业的薪酬比其他很多行业要好，但有公司因此视你为其“佣人”。
尽管IT人士的薪水没有互联网泡沫之前要好，但和其他行业人士比较，IT人的薪资还算好点。在接下的几十年中，科技在商业和社会发展中所占分量会一直增加，所以我们完全有理由相信，IT专业人才的需求量也不会减少。
然而，正因为IT人士的薪水普遍较高，所以有些公司认为给了你这么多钱，就把你看成是公司的“佣人”，拥有你的支配
- java 实现自定义链表
CrazyMizzz
java数据结构
1.链表结构
链表是链式的结构
2.链表的组成
链表是由头节点，中间节点和尾节点组成
节点是由两个部分组成：
1.数据域
2.引用域
3.链表的实现
&nbs
- web项目发布到服务器后图片过一会儿消失
麦田的设计者
struts2上传图片永久保存
作为一名学习了android和j2ee的程序员，我们必须要意识到，客服端和服务器端的交互是很有必要的，比如你用eclipse写了一个web工程，并且发布到了服务器（tomcat）上，这时你在webapps目录下看到了你发布的web工程，你可以打开电脑的浏览器输入http://localhost:8080/工程/路径访问里面的资源。但是，有时你会突然的发现之前用struts2上传的图片
- CodeIgniter框架Cart类 name 不能设置中文的解决方法
IT独行者
CodeIgniterCart框架
今天试用了一下CodeIgniter的Cart类时遇到了个小问题，发现当name的值为中文时，就写入不了session。在这里特别提醒一下。 在CI手册里也有说明，如下：
$data = array(
'id' => 'sku_123ABC',
'qty' => 1,
'
- linux回收站
_wy_
linux回收站
今天一不小心在ubuntu下把一个文件移动到了回收站，我并不想删，手误了。我急忙到Nautilus下的回收站中准备恢复它，但是里面居然什么都没有。 后来我发现这是由于我删文件的地方不在HOME所在的分区，而是在另一个独立的Linux分区下，这是我专门用于开发的分区。而我删除的东东在分区根目录下的.Trash-1000/file目录下，相关的删除信息（删除时间和文件所在
- jquery回到页面顶端
知了ing
htmljquerycss
html代码：
<h1 id="anchor">页面标题</h1>
<div id="container">页面内容</div>
<p><a href="#anchor" class="topLink">回到顶端</a><
- B树、B-树、B+树、B*树
矮蛋蛋
B树
原文地址：
http://www.cnblogs.com/oldhorse/archive/2009/11/16/1604009.html
B树
即二叉搜索树：
1.所有非叶子结点至多拥有两个儿子（Left和Right）；
&nb
- 数据库连接池
alafqq
数据库连接池
http://www.cnblogs.com/xdp-gacl/p/4002804.html
@Anthor:孤傲苍狼
数据库连接池
用MySQLv5版本的数据库驱动没有问题，使用MySQLv6和Oracle的数据库驱动时候报如下错误：
java.lang.ClassCastException: $Proxy0 cannot be cast to java.sql.Connec
- java泛型
百合不是茶
java泛型
泛型
在Java SE 1.5之前，没有泛型的情况的下，通过对类型Object的引用来实现参数的“任意化”，任意化的缺点就是要实行强制转换，这种强制转换可能会带来不安全的隐患
泛型的特点：消除强制转换 确保类型安全 向后兼容
简单泛型的定义：
泛型：就是在类中将其模糊化，在创建对象的时候再具体定义
class fan
- javascript闭包[两个小测试例子]
bijian1013
JavaScriptJavaScript
一.程序一
<script>
var name = "The Window";
var Object_a = {
name : "My Object",
getNameFunc : function(){
var that = this;
return function(){
- 探索JUnit4扩展：假设机制（Assumption）
bijian1013
javaAssumptionJUnit单元测试
一.假设机制（Assumption）概述 理想情况下，写测试用例的开发人员可以明确的知道所有导致他们所写的测试用例不通过的地方，但是有的时候，这些导致测试用例不通过的地方并不是很容易的被发现，可能隐藏得很深，从而导致开发人员在写测试用例时很难预测到这些因素，而且往往这些因素并不是开发人员当初设计测试用例时真正目的，
- 【Gson四】范型POJO的反序列化
bit1129
POJO
在下面这个例子中，POJO(Data类)是一个范型类，在Tests中，指定范型类为PieceData，POJO初始化完成后，通过
String str = new Gson().toJson(data);
得到范型化的POJO序列化得到的JSON串，然后将这个JSON串反序列化为POJO
import com.google.gson.Gson;
import java.
- 【Spark八十五】Spark Streaming分析结果落地到MySQL
bit1129
Stream
几点总结：
1. DStream.foreachRDD是一个Output Operation，类似于RDD的action，会触发Job的提交。DStream.foreachRDD是数据落地很常用的方法
2. 获取MySQL Connection的操作应该放在foreachRDD的参数（是一个RDD[T]=>Unit的函数类型)，这样，当foreachRDD方法在每个Worker上执行时，
- NGINX + LUA实现复杂的控制
ronin47
nginx lua
安装lua_nginx_module 模块
lua_nginx_module 可以一步步的安装，也可以直接用淘宝的OpenResty
Centos和debian的安装就简单了。。
这里说下freebsd的安装：
fetch http://www.lua.org/ftp/lua-5.1.4.tar.gz
tar zxvf lua-5.1.4.tar.gz
cd lua-5.1.4
ma
- java-递归判断数组是否升序
bylijinnan
java
public class IsAccendListRecursive {
/*递归判断数组是否升序
* if a Integer array is ascending,return true
* use recursion
*/
public static void main(String[] args){
IsAccendListRecursiv
- Netty源码学习-DefaultChannelPipeline2
bylijinnan
javanetty
Netty3的API
http://docs.jboss.org/netty/3.2/api/org/jboss/netty/channel/ChannelPipeline.html
里面提到ChannelPipeline的一个“pitfall”：
如果ChannelPipeline只有一个handler（假设为handlerA）且希望用另一handler（假设为handlerB）
来
- Java工具之JPS
chinrui
java
JPS使用
熟悉Linux的朋友们都知道，Linux下有一个常用的命令叫做ps（Process Status)，是用来查看Linux环境下进程信息的。同样的，在Java Virtual Machine里面也提供了类似的工具供广大Java开发人员使用，它就是jps（Java Process Status)，它可以用来
- window.print分页打印
ctrain
window
function init() {
var tt = document.getElementById("tt");
var childNodes = tt.childNodes[0].childNodes;
var level = 0;
for (var i = 0; i < childNodes.length; i++) {
- 安装hadoop时 执行jps命令Error occurred during initialization of VM
daizj
jdkhadoopjps
在安装hadoop时，执行JPS出现下面错误
[slave16]
[email protected]:/tmp/hsperfdata_hdfs# jps
Error occurred during initialization of VM
java.lang.Error: Properties init: Could not determine current working
- PHP开发大型项目的一点经验
dcj3sjt126com
PHP重构
一、变量 最好是把所有的变量存储在一个数组中，这样在程序的开发中可以带来很多的方便，特别是当程序很大的时候。变量的命名就当适合自己的习惯，不管是用拼音还是英语，至少应当有一定的意义，以便适合记忆。变量的命名尽量规范化，不要与PHP中的关键字相冲突。 二、函数 PHP自带了很多函数，这给我们程序的编写带来了很多的方便。当然，在大型程序中我们往往自己要定义许多个函数，几十
- android笔记之--向网络发送GET/POST请求参数
dcj3sjt126com
android
使用GET方法发送请求
private static boolean sendGETRequest (String path,
Map<String, String> params) throws Exception{
//发送地http://192.168.100.91:8080/videoServi
- linux复习笔记 之bash shell (3) 通配符
eksliang
linux 通配符linux通配符
转载请出自出处：
http://eksliang.iteye.com/blog/2104387
在bash的操作环境中有一个非常有用的功能，那就是通配符。
下面列出一些常用的通配符，如下表所示 符号 意义 * 万用字符，代表0个到无穷个任意字符 ? 万用字符，代表一定有一个任意字符 [] 代表一定有一个在中括号内的字符。例如：[abcd]代表一定有一个字符，可能是a、b、c
- Android关于短信加密
gqdy365
android
关于Android短信加密功能，我初步了解的如下（只在Android应用层试验）：
1、因为Android有短信收发接口，可以调用接口完成短信收发；
发送过程：APP（基于短信应用修改）接受用户输入号码、内容——>APP对短信内容加密——>调用短信发送方法Sm
- asp.net在网站根目录下创建文件夹
hvt
.netC#hovertreeasp.netWeb Forms
假设要在asp.net网站的根目录下建立文件夹hovertree,C#代码如下：
string m_keleyiFolderName = Server.MapPath("/hovertree");
if (Directory.Exists(m_keleyiFolderName))
{
//文件夹已经存在
return;
}
else
{
try
{
D
- 一个合格的程序员应该读过哪些书
justjavac
程序员书籍
编者按：2008年8月4日，StackOverflow 网友 Bert F 发帖提问：哪本最具影响力的书，是每个程序员都应该读的？
“如果能时光倒流，回到过去，作为一个开发人员，你可以告诉自己在职业生涯初期应该读一本， 你会选择哪本书呢？我希望这个书单列表内容丰富，可以涵盖很多东西。”
很多程序员响应，他们在推荐时也写下自己的评语。 以前就有国内网友介绍这个程序员书单，不过都是推荐数
- 单实例实践
跑龙套_az
单例
1、内部类
public class Singleton {
private static class SingletonHolder {
public static Singleton singleton = new Singleton();
}
public Singleton getRes
- PO VO BEAN 理解
q137681467
VODTOpo
PO：
全称是 persistant object持久对象 最形象的理解就是一个PO就是数据库中的一条记录。 好处是可以把一条记录作为一个对象处理，可以方便的转为其它对象。
BO：
全称是 business object:业务对象 主要作用是把业务逻辑封装为一个对象。这个对
- 战胜惰性，暗自努力
金笛子
努力
偶然看到一句很贴近生活的话：“别人都在你看不到的地方暗自努力，在你看得到的地方，他们也和你一样显得吊儿郎当，和你一样会抱怨，而只有你自己相信这些都是真的，最后也只有你一人继续不思进取。”很多句子总在不经意中就会戳中一部分人的软肋，我想我们每个人的周围总是有那么些表现得“吊儿郎当”的存在，是否你就真的相信他们如此不思进取，而开始放松了对自己的要求随波逐流呢？
我有个朋友是搞技术的，平时嘻嘻哈哈，以
- NDK/JNI二维数组多维数组传递
wenzongliang
二维数组jniNDK
多维数组和对象数组一样处理，例如二维数组里的每个元素还是一个数组 用jArray表示，直到数组变为一维的，且里面元素为基本类型，去获得一维数组指针。给大家提供个例子。已经测试通过。
Java_cn_wzl_FiveChessView_checkWin( JNIEnv* env,jobject thiz,jobjectArray qizidata)
{
jint i,j;
int s
