- 赠书 | 李航老师的蓝皮书
茗创科技
赠书活动统计学习方法“统计机器学习方法是实现智能化目标的最有效的手段,统计机器学习是各种智能性处理研究领域中的核心技术,并且在这些领域的发展及应用中起着决定性的作用。”作者简介李航,日本京都大学电气电子工程系毕业,日本东京大学计算机科学博士。北京大学、南京大学客座教授,IEEE会士,ACM杰出科学家,CCF高级会员。研究方向包括信息检索,自然语言处理,统计机器学习,及数据挖掘。曾出版过三部学术专著
- 人工智能值得关注的技术研究方向
喜欢打酱油的老鸟
人工智能人工智能值得关注的技术研究方向
人工智能值得关注的技术研究方向为了更好地破除上述人工智能技术研究的瓶颈问题,在AI学术研究领域,一些新的技术发展趋势和研究方向也值得关注,包括:(1)从专用人工智能到通用人工智能是大势所趋,一些科技巨头包括国家机构都在布局通用人工智能的研究,微软成立人工智能实验室以挑战通用人工智能为主要目标;(2)可解释的人工智能系统备受关注,也将成为突破统计学习瓶颈问题的一个重要方向。DARPA的报告:第一个波
- 机器学习入门--支持向量机原理与实践
Dr.Cup
机器学习入门支持向量机机器学习算法
支持向量机模型支持向量机(SupportVectorMachine,SVM)是一种常用的监督学习算法,主要用于分类和回归问题。它的原理简单而强大,在许多实际应用中取得了很好的效果。原理支持向量机(SupportVectorMachine,SVM)是一种常用的机器学习算法,用于分类和回归问题。其原理是基于统计学习理论中的结构风险最小化原则。SVM的主要思想是将数据通过一个高维特征空间进行映射,使得在
- 统计学习方法(李航)--第二章 感知机(比较基础)
人間煙火Just
感知机是二分类的线性分类模型,属于判别模型,包括原始形式和对偶形式。(一)感知机模型公式为:f是输出,x是输入,w和b是参数,sign是符号函数(大于0为1,小于0为-1)几何解释:对于特征空间Rn中的一个超平面S,w是S的法向量,b是截距,将超平面空间划分为两个部分,完成2分类任务。(二)学习策略1.数据集的线性可分性:若存在wx+b的超平面可以将数据集完全分割,则称为线性可分。2.学习策略(以
- 机器学习系列(8)——提升树与GBDT算法
陌简宁
机器学习
本文介绍提升树模型与GBDT算法。0x01、提升树模型提升树是以分类树或回归树为基本分类器的提升方法。提升树被认为是统计学习中性能最好的方法之一。提升方法实际采用加法模型(即基函数的线性组合)与前向分步算法,以决策树为基函数的提升方法称为提升树(boostingtree)。对分类问题决策树是二叉分类树,对回归问题决策树是二叉回归树。提升树模型可以表示为决策树的加法模型:其中,表示决策树,为决策树的
- 概率统计学习打卡——数理统计与描述性分析
xtsqmx
1.数理统计的基本概念总体:研究对象的全体(X)个体:组成总体的每个基本单元样本:从总体中抽取的一部分个体()简单随机样本:具有随机性和独立性的样本,即样本相互独立具有同一分布样本的两重性:抽样前是随机变量,抽样后是具体的数统计量:样本的函数,不含有任何未知参数抽样分布:统计量的分布2.常用的统计量样本均值:用来估计总体均值和对对有关总体均值的假设做检验样本方差:用来估计总体方差和对有关总体方差的
- 统计学习方法笔记之决策树
Aengus_Sun
更多文章可以访问我的博客Aengus|Blog决策树的概念比较简单,可以将决策树看做一个if-then集合:如果“条件1”,那么...。决策树学习的损失函数通常是正则化后极大似然函数,学习的算法通常是一个递归的选择最优特征,并根据该特征对训练数据进行分割,使得对各个子数据集有一个最好的分类的过程。可以看出,决策树算法一般包含特征选择,决策树的生成与决策树的剪枝过程。特征选择信息增益熵和条件熵在了解
- 用户体验度量-量化用户体验的统计学方法
挖泥巴
用户体验度量-量化用户体验的统计学方法作者:JeffSauro/JamesR.Lewis本书含有大量的统计学方法,用统计学方法来量化用户体验的度量问题。如果会统计学习或有打算往这个方向发展的用研同学可以参考。怎么说也是解决掉了一个大难题,既你的数据客观吗?要客观就按书上的来吧。用户研究的主要工作是对用户、目标、需求和行为能力的系统研究,用于指导产品设计及产品经营体验度量的基础都是围绕可用性测试、参
- 统计学习03:参数、统计量&标准误、置信区间
小贝学生信
要点一:参数与统计量参数(parameter)描述总体(population)的概括性度量;统计参数必须要在整体数据都可被观察的时候才能计算,通常由于数量过大而不便于统计计算;例如,一个完美的人口普查。统计参数一般是固定的,但难以确定;参数一般用希腊字母表示,例如总体均值μ、标准差σ统计量(statistic)描述样本(sample)的概括性度量;一般根据统计量来估计总体参数,即为参数点估计;样本
- 【深度学习理论】持续更新
一轮秋月
科研基础深度学习人工智能
文章目录1.统计学习理论1.统计学习理论统计学习理论,一款适合零成本搞深度学习的大冤种的方向从人类学习到机器学习的对比(学习的过程分为归纳和演绎),引出泛化和过拟合的概念。如何表示归纳的函数规律呢?以监督问题为例,需要学习X到Y的映射,先做假设空间,为了使假设空间和真实映射接近,需要损失函数来优化假设空间。学习的目的是学习数据的分布而不是每一个数据点本身,所以希望期望风险最小(期望风险即假设在数据
- 《统计学习方法:李航》笔记 从原理到实现(基于python)-- 第6章 逻辑斯谛回归与最大熵模型(2)6.2 最大熵模型
北方骑马的萝卜
机器学习笔记学习方法笔记python
文章目录6.2最大熵模型6.2.1最大熵原理6.2.3最大熵模型的学习6.2.4极大似然估计《统计学习方法:李航》笔记从原理到实现(基于python)--第3章k邻近邻法《统计学习方法:李航》笔记从原理到实现(基于python)--第1章统计学习方法概论《统计学习方法:李航》笔记从原理到实现(基于python)--第2章感知机《统计学习方法:李航》笔记从原理到实现(基于python)--第3章k邻
- 贝叶斯的缺点
人机与认知实验室
机器学习人工智能
贝叶斯方法是一种统计学习方法,通过利用贝叶斯定理来计算给定先验概率的情况下,后验概率的条件概率。虽然贝叶斯方法在许多领域中应用广泛且有效,但也存在一些缺点。以下是一些贝叶斯方法的缺点的例子:1、先验概率的选择贝叶斯方法依赖于先验概率的选择,先验概率的不准确性可能导致后验概率的不准确性。选择先验概率是非常困难的,特别是在没有明确领域知识或可靠数据支持的情况下。2、计算复杂度在贝叶斯方法中,计算后验概
- 向量机SVM原理详解
AI-CS研究生
人工智能AISVM向量机人工智能
转自:http://www.blogjava.net/zhenandaci/category/31868.html(一)SVM的简介支持向量机(SupportVectorMachine)是Cortes和Vapnik于1995年首先提出的,它在解决小样本、非线性及高维模式识别中表现出许多特有的优势,并能够推广应用到函数拟合等其他机器学习问题中[10]。支持向量机方法是建立在统计学习理论的VC维理论和
- SVM入门(一)至(三)Refresh
warmbeast
按:之前的文章重新汇编一下,修改了一些错误和不当的说法,一起复习,然后继续SVM之旅.(一)SVM的八股简介支持向量机(SupportVectorMachine)是Cortes和Vapnik于1995年首先提出的,它在解决小样本、非线性及高维模式识别中表现出许多特有的优势,并能够推广应用到函数拟合等其他机器学习问题中[10]。支持向量机方法是建立在统计学习理论的VC维理论和结构风险最小原理基础上的
- SVM(1-3)
discxuwei
ML算法hypervectorc出版blog
从Jasper'Blog转载支持向量机(SupportVectorMachine)是Cortes和Vapnik于1995年首先提出的,它在解决小样本、非线性及高维模式识别中表现出许多特有的优势,并能够推广应用到函数拟合等其他机器学习问题中[10]。支持向量机方法是建立在统计学习理论的VC维理论和结构风险最小原理基础上的,根据有限的样本信息在模型的复杂性(即对特定训练样本的学习精度,Accuracy
- 《深度学习,统计学习,数学基础》人工智能算法工程师手册
La victoria
大数据机器学习
[导读]市面上很多人工智能相关的书籍。大部分的书,面向小白,内容深度不够;小部分教材书或者科研书,内容艰深,又过于复杂。那么有没有,面向算法工程师(程序员)人群的,面向有一定数学基础、算法基础,能够快速上手写代码的人群的人工智能手册呢?有的!而且免费开源,非常有程序员范!《AI算法工程师手册》你值得拥有!作者Github:https://github.com/huaxz1986手册地址:http:
- 《深度学习,统计学习,数学基础》人工智能算法工程师手册:程序员写的AI书,50 章一网打尽...
数据派THU
来源:专知本文约3400字,建议阅读10+分钟。免费开源人工智能手册,带你快速上手写代码![导读]市面上很多人工智能相关的书籍。大部分的书,面向小白,内容深度不够;小部分教材书或者科研书,内容艰深,又过于复杂。那么有没有,面向算法工程师(程序员)人群的,面向有一定数学基础、算法基础,能够快速上手写代码的人群的人工智能手册呢?有的!而且免费开源,非常有程序员范!《AI算法工程师手册》你值得拥有!作者
- 机器学习知识体系总结
qq_36661243
机器学习算法
机器学习知识体系总结什么是机器学习?机器学习体系概括监督学习(SupervisedLearning)十种监督学习方法统计学习方法:模型+策略+学习方法模型策略学习算法无监督学习(UnsupervisedLearning)半监督学习参考所有的知识,无论过去,当下和未来,都可以利用某个单一,通用的学习算法中从数据中获取。–《终极算法》什么是机器学习?机器学习(MachineLearning,ML)是一
- 白铁时代 —— (监督学习)原理推导
人生简洁之道
2020年-面试笔记人工智能
来自李航《统计学习方法》文章目录-1指标相似度0概论1优化类1.1朴素贝叶斯1.2k近邻-kNN1.3线性判别分析二分类LDA多分类LDA流程LDA和PCA的区别和联系1.4逻辑回归模型&最大熵模型逻辑回归最大熵模型最优化1.5感知机&SVM感知机SVM线性可分SVM线性不可分SVM对偶优化问题&非线性SVM序列最小优化算法SMO1.7概率图模型EM算法EM算法的导出和流程应用举例:高斯混合模型(
- 最大熵阈值python_李航统计学习方法(六)----逻辑斯谛回归与最大熵模型
weixin_39669638
最大熵阈值python
本文希望通过《统计学习方法》第六章的学习,由表及里地系统学习最大熵模型。文中使用Python实现了逻辑斯谛回归模型的3种梯度下降最优化算法,并制作了可视化动画。针对最大熵,提供一份简明的GIS最优化算法实现,并注解了一个IIS最优化算法的Java实现。本文属于初学者的个人笔记,能力有限,无法对著作中的公式推导做进一步发挥,也无法保证自己的理解是完全正确的,特此说明,恳请指教逻辑斯谛回归模型逻辑斯谛
- 《统计学习方法:李航》笔记 从原理到实现(基于python)-- 第6章 逻辑斯谛回归与最大熵模型(1)6.1 逻辑斯谛回归模型
北方骑马的萝卜
机器学习笔记学习方法笔记python
文章目录第6章逻辑斯谛回归与最大熵模型6.1逻辑斯谛回归模型6.1.1逻辑斯谛分布6.1.2二项逻辑斯谛回归模型6.1.3模型参数估计6.1.4多项逻辑斯谛回归《统计学习方法:李航》笔记从原理到实现(基于python)--第3章k邻近邻法《统计学习方法:李航》笔记从原理到实现(基于python)--第1章统计学习方法概论《统计学习方法:李航》笔记从原理到实现(基于python)--第2章感知机《统
- 【动手学大模型】第一章 大模型简介
Farah_Y
大模型开发ai
动手学大模型第一章大模型简述语言建模最早使用统计学习的方法,通过前面的词汇来预测下一个词汇。其在理解复杂语言规则方面存在一定局限性。之后引入了深度学习的思想,使用神经网络模型来更好的捕捉语言中的复杂关系。随着Transformer架构的神经网络模型引入,通过大量的文本数据训练,模型可以深入理解语言规则和模式。同时研究人员发现,随着语言模型规模的扩大,比如增加模型大小和使用更多的训练数据,模型展现出
- 统计学习 复习(知识点+习题)
玛卡巴卡_qin
课程学习
复习资料:https://github.com/RuijieZhu94/StatisticalLearning_USTC第一章线性回归1.Fromonetotwo最小二乘课后题有偏/无偏估计加权最小二乘2.Regularization线性回归(二维情况)求解有约束优化问题正则化最小加权二乘不确定答案形式3.BasicFunction核函数岭回归有个关于核函数的推导,但应该不会考4.Bias-var
- 机器学习 强化学习 深度学习的区别与联系
坠金
机器学习机器学习人工智能深度学习
机器学习强化学习深度学习机器学习按道理来说,这个领域(机器学习)应该叫做统计学习(StatisticalLearning),因为它的方法都是由概率统计领域拿来的。这些人中的领军人物很有商业头脑,把统计和物理的数理模型,改名叫做机器,比如**模型(model)就叫**机(machine),把一些层次模型(hierarchicalmodel)说成是“网”(net)。这样,搞出了几个“机”和“网”之后,
- 李航统计学习方法----决策树章节学习笔记以及python代码
詹sir的BLOG
大数据python决策树算法剪枝
目录1决策树模型2特征选择2.1数据引入2.2信息熵和信息增益3决策树生成3.1ID3算法3.2C4.5算法4决策树的剪枝5CART算法(classificationandregressiontree)5.1回归树算法5.2分类树的生成5.3CART剪枝6PYTHON代码实例决策树算法可以应用于分类问题与回归问题,李航的书中主要讲解的是分类树,构建决策树分为三个过程,分别是特征选择、决策树生成、决
- 《统计学习方法:李航》笔记 从原理到实现(基于python)-- 第5章 决策树(代码python实践)
北方骑马的萝卜
机器学习笔记学习方法笔记python
文章目录第5章决策树—python实践书上题目5.1利用ID3算法生成决策树,例5.3scikit-learn实例《统计学习方法:李航》笔记从原理到实现(基于python)--第5章决策树第5章决策树—python实践importnumpyasnpimportpandasaspdimportmatplotlib.pyplotasplt%matplotlibinlinefromsklearn.dat
- 扩展学习|统计学习理论(SLT)与极限学习机(ELM)应用于大社会数据分析
封印师请假去地球钓鱼
计算机辅助信息分析主题扩展阅读极限学习机大数据分析
文献来源:[1]OnetoL,BisioF,CambriaE,etal.StatisticalLearningTheoryandELMforBigSocialDataAnalysis[J].IEEEComputationalIntelligenceMagazine,2016,11(3):45-55.DOI:10.1109/MCI.2016.2572540.提取链接:链接:https://pan.b
- 《统计学习方法:李航》笔记 从原理到实现(基于python)-- 第4章 朴素贝叶斯法
北方骑马的萝卜
机器学习笔记学习方法笔记python
文章目录第4章朴素贝叶斯法4.1朴素贝叶斯法的学习与分类4.1.1基本方法4.1.2后验概率最大化的含义4.2朴素贝叶斯法的参数估计4.2.1极大似然估计4.2.2学习与算法4.2.3贝叶斯估计代码实践GaussianNB高斯朴素贝叶斯scikit-learn实例scikit-learn:伯努利模型和多项式模型《统计学习方法:李航》笔记从原理到实现(基于python)--第3章k邻近邻法《统计学习
- 《统计学习方法:李航》笔记 从原理到实现(基于python)-- 第1章 统计学习方法概论
北方骑马的萝卜
机器学习笔记学习方法笔记python机器学习
文章目录第1章统计学习方法概论1.1统计学习1.统计学习的特点2.统计学习的对象3.统计学习的目的4.统计学习的方法1.2.1基本概念1.2.2问题的形式化1.3统计学习三要素1.3.1模型1.3.2策略1.3.3算法1.4模型评估与模型选择1.4.1训练误差与测试误差1.4.2过拟合与模型选择1.5正则化与交叉验证1.5.1正则化1.5.2交叉验证1.6泛化能力1.6.1泛化误差1.6.2泛化误
- 《统计学习方法:李航》笔记 从原理到实现(基于python)-- 第 2章感知机
北方骑马的萝卜
机器学习笔记学习方法笔记python机器学习
文章目录第2章感知机2.1感知机模型2.2感知机学习策略2.2.1数据集的线性可分性2.2.2感知机学习策略2.3感知机学习算法2.3.1感知机学习算法的原始形式2.3.2算法的收敛性2.3.3感知机学习算法的对偶形式实践:二分类模型(iris数据集)数据集可视化:Perceptronscikit-learn实例《统计学习方法:李航》笔记从原理到实现(基于python)--第2章感知机《统计学习方
- 多线程编程之存钱与取钱
周凡杨
javathread多线程存钱取钱
生活费问题是这样的:学生每月都需要生活费,家长一次预存一段时间的生活费,家长和学生使用统一的一个帐号,在学生每次取帐号中一部分钱,直到帐号中没钱时 通知家长存钱,而家长看到帐户还有钱则不存钱,直到帐户没钱时才存钱。
问题分析:首先问题中有三个实体,学生、家长、银行账户,所以设计程序时就要设计三个类。其中银行账户只有一个,学生和家长操作的是同一个银行账户,学生的行为是
- java中数组与List相互转换的方法
征客丶
JavaScriptjavajsonp
1.List转换成为数组。(这里的List是实体是ArrayList)
调用ArrayList的toArray方法。
toArray
public T[] toArray(T[] a)返回一个按照正确的顺序包含此列表中所有元素的数组;返回数组的运行时类型就是指定数组的运行时类型。如果列表能放入指定的数组,则返回放入此列表元素的数组。否则,将根据指定数组的运行时类型和此列表的大小分
- Shell 流程控制
daizj
流程控制if elsewhilecaseshell
Shell 流程控制
和Java、PHP等语言不一样,sh的流程控制不可为空,如(以下为PHP流程控制写法):
<?php
if(isset($_GET["q"])){
search(q);}else{// 不做任何事情}
在sh/bash里可不能这么写,如果else分支没有语句执行,就不要写这个else,就像这样 if else if
if 语句语
- Linux服务器新手操作之二
周凡杨
Linux 简单 操作
1.利用关键字搜寻Man Pages man -k keyword 其中-k 是选项,keyword是要搜寻的关键字 如果现在想使用whoami命令,但是只记住了前3个字符who,就可以使用 man -k who来搜寻关键字who的man命令 [haself@HA5-DZ26 ~]$ man -k
- socket聊天室之服务器搭建
朱辉辉33
socket
因为我们做的是聊天室,所以会有多个客户端,每个客户端我们用一个线程去实现,通过搭建一个服务器来实现从每个客户端来读取信息和发送信息。
我们先写客户端的线程。
public class ChatSocket extends Thread{
Socket socket;
public ChatSocket(Socket socket){
this.sock
- 利用finereport建设保险公司决策分析系统的思路和方法
老A不折腾
finereport金融保险分析系统报表系统项目开发
决策分析系统呈现的是数据页面,也就是俗称的报表,报表与报表间、数据与数据间都按照一定的逻辑设定,是业务人员查看、分析数据的平台,更是辅助领导们运营决策的平台。底层数据决定上层分析,所以建设决策分析系统一般包括数据层处理(数据仓库建设)。
项目背景介绍
通常,保险公司信息化程度很高,基本上都有业务处理系统(像集团业务处理系统、老业务处理系统、个人代理人系统等)、数据服务系统(通过
- 始终要页面在ifream的最顶层
林鹤霄
index.jsp中有ifream,但是session消失后要让login.jsp始终显示到ifream的最顶层。。。始终没搞定,后来反复琢磨之后,得到了解决办法,在这儿给大家分享下。。
index.jsp--->主要是加了颜色的那一句
<html>
<iframe name="top" ></iframe>
<ifram
- MySQL binlog恢复数据
aigo
mysql
1,先确保my.ini已经配置了binlog:
# binlog
log_bin = D:/mysql-5.6.21-winx64/log/binlog/mysql-bin.log
log_bin_index = D:/mysql-5.6.21-winx64/log/binlog/mysql-bin.index
log_error = D:/mysql-5.6.21-win
- OCX打成CBA包并实现自动安装与自动升级
alxw4616
ocxcab
近来手上有个项目,需要使用ocx控件
(ocx是什么?
http://baike.baidu.com/view/393671.htm)
在生产过程中我遇到了如下问题.
1. 如何让 ocx 自动安装?
a) 如何签名?
b) 如何打包?
c) 如何安装到指定目录?
2.
- Hashmap队列和PriorityQueue队列的应用
百合不是茶
Hashmap队列PriorityQueue队列
HashMap队列已经是学过了的,但是最近在用的时候不是很熟悉,刚刚重新看以一次,
HashMap是K,v键 ,值
put()添加元素
//下面试HashMap去掉重复的
package com.hashMapandPriorityQueue;
import java.util.H
- JDK1.5 returnvalue实例
bijian1013
javathreadjava多线程returnvalue
Callable接口:
返回结果并且可能抛出异常的任务。实现者定义了一个不带任何参数的叫做 call 的方法。
Callable 接口类似于 Runnable,两者都是为那些其实例可能被另一个线程执行的类设计的。但是 Runnable 不会返回结果,并且无法抛出经过检查的异常。
ExecutorService接口方
- angularjs指令中动态编译的方法(适用于有异步请求的情况) 内嵌指令无效
bijian1013
JavaScriptAngularJS
在directive的link中有一个$http请求,当请求完成后根据返回的值动态做element.append('......');这个操作,能显示没问题,可问题是我动态组的HTML里面有ng-click,发现显示出来的内容根本不执行ng-click绑定的方法!
 
- 【Java范型二】Java范型详解之extend限定范型参数的类型
bit1129
extend
在第一篇中,定义范型类时,使用如下的方式:
public class Generics<M, S, N> {
//M,S,N是范型参数
}
这种方式定义的范型类有两个基本的问题:
1. 范型参数定义的实例字段,如private M m = null;由于M的类型在运行时才能确定,那么我们在类的方法中,无法使用m,这跟定义pri
- 【HBase十三】HBase知识点总结
bit1129
hbase
1. 数据从MemStore flush到磁盘的触发条件有哪些?
a.显式调用flush,比如flush 'mytable'
b.MemStore中的数据容量超过flush的指定容量,hbase.hregion.memstore.flush.size,默认值是64M 2. Region的构成是怎么样?
1个Region由若干个Store组成
- 服务器被DDOS攻击防御的SHELL脚本
ronin47
mkdir /root/bin
vi /root/bin/dropip.sh
#!/bin/bash/bin/netstat -na|grep ESTABLISHED|awk ‘{print $5}’|awk -F:‘{print $1}’|sort|uniq -c|sort -rn|head -10|grep -v -E ’192.168|127.0′|awk ‘{if($2!=null&a
- java程序员生存手册-craps 游戏-一个简单的游戏
bylijinnan
java
import java.util.Random;
public class CrapsGame {
/**
*
*一个简单的赌*博游戏,游戏规则如下:
*玩家掷两个骰子,点数为1到6,如果第一次点数和为7或11,则玩家胜,
*如果点数和为2、3或12,则玩家输,
*如果和为其它点数,则记录第一次的点数和,然后继续掷骰,直至点数和等于第一次掷出的点
- TOMCAT启动提示NB: JAVA_HOME should point to a JDK not a JRE解决
开窍的石头
JAVA_HOME
当tomcat是解压的时候,用eclipse启动正常,点击startup.bat的时候启动报错;
报错如下:
The JAVA_HOME environment variable is not defined correctly
This environment variable is needed to run this program
NB: JAVA_HOME shou
- [操作系统内核]操作系统与互联网
comsci
操作系统
我首先申明:我这里所说的问题并不是针对哪个厂商的,仅仅是描述我对操作系统技术的一些看法
操作系统是一种与硬件层关系非常密切的系统软件,按理说,这种系统软件应该是由设计CPU和硬件板卡的厂商开发的,和软件公司没有直接的关系,也就是说,操作系统应该由做硬件的厂商来设计和开发
- 富文本框ckeditor_4.4.7 文本框的简单使用 支持IE11
cuityang
富文本框
<html xmlns="http://www.w3.org/1999/xhtml">
<head>
<meta http-equiv="Content-Type" content="text/html; charset=UTF-8" />
<title>知识库内容编辑</tit
- Property null not found
darrenzhu
datagridFlexAdvancedpropery null
When you got error message like "Property null not found ***", try to fix it by the following way:
1)if you are using AdvancedDatagrid, make sure you only update the data in the data prov
- MySQl数据库字符串替换函数使用
dcj3sjt126com
mysql函数替换
需求:需要将数据表中一个字段的值里面的所有的 . 替换成 _
原来的数据是 site.title site.keywords ....
替换后要为 site_title site_keywords
使用的SQL语句如下:
updat
- mac上终端起动MySQL的方法
dcj3sjt126com
mysqlmac
首先去官网下载: http://www.mysql.com/downloads/
我下载了5.6.11的dmg然后安装,安装完成之后..如果要用终端去玩SQL.那么一开始要输入很长的:/usr/local/mysql/bin/mysql
这不方便啊,好想像windows下的cmd里面一样输入mysql -uroot -p1这样...上网查了下..可以实现滴.
打开终端,输入:
1
- Gson使用一(Gson)
eksliang
jsongson
转载请出自出处:http://eksliang.iteye.com/blog/2175401 一.概述
从结构上看Json,所有的数据(data)最终都可以分解成三种类型:
第一种类型是标量(scalar),也就是一个单独的字符串(string)或数字(numbers),比如"ickes"这个字符串。
第二种类型是序列(sequence),又叫做数组(array)
- android点滴4
gundumw100
android
Android 47个小知识
http://www.open-open.com/lib/view/open1422676091314.html
Android实用代码七段(一)
http://www.cnblogs.com/over140/archive/2012/09/26/2611999.html
http://www.cnblogs.com/over140/arch
- JavaWeb之JSP基本语法
ihuning
javaweb
目录
JSP模版元素
JSP表达式
JSP脚本片断
EL表达式
JSP注释
特殊字符序列的转义处理
如何查找JSP页面中的错误
JSP模版元素
JSP页面中的静态HTML内容称之为JSP模版元素,在静态的HTML内容之中可以嵌套JSP
- App Extension编程指南(iOS8/OS X v10.10)中文版
啸笑天
ext
当iOS 8.0和OS X v10.10发布后,一个全新的概念出现在我们眼前,那就是应用扩展。顾名思义,应用扩展允许开发者扩展应用的自定义功能和内容,能够让用户在使用其他app时使用该项功能。你可以开发一个应用扩展来执行某些特定的任务,用户使用该扩展后就可以在多个上下文环境中执行该任务。比如说,你提供了一个能让用户把内容分
- SQLServer实现无限级树结构
macroli
oraclesqlSQL Server
表结构如下:
数据库id path titlesort 排序 1 0 首页 0 2 0,1 新闻 1 3 0,2 JAVA 2 4 0,3 JSP 3 5 0,2,3 业界动态 2 6 0,2,3 国内新闻 1
创建一个存储过程来实现,如果要在页面上使用可以设置一个返回变量将至传过去
create procedure test
as
begin
decla
- Css居中div,Css居中img,Css居中文本,Css垂直居中div
qiaolevip
众观千象学习永无止境每天进步一点点css
/**********Css居中Div**********/
div.center {
width: 100px;
margin: 0 auto;
}
/**********Css居中img**********/
img.center {
display: block;
margin-left: auto;
margin-right: auto;
}
- Oracle 常用操作(实用)
吃猫的鱼
oracle
SQL>select text from all_source where owner=user and name=upper('&plsql_name');
SQL>select * from user_ind_columns where index_name=upper('&index_name'); 将表记录恢复到指定时间段以前
- iOS中使用RSA对数据进行加密解密
witcheryne
iosrsaiPhoneobjective c
RSA算法是一种非对称加密算法,常被用于加密数据传输.如果配合上数字摘要算法, 也可以用于文件签名.
本文将讨论如何在iOS中使用RSA传输加密数据. 本文环境
mac os
openssl-1.0.1j, openssl需要使用1.x版本, 推荐使用[homebrew](http://brew.sh/)安装.
Java 8
RSA基本原理
RS