- AI人工智能机器学习之监督线性模型
rockfeng0
人工智能机器学习sklearn
1、概要 本篇学习AI人工智能机器监督学习框架下的线性模型，以LinearRegression线性回归和LogisticRegression逻辑回归为示例，从代码层面测试和讲述监督学习中的线性模型。2、监督学习之线性模型-简介监督学习和线性模型是的两个重要概念。监督学习是一种机器学习任务，其中模型在已标记的数据集上进行训练。线性模型是一类通过线性组合输入特征来进行预测的模型。线性模型的基本形式可
- 人工智能深度学习系列—深入探索KL散度：度量概率分布差异的关键工具
学步_技术
自动驾驶人工智能人工智能深度学习自动驾驶机器学习
人工智能深度学习系列—深度解析：交叉熵损失（Cross-EntropyLoss）在分类问题中的应用人工智能深度学习系列—深入解析：均方误差损失（MSELoss）在深度学习中的应用与实践人工智能深度学习系列—深入探索KL散度：度量概率分布差异的关键工具人工智能深度学习系列—探索余弦相似度损失：深度学习中的相似性度量神器人工智能深度学习系列—深度学习中的边界框回归新贵：GHM（GeneralizedH
- 数据采集技术：selenium/正则匹配/xpath/beautifulsoup爬虫实例
写代码的中青年
3天入门机器学习seleniumbeautifulsoup爬虫pythonxpath正则表达式
专栏介绍1.专栏面向零基础或基础较差的机器学习入门的读者朋友，旨在利用实际代码案例和通俗化文字说明，使读者朋友快速上手机器学习及其相关知识体系。2.专栏内容上包括数据采集、数据读写、数据预处理、分类\回归\聚类算法、可视化等技术。3.需要强调的是，专栏仅介绍主流、初阶知识，每一技术模块都是AI研究的细分领域，同更多技术有所交叠，此处不进行讨论和分享。数据采集技术：selenium/正则匹配/xpa
- 从零开始玩转TensorFlow：小明的机器学习故事 4
山海青风
机器学习tensorflow人工智能
探索深度学习1场景故事：小明的灵感前不久，小明一直在用传统的机器学习方法（如线性回归、逻辑回归）来预测学校篮球比赛的胜负。虽然在朋友们看来已经很不错了，但小明发现一个问题：当比赛数据越来越多、球队的特征越来越复杂时，模型的准确率提升得很慢。有一天，小明在学校图书馆翻看杂志时，看到这样一句话：“就像人的大脑有上百亿神经元，神经网络能够学习复杂的信息映射，从而取得卓越的表现。”他瞬间来了灵感：“或许我
- python正态检验_Python检验数据是否正态分布
weixin_39748858
python正态检验
在对数据进行处理前，有事需要判断数据是否呈正态分布，比如线性回归，比如使用3-sigma判断数据是否异常。常用的正态分布检测方法：Shapiro-WilktestShapiro-Wilktest是一种在频率上统计检验中检验正态性的方法。该检验的零检验是样本$x_1,\cdots,x_n$来自于一个正态分布的母体。这个检验的统计量是：$$W=\frac{(\sum_{i=1}^{n}a_{i}x_{
- 支持向量机（Support Vector Machine，SVM）
不易撞的网名
支持向量机算法机器学习
支持向量机（SupportVectorMachine，简称SVM）是一种监督学习模型，主要用于分类和回归分析。SVM的基本思想是寻找一个决策边界或超平面，使得两类样本之间的间隔最大化。这个间隔被定义为支持向量到超平面的最短距离，而支持向量就是那些恰好位于间隔边缘上的训练样本点。线性可分情况下的SVM假设我们有一组训练数据(x1,y1),(x2,y2),…,(xn,yn)(x_1,y_1),(x_2
- 从零开始玩转TensorFlow：小明的机器学习故事 3
山海青风
#机器学习机器学习tensorflow人工智能
下面是一篇以小明为主角，尝试用TensorFlow预测校园活动参与率的学习故事。我们会在故事情境中穿插对线性回归和逻辑回归的原理介绍，并附带必要的代码示例，帮助你从零基础理解并动手实践。文章结尾还有简要的分析总结。小明的第一次机器学习实验场景：预测校园活动的参与率小明最近加入了学生会，负责策划校园活动。每次活动都需要准备场地、宣传物料和餐饮，但经常会出现场地过小或准备物资不足等问题。为了让活动准备
- 揭秘波士顿房价密码：从经典数据集到线性回归实战
珠峰日记
线性回归算法回归机器学习深度学习
引言波士顿房价预测是一个经典的机器学习任务，类似于程序员世界的“HelloWorld”。和大家对房价的普遍认知相同，波士顿地区的房价受诸多因素影响。该数据集统计了13种可能影响房价的因素和该类型房屋的均价，期望构建一个基于13个因素进行房价预测的模型。在机器学习领域，预测问题是一个核心研究方向，而房价预测作为其中的经典回归问题备受关注。波士顿房价数据集包含了与波士顿地区房屋相关的多种特征信息，通过
- 支持向量机 (Support Vector Machine, SVM)
数维学长986
支持向量机算法机器学习
支持向量机(SupportVectorMachine,SVM)支持向量机（SVM）是一种广泛应用于分类、回归分析以及异常检测的监督学习算法。它基于结构风险最小化（StructuralRiskMinimization，SRM）原则，通过寻找一个最优超平面来实现数据的分类。SVM不仅可以处理线性可分问题，也能够通过核技巧（KernelTrick）处理非线性可分问题。1.基本概念超平面：在特征空间中，S
- 困惑度的估计
转码的小石
语言模型
固定长度模型的困惑度（Perplexity，PPL）困惑度（PPL）是评估语言模型性能的常用指标。需要注意的是，这个指标专门适用于经典的语言模型（有时称为自回归模型或因果语言模型），而对于像BERT这样的掩码语言模型，则定义不太清楚（请参考模型总结）。经典语言模型：经典语言模型的目标是计算给定一段文本的概率，具体来说，就是计算一个序列中每个token的条件概率，n-gram模型是最基础的经典语言模
- 初学者推荐学习AI的路径
ProgramHan
学习人工智能
学习人工智能的路径可以分为基础知识、编程技能、机器学习、深度学习、数据处理与可视化、自然语言处理（NLP）、计算机视觉（CV）、强化学习、实践项目和持续学习几个阶段。以下是一个简要的路径：1️⃣基础知识数学基础（线性代数、微积分、概率统计）编程基础（Python/R等语言）算法与数据结构2️⃣机器学习基础理解监督学习（如回归、分类）、无监督学习（如聚类、PCA）掌握机器学习库（如scikit-le
- 逻辑回归分类python实例_Python逻辑回归原理及实际案例应用
Zcc四月
逻辑回归分类python实例
前言目录1.逻辑回归2.优缺点及优化问题3.实际案例应用4.总结正文在前面所介绍的线性回归,岭回归和Lasso回归这三种回归模型中,其输出变量均为连续型,比如常见的线性回归模型为:其写成矩阵形式为:现在这里的输出为连续型变量,但是实际中会有'输出为离散型变量'这样的需求,比如给定特征预测是否离职(1表示离职,0表示不离职).显然这时不能直接使用线性回归模型,而逻辑回归就派上用场了.1.逻辑回归引用
- 大模型学习完整路径（一站式汇总），从零基础到精通！新手友好级指南
Python程序员罗宾
学习语言模型知识图谱人工智能数据库java
如果读者朋友不想深入学习大模型，则了解提示词的使用原则也可以了。要是既不想深入学习，又要做大模型相关的项目，则对于工程同学来说，学习RAG也能把大模型玩转起来。前排提示，文末有大模型AGI-CSDN独家资料包哦！先来一张整体结构图，越是下面部分，越是基础：可以按以下步骤学习：1.理解基础概念需要了解深度学习的基本原理和常见术语，如神经网络、梯度下降、反向传播、监督学习、无监督学习、分类、回归、聚类
- 深度学习-2：tensorflow 入门以及简单的线性拟合
wangs0622
深度学习tensorflow深度学习tensorflow线性回归
摘要：介绍tensorflow入门使用tensorflow实现简单的线性回归tensorflow入门知识参考：https://www.tensorflow.org/get_started/get_started载入tensorflow的标准语句：importtensorflowastftensortensor物理上的翻译是张量。tensor是tensorflow的基本核心数据单元，tensor可以
- 2025年如何挑选最适合企业的5大项目管理平台：从实战角度拆解核心逻辑与避坑指南
项目管理工具是企业提升协作效率、降低风险的核心武器。但市场上工具繁多，如何避免「功能过剩」或「水土不服」？本文将从行业老兵的视角，用3个真实场景+5大黄金法则+工具对比表，带你看透选型本质。（全文约2800字，建议收藏）一、为什么90%的企业都用错了项目管理工具？先搞懂这3个认知误区误区1：功能越多=越好用？某建筑公司曾采购某国际大厂系统，结果工程师连任务分解都不会用，最终回归Excel+微信群。
- 数据标注中的归类与定义，从聚类，相关，关联，回归四个方面分析
小宝哥Code
人工智能训练师聚类回归数据挖掘
在数据标注和AI训练过程中，数据的归类与定义是关键步骤，不同的数据分析方法可以用于不同的场景。本文从**聚类（Clustering）、相关（Correlation）、关联（Association）、回归（Regression）**四个角度探讨数据标注的优化，并结合Python代码示例进行说明。1.聚类（Clustering）1.1概念聚类是一种无监督学习方法，它将相似的数据点分为同一个组，而无需预
- 解锁机器学习核心算法｜朴素贝叶斯：分类的智慧法则
紫雾凌寒
AI炼金厂#机器学习算法机器学习算法分类朴素贝叶斯python深度学习人工智能
一、引言在机器学习的庞大算法体系中，有十种算法被广泛认为是最具代表性和实用性的，它们犹如机器学习领域的“十大神器”，各自发挥着独特的作用。这十大算法包括线性回归、逻辑回归、决策树、随机森林、K-近邻算法、K-平均算法、支持向量机、朴素贝叶斯算法、主成分分析（PCA）、神经网络。它们涵盖了回归、分类、聚类、降维等多个机器学习任务领域，是众多机器学习应用的基础和核心。而在这众多的算法中，朴素贝叶斯算法
- 解锁机器学习核心算法 | 线性回归：机器学习的基石
紫雾凌寒
AI炼金厂#机器学习算法算法机器学习线性回归人工智能深度学习aipython
在机器学习的众多算法中，线性回归宛如一块基石，看似质朴无华，却稳稳支撑起诸多复杂模型的架构。它是我们初涉机器学习领域时便会邂逅的算法之一，其原理与应用广泛渗透于各个领域。无论是预测房价走势、剖析股票市场波动，还是钻研生物医学数据、优化工业生产流程，线性回归皆能大显身手。本质上，线性回归是一种用于构建变量间线性关系的统计模型。它试图寻觅一条最佳拟合直线（或超平面），以使预测值与实际观测值之间的误差降
- python绘图之回归拟合图
pianmian1
python回归开发语言
回归拟合图在数据分析中具有重要作用，它不仅可以帮助我们理解变量之间的关系，还可以评估模型的拟合效果、进行预测和推断、发现异常值，以及用于模型比较和结果展示。importpandasaspdimportseabornassnsimportmatplotlib.pyplotasplt#创建一个示例数据集#假设我们有一些鱼的重量和高度数据data={'Weight':[100,150,200,250,3
- 股指期货套利例子（金融期货套利的例子）
v527209157
区块链
股指期货套利是什么意思，怎么才可以股指期货套利？楼上的朋友都说的太复杂。。。我通俗一点说吧。。股指期货套利有几种套发。1。股指期货跨月套利，比方说，多12月合约，空10月合约，认为股指期货合约之间价差不合理，价差偏大或者是偏小，认为价差日后将会回归理性，做套利。2。股指期货期现套利：方法1：股指期货和基金套利，跟etf或者是指数型基金，或者其他股票型基金套利，认为股指期货价格偏高，而实际基金价格偏
- 【25年新算法】DOA-LSSVM梦境优化算法优化最小二乘支持向量机回归预测，DOA-LSSVM回归预测，多变量输入模型。梦境优化算法(DOA)-2025年3月SCI一区新算法，该算法结合了一个基
智能算法及其模型预测
支持向量机回归算法
【25年新算法】DOA-LSSVM梦境优化算法优化最小二乘支持向量机回归预测，DOA-LSSVM回归预测，多变量输入模型。梦境优化算法(DOA)-2025年3月SCI一区新算法，该算法结合了一个基本的记忆策略，一个遗忘和补充策略，以平衡探索和利用，值得一试！该成果由YifanLang于2025年3月发表在SCI一区Top期刊《ComputerMethodsinAppliedMechanicsand
- 【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
- 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
- 【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
- 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
- 深度学习之图像回归（二）
zhengyawen666
深度学习回归数据挖掘人工智能
前言这篇文章主要是在图像回归（一）的基础上对该项目进行的优化。（一）主要是帮助迅速入门理清一个深度学习项目的逻辑这篇文章则主要注重在此基础上对于数据预处理和模型训练进行优化前者会通过涉及PCA主成分分析特征选择后者通过正则化数据预处理数据预处理的原因思路链未经过处理的原始数据存在一些问题->对数据进行处理（涉及多种方法）->提升模型性能数据可能存在的问题冗余信息：数据中可能存在重复的特征或高度相关
- R语言报错 变数的长度不一样，需要改成元素自变量对应的名称
仿生bug
r语言bigdata
在进行回归，决策树等出现报错，观察数据等情况都无发现错误使用本地数据鸢尾花（yuānwěihuā）做示例，说明问题data(iris)train_sub=sample(nrow(iris),7/10*nrow(iris))trainset=iris[train_sub,]testset=iris[-train_sub,]fit1=rpart(iris$Species~.,data=trainset
- 基于CNN-LSTM-Attention的回归预测算法（附Tensorflow框架下的代码）
Jason_Orton
算法cnnlstm机器学习数据挖掘回归tensorflow
本代码基于Tensorflow框架，即插即用！！！基于CNN-LSTM-Attention的回归预测算法结合了卷积神经网络（CNN）、长短期记忆网络（LSTM）和注意力机制（Attention）三种强大的技术，通常用于时序数据的回归预测问题。这种结合模型能够有效地处理和预测复杂的时序数据，尤其是包含空间和时间信息的任务，如气象预测、股市分析、电力负荷预测等。1.模型概述该模型的核心思想是通过不同网
- 《西瓜书》大白话思想总结-第三章
小溪子子
西瓜书概率论机器学习分类
第三章3.1+3.2分类和回归是监督式学习，都是根据数据，分析特征，作出预测，只是预测的值是离散的叫分类，连续的叫回归。为什么叫线性回归呢？因为线性就可以看成是直线，直线当然是连续的。而所给的直线就是根据离散点拟合出来的线，其本质就是一种预测。那么根据离散点的特征，给出了预测方程的这个直线，就符合回归的定义。因此，这就叫作线性回归。（个人理解，不一定对）这个拟合直线的方程，或者叫预测的函数，各个自
- Java常用排序算法/程序员必须掌握的8大排序算法
cugfy
java
分类：
1）插入排序（直接插入排序、希尔排序）
2）交换排序（冒泡排序、快速排序）
3）选择排序（直接选择排序、堆排序）
4）归并排序
5）分配排序（基数排序）
所需辅助空间最多：归并排序
所需辅助空间最少：堆排序
平均速度最快：快速排序
不稳定：快速排序，希尔排序，堆排序。
先来看看8种排序之间的关系：
1.直接插入排序
（1
- 【Spark102】Spark存储模块BlockManager剖析
bit1129
manager
Spark围绕着BlockManager构建了存储模块，包括RDD，Shuffle，Broadcast的存储都使用了BlockManager。而BlockManager在实现上是一个针对每个应用的Master/Executor结构，即Driver上BlockManager充当了Master角色，而各个Slave上(具体到应用范围，就是Executor)的BlockManager充当了Slave角色
- linux 查看端口被占用情况详解
daizj
linux端口占用netstatlsof
经常在启动一个程序会碰到端口被占用，这里讲一下怎么查看端口是否被占用，及哪个程序占用，怎么Kill掉已占用端口的程序
1、lsof -i:port
port为端口号
[root@slave /data/spark-1.4.0-bin-cdh4]# lsof -i:8080
COMMAND PID USER FD TY
- Hosts文件使用
周凡杨
hostslocahost
一切都要从localhost说起，经常在tomcat容器起动后，访问页面时输入http://localhost:8088/index.jsp，大家都知道localhost代表本机地址，如果本机IP是10.10.134.21，那就相当于http://10.10.134.21:8088/index.jsp，有时候也会看到http: 127.0.0.1:
- java excel工具
g21121
Java excel
直接上代码，一看就懂，利用的是jxl：
import java.io.File;
import java.io.IOException;
import jxl.Cell;
import jxl.Sheet;
import jxl.Workbook;
import jxl.read.biff.BiffException;
import jxl.write.Label;
import
- web报表工具finereport常用函数的用法总结（数组函数）
老A不折腾
finereportweb报表函数总结
ADD2ARRAY
ADDARRAY(array,insertArray, start):在数组第start个位置插入insertArray中的所有元素，再返回该数组。
示例：
ADDARRAY([3,4, 1, 5, 7], [23, 43, 22], 3)返回[3, 4, 23, 43, 22, 1, 5, 7].
ADDARRAY([3,4, 1, 5, 7], "测试&q
- 游戏服务器网络带宽负载计算
墙头上一根草
服务器
家庭所安装的4M，8M宽带。其中M是指，Mbits/S
其中要提前说明的是：
8bits = 1Byte
即8位等于1字节。我们硬盘大小50G。意思是50*1024M字节，约为 50000多字节。但是网宽是以“位”为单位的，所以，8Mbits就是1M字节。是容积体积的单位。
8Mbits/s后面的S是秒。8Mbits/s意思是 每秒8M位，即每秒1M字节。
我是在计算我们网络流量时想到的
- 我的spring学习笔记2-IoC（反向控制 依赖注入）
aijuans
Spring 3 系列
IoC（反向控制 依赖注入）这是Spring提出来了，这也是Spring一大特色。这里我不用多说，我们看Spring教程就可以了解。当然我们不用Spring也可以用IoC，下面我将介绍不用Spring的IoC。
IoC不是框架，她是java的技术，如今大多数轻量级的容器都会用到IoC技术。这里我就用一个例子来说明：
如：程序中有 Mysql.calss 、Oracle.class 、SqlSe
- 高性能mysql 之 选择存储引擎(一)
annan211
mysqlInnoDBMySQL引擎存储引擎
1 没有特殊情况，应尽可能使用InnoDB存储引擎。 原因：InnoDB 和 MYIsAM 是mysql 最常用、使用最普遍的存储引擎。其中InnoDB是最重要、最广泛的存储引擎。她 被设计用来处理大量的短期事务。短期事务大部分情况下是正常提交的，很少有回滚的情况。InnoDB的性能和自动崩溃 恢复特性使得她在非事务型存储的需求中也非常流行，除非有非常
- UDP网络编程
百合不是茶
UDP编程局域网组播
UDP是基于无连接的,不可靠的传输 与TCP/IP相反
UDP实现私聊,发送方式客户端,接受方式服务器
package netUDP_sc;
import java.net.DatagramPacket;
import java.net.DatagramSocket;
import java.net.Ine
- JQuery对象的val()方法执行结果分析
bijian1013
JavaScriptjsjquery
JavaScript中，如果id对应的标签不存在（同理JAVA中，如果对象不存在），则调用它的方法会报错或抛异常。在实际开发中，发现JQuery在id对应的标签不存在时，调其val()方法不会报错，结果是undefined。
- http请求测试实例（采用json-lib解析）
bijian1013
jsonhttp
由于fastjson只支持JDK1.5版本，因些对于JDK1.4的项目，可以采用json-lib来解析JSON数据。如下是http请求的另外一种写法，仅供参考。
package com;
import java.util.HashMap;
import java.util.Map;
import
- 【RPC框架Hessian四】Hessian与Spring集成
bit1129
hessian
在【RPC框架Hessian二】Hessian 对象序列化和反序列化一文中介绍了基于Hessian的RPC服务的实现步骤，在那里使用Hessian提供的API完成基于Hessian的RPC服务开发和客户端调用，本文使用Spring对Hessian的集成来实现Hessian的RPC调用。
定义模型、接口和服务器端代码
|---Model
&nb
- 【Mahout三】基于Mahout CBayes算法的20newsgroup流程分析
bit1129
Mahout
1.Mahout环境搭建
1.下载Mahout
http://mirror.bit.edu.cn/apache/mahout/0.10.0/mahout-distribution-0.10.0.tar.gz
2.解压Mahout
3. 配置环境变量
vim /etc/profile
export HADOOP_HOME=/home
- nginx负载tomcat遇非80时的转发问题
ronin47
nginx负载后端容器是tomcat（其它容器如WAS,JBOSS暂没发现这个问题）非８０端口，遇到跳转异常问题。解决的思路是：$host:port
详细如下：
该问题是最先发现的，由于之前对nginx不是特别的熟悉所以该问题是个入门级别的：
? 1 2 3 4 5
- java-17-在一个字符串中找到第一个只出现一次的字符
bylijinnan
java
public class FirstShowOnlyOnceElement {
/**Q17.在一个字符串中找到第一个只出现一次的字符。如输入abaccdeff，则输出b
* 1.int[] count:count[i]表示i对应字符出现的次数
* 2.将26个英文字母映射：a-z <--> 0-25
* 3.假设全部字母都是小写
*/
pu
- mongoDB 复制集
开窍的石头
mongodb
mongo的复制集就像mysql的主从数据库，当你往其中的主复制集(primary)写数据的时候，副复制集(secondary)会自动同步主复制集(Primary)的数据,当主复制集挂掉以后其中的一个副复制集会自动成为主复制集。提供服务器的可用性。和防止当机问题
mo
- [宇宙与天文]宇宙时代的经济学
comsci
经济
宇宙尺度的交通工具一般都体型巨大，造价高昂。。。。。
在宇宙中进行航行，近程采用反作用力类型的发动机，需要消耗少量矿石燃料，中远程航行要采用量子或者聚变反应堆发动机，进行超空间跳跃，要消耗大量高纯度水晶体能源
以目前地球上国家的经济发展水平来讲，
- Git忽略文件
Cwind
git
有很多文件不必使用git管理。例如Eclipse或其他IDE生成的项目文件，编译生成的各种目标或临时文件等。使用git status时，会在Untracked files里面看到这些文件列表，在一次需要添加的文件比较多时（使用git add . / git add -u），会把这些所有的未跟踪文件添加进索引。
==== ==== ==== 一些牢骚
- MySQL连接数据库的必须配置
dashuaifu
mysql连接数据库配置
MySQL连接数据库的必须配置
1.driverClass：com.mysql.jdbc.Driver
2.jdbcUrl：jdbc:mysql://localhost:3306/dbname
3.user：username
4.password：password
其中1是驱动名；2是url，这里的‘dbna
- 一生要养成的60个习惯
dcj3sjt126com
习惯
一生要养成的60个习惯
第1篇 让你更受大家欢迎的习惯
1 守时，不准时赴约,让别人等,会失去很多机会。
如何做到：
①该起床时就起床，
②养成任何事情都提前15分钟的习惯。
③带本可以随时阅读的书，如果早了就拿出来读读。
④有条理，生活没条理最容易耽误时间。
⑤提前计划：将重要和不重要的事情岔开。
⑥今天就准备好明天要穿的衣服。
⑦按时睡觉，这会让按时起床更容易。
2 注重
- [介绍]Yii 是什么
dcj3sjt126com
PHPyii2
Yii 是一个高性能，基于组件的 PHP 框架，用于快速开发现代 Web 应用程序。名字 Yii （读作 易）在中文里有“极致简单与不断演变”两重含义，也可看作 Yes It Is! 的缩写。
Yii 最适合做什么？
Yii 是一个通用的 Web 编程框架，即可以用于开发各种用 PHP 构建的 Web 应用。因为基于组件的框架结构和设计精巧的缓存支持，它特别适合开发大型应
- Linux SSH常用总结
eksliang
linux sshSSHD
转载请出自出处：http://eksliang.iteye.com/blog/2186931 一、连接到远程主机
格式：
ssh name@remoteserver
例如：
ssh
[email protected]
二、连接到远程主机指定的端口
格式：
ssh name@remoteserver -p 22
例如：
ssh i
- 快速上传头像到服务端工具类FaceUtil
gundumw100
android
快速迭代用
import java.io.DataOutputStream;
import java.io.File;
import java.io.FileInputStream;
import java.io.FileNotFoundException;
import java.io.FileOutputStream;
import java.io.IOExceptio
- jQuery入门之怎么使用
ini
JavaScripthtmljqueryWebcss
jQuery的强大我何问起（个人主页：hovertree.com）就不用多说了，那么怎么使用jQuery呢？
首先，下载jquery。下载地址：http://hovertree.com/hvtart/bjae/b8627323101a4994.htm，一个是压缩版本，一个是未压缩版本，如果在开发测试阶段，可以使用未压缩版本，实际应用一般使用压缩版本(min)。然后就在页面上引用。
- 带filter的hbase查询优化
kane_xie
查询优化hbaseRandomRowFilter
问题描述
hbase scan数据缓慢，server端出现LeaseException。hbase写入缓慢。
问题原因
直接原因是： hbase client端每次和regionserver交互的时候，都会在服务器端生成一个Lease,Lease的有效期由参数hbase.regionserver.lease.period确定。如果hbase scan需
- java设计模式-单例模式
men4661273
java单例枚举反射IOC
单例模式1，饿汉模式
//饿汉式单例类.在类初始化时，已经自行实例化
public class Singleton1 {
//私有的默认构造函数
private Singleton1() {}
//已经自行实例化
private static final Singleton1 singl
- mongodb 查询某一天所有信息的3种方法，根据日期查询
qiaolevip
每天进步一点点学习永无止境mongodb纵观千象
// mongodb的查询真让人难以琢磨，就查询单天信息，都需要花费一番功夫才行。
// 第一种方式：
coll.aggregate([
{$project:{sendDate: {$substr: ['$sendTime', 0, 10]}, sendTime: 1, content:1}},
{$match:{sendDate: '2015-
- 二维数组转换成JSON
tangqi609567707
java二维数组json
原文出处：http://blog.csdn.net/springsen/article/details/7833596
public class Demo {
public static void main(String[] args) { String[][] blogL
- erlang supervisor
wudixiaotie
erlang
定义supervisor时，如果是监控celuesimple_one_for_one则删除children的时候就用supervisor:terminate_child (SupModuleName, ChildPid)，如果shutdown策略选择的是brutal_kill，那么supervisor会调用exit(ChildPid, kill)，这样的话如果Child的behavior是gen_
