- 机器学习(西瓜书)学习笔记导览
盛寒
机器学习西瓜书学习机器学习人工智能
本篇文章会持续更新直到更新完毕,关注博主不迷路~(如果没有超链接,表示还没有更新到)第一章绪论1.1引言1.2基本术语1.3假设空间1.4归纳偏好第二章模型评估与选择2.1经验误差与过拟合2.2评估方法2.3性能度量2.4比较检验2.5偏差与方差第三章线性模型3.1基本形式3.2线性回归3.3对数几率回归3.4线性判别分析3.5多分类学习3.6类别不平衡问题第四章决策树4.1基本流程4.2划分选择
- 机器学习LDA线性判别器代码实现
Longlongaaago
机器学习LDA线性判别分析代码实现
机器学习LDA线性判别器代码实现西瓜书P60线性判别器LDA代码实现:importnumpyasnpimportmatplotlib.pyplotaspltdefload_data(file_name):'''数据导入函数:paramfile_name:(string)训练数据位置:return:feature_data(mat)特征lable_data(mat)标签'''fr=open(file
- 西瓜书-机器学习5.4 全局最小与局部极小
lestat_black
西瓜书机器学习
两种“最优”:“局部极小”(localminimum)和"全局最小"(globalminimum)对和,若存在使得多组不同参数值初始化多个神经网络使用“模拟退火”:以一定的概率接受比当前解更差的结果,有助于“跳出”局部极小使用随机梯度下降遗传算法(geneticalgorithms)[Goldberg,1989]也常用来训练神经网络以上用于跳出局部极小的技术大多是启发式,理论上商缺乏保障。Gold
- 2019-05-14《西瓜书》难啃
杨熊猫Yang
周志华老师的《西瓜书:机器学习》这周看完1~10章锻炼:太极云手、100手/组,3组虎刨功(简)、100个/组,2组
- 机器学习——集成学习
三三木木七
机器学习集成学习人工智能
参考:ysu老师课件+西瓜书+期末复习笔记1.集成学习的基本概念集成学习(ensemblelearing)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。理解:集成学习是一种机器学习方法,其核心思想是将多个学习器(弱学习器)集成在一起,以达到比单个学习器更好的性能
- 西瓜书学习笔记——低维嵌入(公式推导+举例应用)
Nie同学
机器学习学习笔记机器学习
文章目录算法介绍实验分析算法介绍低维嵌入(Low-DimensionalEmbedding)是一种降低高维数据维度的技术,目的是在保留数据特征的同时减少数据的复杂性。这种技术常用于可视化、特征学习、以及数据压缩等领域。低维嵌入的目标是将高维数据映射到一个低维空间,以便更好地理解和可视化数据。在kkk近邻学习中,随着数据维度的增加,样本之间的距离变得更加稀疏,导致KNN算法性能下降。这是因为在高维空
- 西瓜书学习笔记——核化线性降维(公式推导+举例应用)
Nie同学
机器学习学习笔记机器学习
文章目录算法介绍实验分析算法介绍核化线性降维是一种使用核方法(KernelMethods)来进行降维的技术。在传统的线性降维方法中,例如主成分分析(PCA)和线性判别分析(LDA),数据被映射到一个低维线性子空间中。而核化线性降维则通过使用核技巧,将数据映射到一个非线性的低维空间中。核技巧的核心思想是通过一个非线性映射将原始数据转换到一个高维的特征空间,然后在该特征空间中应用线性降维方法。这种映射
- 西瓜书学习笔记——k近邻学习(公式推导+举例应用)
Nie同学
机器学习学习笔记机器学习
文章目录算法介绍实验分析算法介绍K最近邻(K-NearestNeighbors,KNN)是一种常用的监督学习算法,用于分类和回归任务。该算法基于一个简单的思想:如果一个样本在特征空间中的kkk个最近邻居中的大多数属于某个类别,那么该样本很可能属于这个类别。KNN算法不涉及模型的训练阶段,而是在预测时进行计算。以下是KNN算法的基本步骤:选择K值:首先,确定用于决策的邻居数量K。K的选择会影响算法的
- 西瓜书学习笔记——主成分分析(公式推导+举例应用)
Nie同学
机器学习学习笔记机器学习降维
文章目录算法介绍实验分析算法介绍主成分分析(PrincipalComponentAnalysis,PCA)是一种常用的降维技术,用于在高维数据中发现最重要的特征或主成分。PCA的目标是通过线性变换将原始数据转换成一组新的特征,这些新特征被称为主成分,它们是原始特征的线性组合。对于一个正交属性空间(各个属性之间是线性无关的)中的样本点,存在以下两个性质的超平面可对所有样本点进行恰当的表达:最近重构性
- 朴素贝叶斯分类算法
三三木木七
#机器学习机器学习人工智能sklearn
本文介绍了朴素贝叶斯分类算法,标记后的话一般是自己简要总结的,是比较通俗易懂的,也就是必看的。参考:西瓜书,ysu老师课件【摘要】1.分类算法:分类算法的内容是根据给定特征,求出它所属类别。2.先验概率:就是根据以往的数据分析所得到的概率。后验概率:是得到信息之后重新加以修正得到的概率。3.贝叶斯决策:贝叶斯决策理论中,我们希望选择那个最小化总体期望损失的决策。决策损失的期望值通过对所有可能状态的
- 决策树的相关知识点
三三木木七
#机器学习决策树算法机器学习
参考:ysu老师课件+西瓜书1.决策树的基本概念【决策树】:决策树是一种描述对样本数据进行分类的树形结构模型,由节点和有向边组成。其中每个内部节点表示一个属性上的判断,每个分支代表一个判断结果的输出,最后每个叶节点代表一种分类结果。理解:它是一个树状结构,其中每个节点代表一个特征属性的判断,每个分支代表这个判断的结果,而每个叶节点(叶子)代表一种类别或回归值。关于决策树要掌握的概念:根节点(Roo
- 西瓜书学习笔记——层次聚类(公式推导+举例应用)
Nie同学
机器学习学习笔记聚类
文章目录算法介绍实验分析算法介绍层次聚类是一种将数据集划分为层次结构的聚类方法。它主要有两种策略:自底向上和自顶向下。其中AGNES算法是一种自底向上聚类算法,用于将数据集划分为层次结构的聚类。算法的基本思想是从每个数据点开始,逐步合并最相似的簇,直到形成一个包含所有数据点的大簇。这个过程被反复执行,构建出一个层次化的聚类结构。这其中的关键就是如何计算聚类簇之间的距离。但实际上,每个簇都是一个集合
- 西瓜书学习笔记——密度聚类(公式推导+举例应用)
Nie同学
机器学习学习笔记聚类
文章目录算法介绍实验分析算法介绍密度聚类是一种无监督学习的聚类方法,其目标是根据数据点的密度分布将它们分组成不同的簇。与传统的基于距离的聚类方法(如K均值)不同,密度聚类方法不需要预先指定簇的数量,而是通过发现数据点周围的密度高度来确定簇的形状和大小。我们基于DBSCAN算法来实现密度聚类。DBSCAN是基于一组邻域参数(ϵ,MinPts)(\epsilon,MinPts)(ϵ,MinPts)来刻
- 【机器学习·西瓜书学习笔记·线性模型】线性回归——最小二乘法(least square method)
慈善区一姐
机器学习学习线性回归
线性模型的基本形式给定由个属性描述的实例,其中是在第个属性上的取值,线性模型(linearmodel)试图学得一个通过属性的线性组合来进行预测的函数,即一般用向量形式写成:和确定后,模型就得以确定参数查阅表把数据集表示为一个m*(d+1)大小的矩阵,其中每行对应于一个实例,每行前d个元素对应于实例的d个属性值,最后一个元素恒置于1,即(一)均方误差(meansquarederror)基于欧几里得距
- 如何系统学习机器学习?
人邮异步社区
学习机器学习人工智能
要系统学习机器学习,首先需要掌握一些基础编程技能,如Python。其次,学习基础的数学概念,如线性代数、概率论和统计学。然后,选择一些优质的在线课程和教材进行深入学习。最后,通过实践项目来巩固所学知识。以下是一些推荐的书籍:《动手学机器学习》,"西瓜书"作者周志华力荐的机器学习入门书。本书系统介绍了机器学习的基本内容及其代码实现,是一本着眼于机器学习教学实践的图书。本书包含4个部分:第一部分为机器
- 西瓜书学习笔记——原型聚类(公式推导+举例应用)
Nie同学
机器学习学习笔记聚类
文章目录k均值算法算法介绍实验分析学习向量量化(LVQ)算法介绍实验分析高斯混合聚类算法介绍实验分析总结k均值算法算法介绍给定样本集D={x1,x2,...,xm}D=\{x_1,x_2,...,x_m\}D={x1,x2,...,xm},k均值算法针对聚类算法所得簇划分C={C1,C2,...,Ck}\mathcal{C}=\{C_1,C_2,...,C_k\}C={C1,C2,...,Ck}最
- 大数据学习之路
金光闪闪耶
一、为什么要学习大数据?在我第一份实习的时候,忘记在什么场景下我leader突然说了一句:「干Java不就是增删改查嘛」,而恰好那时候知乎都是「干了3年Java,还是只会增删改查,迷茫」等问题,我听完leader那句话就心里一颤。因为这句话,我又一次的陷入迷茫,我不清楚自己是不是应该继续的Java,所以那段时间我干过爬虫,也撸了一阵子的西瓜书和统计学什么的。在知乎上所有相关的问题和答案我都看了,也
- 西瓜书学习笔记——Boosting(公式推导+举例应用)
Nie同学
机器学习学习笔记boosting
文章目录引言AdaBoost算法AdaBoost算法正确性说明AdaBoost算法如何解决权重更新问题?AdaBoost算法如何解决调整下一轮基学习器样本分布问题?AdaBoost算法总结实验分析引言Boosting是一种集成学习方法,旨在通过整合多个弱学习器来构建一个强学习器。其核心思想是迭代训练模型,关注之前被错误分类的样本,逐步提升整体性能。Boosting的代表算法包括AdaBoost、G
- 浙江大学《机器学习》笔记——神经网络(Neural Network)【上】
啵啵啵啵哲
机器学习笔记神经网络机器学习人工智能
写在前面·最近在学习《机器学习》.主要是看浙江大学胡浩基老师的网课,结合周志华老师的西瓜书来学.为了理清思路和推公式就敲了这样一个读书笔记.初次学习难免会有错漏,欢迎批评指正.这份笔记主要用途还是用来自己复习回顾.当然如果对大家有帮助那就更好了hhh·注:神经网络这部分的笔记大部分是基于浙大《机器学习》的逻辑进行整理的.第5章神经网络(NeuralNetwork)·神经网络的诞生是集体的智慧·近年
- 西瓜书读书笔记整理(十二) —— 第十二章 计算学习理论
smile-yan
机器学习西瓜书计算学习理论PAC
第十二章计算学习理论(上)12.1基础知识12.1.1什么是计算学习理论(computationallearningtheory)12.1.2什么是独立同分布(independentandidenticallydistributed,简称i.i.d.i.i.d.i.i.d.)以及独立同分布样本12.1.3泛化误差以及经验误差12.1.4相关数学定义表示12.1.5误差参数12.1.6映射与样本集是
- python自学(二)第二章 正则表达式|字符串匹配、函数和面向对象程序设计
BrilandLiu
pythonpython编程语言
为了能在开学后更好地融入实验室,本人计划用一个月的时间进行python3语言入门,该系列笔记适合已经有一门编程语言基础的朋友参考使用,欢迎同道者前来交流~使用教材:1.《python从入门到精通》清华大学出版社;(自带教学视频【二维码形式】)least17p/d2.《机器学习》周志华(西瓜书)清华大学出版社;least14p/d;3.BiliBili《和美女老师一起学python》视频。(一)正则
- 【机器学习】西瓜书要点个人整理
_hermit:
机器学习机器学习人工智能学习
目录前置基础知识第三章线性模型机器学习三要素1.函数集合2.目标函数3.优化方法4.模型评估方法对数几率回归(逻辑回归)第四章决策树第五章SVM第六章贝叶斯分类器第八章集成学习第九章神经网络前情提要:本文适合在学习机器学习课程前,对课程的要点进行简单预习。本文中提到的一些概念,大多是老师课上会重点讲的、考试要考的。此外,在进行复习时也可以通过这些概念引入,从而去更深入理解一些模型原理。前置基础知识
- 吃瓜教程Task1:概览西瓜书+南瓜书第1、2章
卡拉比丘流形
机器学习机器学习人工智能
由于本人之前已经学习过西瓜书,本次学习主要是对以往知识的查漏补缺,因此本博客记录了在学习西瓜书中容易混淆的点以及学习过程中的难点。更多学习内容可以参考下面的链接:南瓜书的地址:https://github.com/datawhalechina/pumpkin-book【视频链接】https://www.bilibili.com/video/BV1Mh411e7VU?p=1文章目录绪论如何对机器学习
- 西瓜书读书笔记整理(十) —— 第十章降维与度量学习
smile-yan
机器学习西瓜书
10.1k近邻学习10.1.1什么是kNN学习kNN算法(k-NearestNeighbors)是一种常用的分类和回归算法。它的基本思想是根据最近邻的样本来预测未知样本的标签或值。10.1.2kNN算法步骤kNN算法的步骤如下:计算未知样本与训练集中所有样本的距离(通常使用欧氏距离或其他距离度量方法)。选取与未知样本距离最近的k个样本。对于分类问题,根据这k个样本的标签进行投票或权重计算,确定未知
- 西瓜书第六章课后习题
lammmya
6.1试证明样本空间中任意点x到超平面(w,b)的距离为式(6.2)。画了个图在纸上进行了证明,感觉这样自会通俗易懂些。6.2试使用LIBSVM,在西瓜数据集3.0α上分别用线性核和高斯核训练一个SVM,并比较其支持向量的差别。导入相应的包主体函数:设置参数,输出。数据特征可视化输出结果以及数据特征可视化最终结果如下图结果表明,使用线性核和高斯训练核的支持向量实际是一样的(两条线重合),且数量相同
- 机器学习西瓜书笔记1
糊了胡
机器学习机器学习笔记人工智能
第一章机器学习之绪论目录第一章机器学习之绪论一、引言二、基本术语三、假设空间四、归纳偏好五、发展历程一、引言机器学习就是致力于研究如何通过计算的手段,利用经验来改善系统自身的性能。Mitchell给出了更形式化的定义:假设用P来评估计算机程序在某任务类T上的性能,若一个程序通过利用经验E在T中任务上获得了性能改善,则我们就说关于T和P,该程序对E进行了学习。二、基本术语收集一组西瓜数据,(色泽=青
- 西瓜书读书笔记整理(九) —— 第九章 聚类
smile-yan
聚类支持向量机机器学习
第九章聚类9.1聚类算法概述9.1.1什么是聚类算法9.1.2聚类算法分类9.1.3聚类任务9.2性能度量(ClusterEvaluation)9.2.1外部指标(externalindex)9.2.2内部指数(internalindex)9.3距离度量(DistanceMeasures)9.3.1距离度量的性质9.3.2常见的几种距离的计算公式9.4原型聚类(prototype-basedclu
- 西瓜书*南瓜书*机器学习*周志华*第一章*学习小结
fyc300
笔记西瓜书机器学习机器学习人工智能自动驾驶
西瓜书*南瓜书*机器学习*周志华*第一章*学习小结第一章绪论1.1绪论通过一个关于瓜的故事引入了对于机器学习这门课的学习。机器学习正是这样一门学科,它致力于研究如何通过计算的手段,利用经验来改善系统自身的性能。1.2基本术语数据集dataset示例instance样本sample属性attribute特征feature属性值attributevalue属性空间attributespace样本空间s
- 【机器学习】集成学习基础概念介绍
Avasla
机器学习算法机器学习集成学习人工智能
前言本文根据西瓜书总结了一些关键知识点,介绍了集成学习的原理、类型以及结合策略。、1.个体与集成集成学习(ensemblelearning)通过构建的并结合多个学习器来完成学习任务,有时也被成为多分类器系统(multi-classifiersystem)、基于委员会的学习(committee-basedlearning)等。……通过将多个学习器进行结合,常可获得比单一学习器显著优越的泛化性能。个体
- 赠书 | 周志华老师的西瓜书--《机器学习》
茗创科技
作者:周志华著出版社:清华大学出版社ISBN:978-7-302-42328-7“本书的作者周志华教授在机器学习的许多领域都有出色的贡献,是中国机器学习研究的领军人物之一,在国际学术界有着很高的声誉。他在机器学习的一些重要领域,例如集成学习、半监督学习、多示例和多标记学习等方面都做出了在国际上有重要影响的工作,其中一些可以认为是中国学者在国际上的代表性贡献。”——陆汝铃中国科学院数学与系统科学研究
- java杨辉三角
3213213333332132
java基础
package com.algorithm;
/**
* @Description 杨辉三角
* @author FuJianyong
* 2015-1-22上午10:10:59
*/
public class YangHui {
public static void main(String[] args) {
//初始化二维数组长度
int[][] y
- 《大话重构》之大布局的辛酸历史
白糖_
重构
《大话重构》中提到“大布局你伤不起”,如果企图重构一个陈旧的大型系统是有非常大的风险,重构不是想象中那么简单。我目前所在公司正好对产品做了一次“大布局重构”,下面我就分享这个“大布局”项目经验给大家。
背景
公司专注于企业级管理产品软件,企业有大中小之分,在2000年初公司用JSP/Servlet开发了一套针对中
- 电驴链接在线视频播放源码
dubinwei
源码电驴播放器视频ed2k
本项目是个搜索电驴(ed2k)链接的应用,借助于磁力视频播放器(官网:
http://loveandroid.duapp.com/ 开放平台),可以实现在线播放视频,也可以用迅雷或者其他下载工具下载。
项目源码:
http://git.oschina.net/svo/Emule,动态更新。也可从附件中下载。
项目源码依赖于两个库项目,库项目一链接:
http://git.oschina.
- Javascript中函数的toString()方法
周凡杨
JavaScriptjstoStringfunctionobject
简述
The toString() method returns a string representing the source code of the function.
简译之,Javascript的toString()方法返回一个代表函数源代码的字符串。
句法
function.
- struts处理自定义异常
g21121
struts
很多时候我们会用到自定义异常来表示特定的错误情况,自定义异常比较简单,只要分清是运行时异常还是非运行时异常即可,运行时异常不需要捕获,继承自RuntimeException,是由容器自己抛出,例如空指针异常。
非运行时异常继承自Exception,在抛出后需要捕获,例如文件未找到异常。
此处我们用的是非运行时异常,首先定义一个异常LoginException:
/**
* 类描述:登录相
- Linux中find常见用法示例
510888780
linux
Linux中find常见用法示例
·find path -option [ -print ] [ -exec -ok command ] {} \;
find命令的参数;
- SpringMVC的各种参数绑定方式
Harry642
springMVC绑定表单
1. 基本数据类型(以int为例,其他类似):
Controller代码:
@RequestMapping("saysth.do")
public void test(int count) {
}
表单代码:
<form action="saysth.do" method="post&q
- Java 获取Oracle ROWID
aijuans
javaoracle
A ROWID is an identification tag unique for each row of an Oracle Database table. The ROWID can be thought of as a virtual column, containing the ID for each row.
The oracle.sql.ROWID class i
- java获取方法的参数名
antlove
javajdkparametermethodreflect
reflect.ClassInformationUtil.java
package reflect;
import javassist.ClassPool;
import javassist.CtClass;
import javassist.CtMethod;
import javassist.Modifier;
import javassist.bytecode.CodeAtt
- JAVA正则表达式匹配 查找 替换 提取操作
百合不是茶
java正则表达式替换提取查找
正则表达式的查找;主要是用到String类中的split();
String str;
str.split();方法中传入按照什么规则截取,返回一个String数组
常见的截取规则:
str.split("\\.")按照.来截取
str.
- Java中equals()与hashCode()方法详解
bijian1013
javasetequals()hashCode()
一.equals()方法详解
equals()方法在object类中定义如下:
public boolean equals(Object obj) {
return (this == obj);
}
很明显是对两个对象的地址值进行的比较(即比较引用是否相同)。但是我们知道,String 、Math、I
- 精通Oracle10编程SQL(4)使用SQL语句
bijian1013
oracle数据库plsql
--工资级别表
create table SALGRADE
(
GRADE NUMBER(10),
LOSAL NUMBER(10,2),
HISAL NUMBER(10,2)
)
insert into SALGRADE values(1,0,100);
insert into SALGRADE values(2,100,200);
inser
- 【Nginx二】Nginx作为静态文件HTTP服务器
bit1129
HTTP服务器
Nginx作为静态文件HTTP服务器
在本地系统中创建/data/www目录,存放html文件(包括index.html)
创建/data/images目录,存放imags图片
在主配置文件中添加http指令
http {
server {
listen 80;
server_name
- kafka获得最新partition offset
blackproof
kafkapartitionoffset最新
kafka获得partition下标,需要用到kafka的simpleconsumer
import java.util.ArrayList;
import java.util.Collections;
import java.util.Date;
import java.util.HashMap;
import java.util.List;
import java.
- centos 7安装docker两种方式
ronin47
第一种是采用yum 方式
yum install -y docker
 
- java-60-在O(1)时间删除链表结点
bylijinnan
java
public class DeleteNode_O1_Time {
/**
* Q 60 在O(1)时间删除链表结点
* 给定链表的头指针和一个结点指针(!!),在O(1)时间删除该结点
*
* Assume the list is:
* head->...->nodeToDelete->mNode->nNode->..
- nginx利用proxy_cache来缓存文件
cfyme
cache
user zhangy users;
worker_processes 10;
error_log /var/vlogs/nginx_error.log crit;
pid /var/vlogs/nginx.pid;
#Specifies the value for ma
- [JWFD开源工作流]JWFD嵌入式语法分析器负号的使用问题
comsci
嵌入式
假如我们需要用JWFD的语法分析模块定义一个带负号的方程式,直接在方程式之前添加负号是不正确的,而必须这样做:
string str01 = "a=3.14;b=2.71;c=0;c-((a*a)+(b*b))"
定义一个0整数c,然后用这个整数c去
- 如何集成支付宝官方文档
dai_lm
android
官方文档下载地址
https://b.alipay.com/order/productDetail.htm?productId=2012120700377310&tabId=4#ps-tabinfo-hash
集成的必要条件
1. 需要有自己的Server接收支付宝的消息
2. 需要先制作app,然后提交支付宝审核,通过后才能集成
调试的时候估计会真的扣款,请注意
- 应该在什么时候使用Hadoop
datamachine
hadoop
原帖地址:http://blog.chinaunix.net/uid-301743-id-3925358.html
存档,某些观点与我不谋而合,过度技术化不可取,且hadoop并非万能。
--------------------------------------------万能的分割线--------------------------------
有人问我,“你在大数据和Hado
- 在GridView中对于有外键的字段使用关联模型进行搜索和排序
dcj3sjt126com
yii
在GridView中使用关联模型进行搜索和排序
首先我们有两个模型它们直接有关联:
class Author extends CActiveRecord {
...
}
class Post extends CActiveRecord {
...
function relations() {
return array(
'
- 使用NSString 的格式化大全
dcj3sjt126com
Objective-C
格式定义The format specifiers supported by the NSString formatting methods and CFString formatting functions follow the IEEE printf specification; the specifiers are summarized in Table 1. Note that you c
- 使用activeX插件对象object滚动有重影
蕃薯耀
activeX插件滚动有重影
使用activeX插件对象object滚动有重影 <object style="width:0;" id="abc" classid="CLSID:D3E3970F-2927-9680-BBB4-5D0889909DF6" codebase="activex/OAX339.CAB#
- SpringMVC4零配置
hanqunfeng
springmvc4
基于Servlet3.0规范和SpringMVC4注解式配置方式,实现零xml配置,弄了个小demo,供交流讨论。
项目说明如下:
1.db.sql是项目中用到的表,数据库使用的是oracle11g
2.该项目使用mvn进行管理,私服为自搭建nexus,项目只用到一个第三方 jar,就是oracle的驱动;
3.默认项目为零配置启动,如果需要更改启动方式,请
- 《开源框架那点事儿16》:缓存相关代码的演变
j2eetop
开源框架
问题引入
上次我参与某个大型项目的优化工作,由于系统要求有比较高的TPS,因此就免不了要使用缓冲。
该项目中用的缓冲比较多,有MemCache,有Redis,有的还需要提供二级缓冲,也就是说应用服务器这层也可以设置一些缓冲。
当然去看相关实现代代码的时候,大致是下面的样子。
[java]
view plain
copy
print
?
public vo
- AngularJS浅析
kvhur
JavaScript
概念
AngularJS is a structural framework for dynamic web apps.
了解更多详情请见原文链接:http://www.gbtags.com/gb/share/5726.htm
Directive
扩展html,给html添加声明语句,以便实现自己的需求。对于页面中html元素以ng为前缀的属性名称,ng是angular的命名空间
- 架构师之jdk的bug排查(一)---------------split的点号陷阱
nannan408
split
1.前言.
jdk1.6的lang包的split方法是有bug的,它不能有效识别A.b.c这种类型,导致截取长度始终是0.而对于其他字符,则无此问题.不知道官方有没有修复这个bug.
2.代码
String[] paths = "object.object2.prop11".split("'");
System.ou
- 如何对10亿数据量级的mongoDB作高效的全表扫描
quentinXXZ
mongodb
本文链接:
http://quentinXXZ.iteye.com/blog/2149440
一、正常情况下,不应该有这种需求
首先,大家应该有个概念,标题中的这个问题,在大多情况下是一个伪命题,不应该被提出来。要知道,对于一般较大数据量的数据库,全表查询,这种操作一般情况下是不应该出现的,在做正常查询的时候,如果是范围查询,你至少应该要加上limit。
说一下,
- C语言算法之水仙花数
qiufeihu
c算法
/**
* 水仙花数
*/
#include <stdio.h>
#define N 10
int main()
{
int x,y,z;
for(x=1;x<=N;x++)
for(y=0;y<=N;y++)
for(z=0;z<=N;z++)
if(x*100+y*10+z == x*x*x
- JSP指令
wyzuomumu
jsp
jsp指令的一般语法格式: <%@ 指令名 属性 =”值 ” %>
常用的三种指令: page,include,taglib
page指令语法形式: <%@ page 属性 1=”值 1” 属性 2=”值 2”%>
include指令语法形式: <%@include file=”relative url”%> (jsp可以通过 include