- 【机器学习】什么是逻辑回归?从入门到精通:掌握逻辑回归与二分类问题的解决之道
宸码
模式识别机器学习机器学习python逻辑回归分类人工智能算法
从入门到精通:掌握逻辑回归与二分类问题的解决之道引言1.1逻辑回归简介1.2逻辑回归的应用场景逻辑回归基本原理2.1逻辑回归概述逻辑回归的基本思想预测类别的概率2.2线性模型与Sigmoid函数线性模型Sigmoid函数Sigmoid函数的性质为什么选择Sigmoid函数2.3逻辑回归的输出:概率值分类决策代价函数与优化数学基础3.1逻辑回归的假设与目标假设目标3.2对数似然函数概率模型对数似然函
- 西南交通大学【机器学习实验1】
实验目的理解和掌握回归问题和分类问题模型评估方法,学会使用均方误差、最大绝对误差、均方根误差指标评估回归模型,学会使用错误率、精度、查全率、查准率、F1指标评价分类模型。实验内容给定回归问题的真实标签和多个算法的预测结果,编程实现MSE、MAE、RMSE三种评测指标,对模型进行对比分析。给定二分类问题真实标签和多个算法的预测结果,编程实现混淆矩阵评测,采用错误率、精度、查全率、查准率、F1指标对结
- 用sklearn库中的算法对数据集进行训练和auc评估(个人学习笔记)
ZD困困困
python机器学习
本文为个人学习笔记,仅供学习参考,欢迎讨论,要是有哪里写的不对或有疑问的欢迎讨论。题目:运用已给数据集进行模型训练,使用逻辑回归、决策树、随机森林和AdaBoost几个算法进行训练,并打印各个算法训练后的auc评价指标。文章目录1.导入数据集①read_csv():读取数据并以某字符分隔。②merge():合并③drop():删除行或列④tolist():将数组或矩阵转换为列表⑤train_tes
- 学习笔记(29):训练集与测试集划分详解:train_test_split 函数深度解析
宁儿数据安全
#机器学习学习笔记深度学习
学习笔记(29):训练集与测试集划分详解:train_test_split函数深度解析一、为什么需要划分训练集和测试集?在机器学习中,模型需要经历两个核心阶段:训练阶段:用训练集数据学习特征与目标值的映射关系(如线性回归的权重)。测试阶段:用测试集评估模型在未见过的数据上的表现,避免“过拟合”(模型只记住训练数据的噪声,无法泛化到新数据)。类比场景:学生通过“练习题”(训练集)学习知识,再通过“考
- 机器学习:集成算法的装袋法(Bagging):随机森林(Random Forest)
rubyw
#概念及理论机器学习算法随机森林
随机森林(RandomForest)是一种集成学习方法,通过构建多个决策树并结合其预测结果来提升模型的性能和稳定性。它由LeoBreiman于2001年提出,广泛应用于分类和回归任务。以下是随机森林的详细介绍,包括其基本概念、构建过程、优缺点及应用场景。基本概念随机森林是一种基于决策树的集成算法,通过生成多棵决策树,并将这些树的预测结果结合起来,以提高整体模型的预测准确性和稳定性。每棵决策树都是在
- 机器学习在智能金融风险评估中的应用:信用评分与欺诈检测
Blossom.118
机器学习与人工智能机器人机器学习人工智能python深度学习sklearn计算机视觉
在金融行业,风险评估是确保金融机构稳健运营的关键环节。随着大数据和机器学习技术的快速发展,金融机构开始探索如何利用机器学习算法来提高风险评估的准确性和效率。本文将探讨机器学习在智能金融风险评估中的应用,特别是信用评分和欺诈检测方面的最新进展,并分析其带来的机遇和挑战。一、智能金融风险评估中的信用评分(一)传统信用评分方法的局限性传统的信用评分主要依赖于人工规则和简单的统计模型,如逻辑回归。这些方法
- 大语言模型:是逐字生成还是一次多词?
ZhangJiQun&MXP
教学2024大模型以及算力2021AIpython算法prompt人工智能自然语言处理均值算法
大语言模型(LLM)既可以按顺序逐个生成单词(token),也能实现一次生成多个token核心差异源于解码策略与模型架构设计一、常规“逐个生成”模式(基础逻辑)多数入门级演示或简单文本生成中,LLM会默认按“生成一个token→拼接回输入→再生成下一个”的流程,本质是自回归(Auto-Regressive)机制的基础应用。比如用小语言模型续写“今天天气____”:模型先基于“今天天气”预测第一个t
- 离线配置vscode ssh信息
ma1096539894
vscodeide编辑器
1、在有网环境下下载vscode**.exe;并配置ssh插件***;2、将.vscode路径下的extensions。替换到内网同路径下;3、获取内网的vscode唯一id;4、在外网中拼接id;下载对应的https://vscode.download.prss.microsoft.com/dbazure/download/stable/******************/vscode-ser
- Python Day57
别勉.
python机器学习python开发语言
Task:1.序列数据的处理:a.处理非平稳性:n阶差分b.处理季节性:季节性差分c.自回归性无需处理2.模型的选择a.AR§自回归模型:当前值受到过去p个值的影响b.MA(q)移动平均模型:当前值收到短期冲击的影响,且冲击影响随时间衰减c.ARMA(p,q)自回归滑动平均模型:同时存在自回归和冲击影响时间序列分析:ARIMA/SARIMA模型构建流程时间序列分析的核心目标是理解序列的过去行为,并
- 我的创作纪念日
勤勉螺丝钉
学习
手指轻敲键盘,一下又一下,思绪如潮水般涌来。我写了很多字,又反复斟酌,最终一个个删除。不是无话可说,而是想表达的太多,怕言语不够真挚,怕文字不够动人。官方提供的模板固然规范,但总觉得少了些属于自己的温度与风格。于是,我选择放下模板,回归内心,用最真诚的方式写下这段话。从开始创作至今,已经整整512天了。这五百多个日夜,有过迷茫、有过坚持、也有过收获。一路走来,我在CSDN这个知识平台上不断学习、不
- Tensorflow 回归模型 FLASK + DOCKER 部署 至 Ubuntu 虚拟机
准备工作:安装虚拟机,安装ubuntu,安装python3.x、pip和对应版本的tensorflow和其他库文件,安装docker。注意事项:1.windows系统运行的模型文件不能直接运行到虚拟机上,需在虚拟机上重新运行并生成模型文件2.虚拟机网络状态改为桥接Flask代码如下:fromflaskimportFlask,request,jsonifyimportpickleimportnump
- D-FINE使用pth权重批量推理可视化图片
悠悠海风
代码调试深度学习人工智能python目标检测计算机视觉
关于D-FINE相关的内容可参考下面这篇博客:论文解读:ICLR2025|D-FINE_d-fine:redefineregressiontaskindetrsasfine--CSDN博客文章浏览阅读949次,点赞18次,收藏28次。D-FINE是一款功能强大的实时物体检测器,它将DETRs中的边界框回归任务重新定义为细粒度分布细化(FDR),并引入了全局最优定位自蒸馏(GO-LSD),在不引入额
- python学智能算法(十六)|机器学习支持向量机简单示例
西猫雷婶
python学习笔记人工智能机器学习机器学习python支持向量机人工智能深度学习
【1】引言前序学习了逻辑回归等算法,相关文章链接包括且不限于:python学智能算法(十)|机器学习逻辑回归(Logistic回归)_逻辑回归算法python-CSDN博客python学智能算法(十一)|机器学习逻辑回归深入(Logistic回归)_np.random.logistic()-CSDN博客今天在此基础上更进一步,学习支持向量机,为实现较好地理解,先解读一个简单算例。【2】代码解读【2
- 贝叶斯回归:从概率视角量化预测的不确定性
大千AI助手
人工智能Python#OTHER回归数据挖掘人工智能机器学习算法贝叶斯
本文由「大千AI助手」原创发布,专注用真话讲AI,回归技术本质。拒绝神话或妖魔化。搜索「大千AI助手」关注我,一起撕掉过度包装,学习真实的AI技术!贝叶斯方法在回归问题中的应用被称为贝叶斯回归(BayesianRegression)。与传统频率派的线性回归(如最小二乘法)不同,贝叶斯回归的核心思想是:将回归参数(如权重系数)视为随机变量,通过贝叶斯定理结合先验分布和观测数据,推导出参数的后验分布,
- 软件测试-UI自动化
Oooon_the_way
自动化UI自动化
前言UI自动化测试是指利用自动化工具和脚本,模拟真实用户的操作(如点击、输入、滚动、选择等),在应用程序的用户界面上执行预定义的测试用例,并自动验证结果是否符合预期。它主要用于回归测试,确保新代码或修改不会破坏现有的用户界面功能和用户体验。为什么需要UI自动化?提高效率与速度:替代大量重复的手工测试,特别是回归测试套件,可以快速执行,节省大量时间。提高覆盖率:可以执行成千上万次的复杂测试用例组合,
- 机器学习-- 聚类
SunsPlanter
机器学习机器学习聚类人工智能
什么是聚类?Clustering可以简单地说,对有标注的数据分类,就是逻辑回归(属于有监督分类),对无标注的数据分类,就是聚类(属于无监督分类)聚类是一种无监督学习技术,其目标是根据样本之间的相似性将未标记的数据分组。比如,在一个假设的患者研究中,研究人员正在评估一项新的治疗方案。在试验期间,患者每周会报告自身症状的频率以及严重程度。研究人员可以使用聚类分析将对治疗反应相似的患者归为同一类。图1展
- 回归预测 | MATLAB实现LSTM-SVR(长短期记忆神经网络-支持向量机)多输入单输出
matlab科研社
神经网络回归matlab
✅作者简介:热爱数据处理、数学建模、仿真设计、论文复现、算法创新的Matlab仿真开发者。更多Matlab代码及仿真咨询内容点击主页:Matlab科研工作室个人信条:格物致知,期刊达人。内容介绍长短期记忆神经网络(LSTM)作为一种循环神经网络(RNN)的变体,擅长处理序列数据并捕捉长期依赖关系,而支持向量机(SVR)则是一种强大的回归算法,能够有效地处理高维数据并防止过拟合。将两者结合的LSTM
- Go语言的常用内置包
1.strings包1.1检索字符串方法功能描述funcContains(s,subStrstring)bool字符串s是否包含子串subStrfuncContainsAny(s,charsstring)bool字符串s是否包含chars中任一字符funcContainsRune(sstring,rrune)字符串s是否包含unicode码值rfuncCount(s,sepstring)int字符
- 常见机器学习算法与应用场景
计算机软件程序设计
知识科普机器学习算法人工智能
当然可以。下面是对常见机器学习算法的全面详细阐述,包括每种算法的基本原理、特点以及典型应用场景。1.监督学习(SupervisedLearning)1.1线性回归(LinearRegression)原理:通过拟合一条直线来表示输入和输出之间的关系,适用于预测连续值输出。特点:简单易懂,计算速度快,但只能捕捉线性关系。应用场景:房价预测股票价格预测销售额预测1.2逻辑回归(LogisticRegre
- 平面设计矢量绘图软件 CorelDRAW 2019简体中文特别版 Win/Mac
CorelDraw2019回归Mac并进入网络经过近20年的努力,Corel再次吸引Mac用户加入到CorelDrawGraphicsSuite2019大家庭。Corel在2001年不可避免放弃了其Mac版CorelDraw产品。18年后今天推出其最新的Windows更新CorelDrawGraphicsSuite2019,并首次亮相进入网络应用世界。这次的不同之处在于Mac版本不是一个温暖的Wi
- YOLOv10 全面升级解析:关键改进点一文掌握
要努力啊啊啊
计算机视觉YOLO目标跟踪人工智能目标检测深度学习
✅YOLOv10改进点详解一、前言YOLOv10是由Ultralytics团队在2024年提出的新一代目标检测模型,在保持高精度的同时进一步优化了部署效率和推理速度。它的核心改进包括:改进方向内容✅非解耦头轻量化设计消除非必要分支,减少冗余计算✅Anchor-Free模式默认启用,无需手动设置anchor✅TAL+DFLLoss提升边界框回归质量✅多任务统一接口detect/segment/pos
- srs+ffmpeg推流
rainbow-flow
操作系统macoslinuxubuntucentos
srs+ffmpeg推流过程一、安装srs二、安装yasm三、安装ffmpeg四、使用ffmpeg推流命令推流脚本推流五、vlc拉流一、安装srssrs源代码:https://github.com/ossrs/srs/wiki/v3_CN_Home安装步骤1,在合适目录下:gitclone-b3.0releasehttps://gitee.com/ossrs/srs.git2,cdsrs/trun
- 国米夏窗豪赌:奥纳纳回归+锋线强援剑指双线复兴
花开半谢
笔记
国际米兰在刚刚结束的世俱杯1/8决赛中0-2完败于弗鲁米嫩塞,冲击冠军梦想戛然而止。这场失利不仅暴露了球队的临场状态问题,更揭示了阵容的关键短板。门将位置成为焦点,高龄的索默本场表现挣扎,赛后评分仅5.9分。球迷虽认为失利非他一人之责,但其状态下滑已是不争事实。夏窗换血势在必行。一个令人瞩目的潜在选项浮出水面——回购旧将奥纳纳。媒体消息显示,曼联正积极追求维拉门神大马丁,有意出售奥纳纳腾出薪资空间
- 【机器学习第四期(Python)】LightGBM 方法原理详解
WW、forever
机器学习原理及代码实现机器学习python人工智能
LightGBM概述一、LightGBM简介二、LightGBM原理详解⚙️核心原理LightGBM的主要特点三、LightGBM实现步骤(Python)可调参数推荐完整案例代码(回归任务+可视化)参考LightGBM是由微软开源的基于梯度提升框架(GBDT)的机器学习算法,专为高性能、高效率设计,适用于大规模数据处理任务。它在准确率、训练速度和资源使用上都优于传统GBDT实现(如XGBoost)
- 【机器学习】机器学习的基本分类-监督学习-线性回归(Linear Regression)
IT古董
人工智能机器学习机器学习分类学习人工智能线性回归
线性回归是监督学习中的一种基础算法,用于解决回归问题。它通过拟合一条直线(或平面、高维超平面),来预测输出与输入变量之间的关系。1.线性回归的基本概念目标给定输入和对应的输出y,找到一个线性函数:其中:是权重(回归系数)。b是偏置(截距)。y是预测值。损失函数为了找到最佳的w和b,需要最小化预测值和真实值
- D-FINE模型详解及代码复现
清风AI
目标跟踪人工智能计算机视觉深度学习机器学习python神经网络
研究背景在实时目标检测领域的快速发展背景下,D-FINE作为一项突破性的方法应运而生。它超越了现有模型如YOLOv10、YOLO11及RT-DETRv1/v2/v3,重新定义了边界框回归任务,显著提升了实时目标检测的性能上限。D-FINE通过创新的细粒度分布优化(FDR)和全局最优定位自蒸馏(GO-LSD)机制,为目标检测领域带来了新的突破,为未来的研究奠定了基础。创新优势D-FINE模型在创新方
- 一款wordperss AI免费插件自动内容生成+前端AI交互+文章批量采集
Linkreate
前端人工智能wordpresswordpressAI插件wordpress免费插件wordpress自动发文自动发文源码
一款LinkreatewordperssAI自动内容生成+前端AI会话窗口交互+文章批量采集免费插件1.SEO优化文章生成关键词驱动的内容生成:用户可以输入关键词或长尾关键词,插件会根据这些关键词生成高质量的SEO优化文章。文章结构清晰,语言自然流畅,符合SEO标准,能够有效提升网站内容的搜索引擎排名。自定义文章长度和要求:用户可以根据需要指定文章的长度(字数)以及对文章的额外要求,例如内容风格、
- 深度解析基于贝叶斯的垃圾邮件分类
大千AI助手
人工智能Python#OTHER分类数据挖掘人工智能机器学习算法贝叶斯Bayes
贝叶斯垃圾邮件分类的核心逻辑是基于贝叶斯定理,利用邮件中的特征(通常是单词)来计算该邮件属于“垃圾邮件”或“非垃圾邮件”的概率,并根据概率大小进行分类。它是一种朴素贝叶斯分类器,因其假设特征(单词)之间相互独立而得名(虽然这在现实中不完全成立,但效果通常很好)。本文由「大千AI助手」原创发布,专注用真话讲AI,回归技术本质。拒绝神话或妖魔化。搜索「大千AI助手」关注我,一起撕掉过度包装,学习真实的
- 【零基础学AI】 第10讲:线性回归
1989
0基础学AI人工智能线性回归算法python回归numpy开源
本节课你将学到理解线性回归的原理和应用场景掌握最小二乘法的基本思想使用Python构建房价预测模型学会评估回归模型的性能指标开始之前环境要求Python3.8+JupyterNotebook或任何PythonIDE需要安装的包pipinstallscikit-learnpandasmatplotlibseabornnumpy前置知识第9讲:机器学习概述基本的Python和数据处理能力核心概念什么是
- r语言 回归分析 分类变量_R语言下的PSM分析分类变量处理与分析步骤
weixin_39715834
r语言回归分析分类变量r语言清除变量
最近学习了PSM,我选择了用R去跑PSM,在这过程中遇到了许多问题,最后也都一一解决了,写下这个也是希望大家在遇到相同问题的时候能够得到帮助和启发,别的应该不会遇到太难的问题了哈哈。最近我也没做什么,录数据,或者说还在调整心态,最近遇到的事情也比较多,又或者说最近的心态比较乱,晚上也睡不好导致白天也比较烦躁,所以可能还是需要一段时间去好好调整,因此最近更新的也比较慢。不过还是会坚持的。问题阐述:1
- 用MiddleGenIDE工具生成hibernate的POJO(根据数据表生成POJO类)
AdyZhang
POJOeclipseHibernateMiddleGenIDE
推荐:MiddlegenIDE插件, 是一个Eclipse 插件. 用它可以直接连接到数据库, 根据表按照一定的HIBERNATE规则作出BEAN和对应的XML ,用完后你可以手动删除它加载的JAR包和XML文件! 今天开始试着使用
- .9.png
Cb123456
android
“点九”是andriod平台的应用软件开发里的一种特殊的图片形式,文件扩展名为:.9.png
智能手机中有自动横屏的功能,同一幅界面会在随着手机(或平板电脑)中的方向传感器的参数不同而改变显示的方向,在界面改变方向后,界面上的图形会因为长宽的变化而产生拉伸,造成图形的失真变形。
我们都知道android平台有多种不同的分辨率,很多控件的切图文件在被放大拉伸后,边
- 算法的效率
天子之骄
算法效率复杂度最坏情况运行时间大O阶平均情况运行时间
算法的效率
效率是速度和空间消耗的度量。集中考虑程序的速度,也称运行时间或执行时间,用复杂度的阶(O)这一标准来衡量。空间的消耗或需求也可以用大O表示,而且它总是小于或等于时间需求。
以下是我的学习笔记:
1.求值与霍纳法则,即为秦九韶公式。
2.测定运行时间的最可靠方法是计数对运行时间有贡献的基本操作的执行次数。运行时间与这个计数成正比。
- java数据结构
何必如此
java数据结构
Java 数据结构
Java工具包提供了强大的数据结构。在Java中的数据结构主要包括以下几种接口和类:
枚举(Enumeration)
位集合(BitSet)
向量(Vector)
栈(Stack)
字典(Dictionary)
哈希表(Hashtable)
属性(Properties)
以上这些类是传统遗留的,在Java2中引入了一种新的框架-集合框架(Collect
- MybatisHelloWorld
3213213333332132
//测试入口TestMyBatis
package com.base.helloworld.test;
import java.io.IOException;
import org.apache.ibatis.io.Resources;
import org.apache.ibatis.session.SqlSession;
import org.apache.ibat
- Java|urlrewrite|URL重写|多个参数
7454103
javaxmlWeb工作
个人工作经验! 如有不当之处,敬请指点
1.0 web -info 目录下建立 urlrewrite.xml 文件 类似如下:
<?xml version="1.0" encoding="UTF-8" ?>
<!DOCTYPE u
- 达梦数据库+ibatis
darkranger
sqlmysqlibatisSQL Server
--插入数据方面
如果您需要数据库自增...
那么在插入的时候不需要指定自增列.
如果想自己指定ID列的值, 那么要设置
set identity_insert 数据库名.模式名.表名;
----然后插入数据;
example:
create table zhabei.test(
id bigint identity(1,1) primary key,
nam
- XML 解析 四种方式
aijuans
android
XML现在已经成为一种通用的数据交换格式,平台的无关性使得很多场合都需要用到XML。本文将详细介绍用Java解析XML的四种方法。
XML现在已经成为一种通用的数据交换格式,它的平台无关性,语言无关性,系统无关性,给数据集成与交互带来了极大的方便。对于XML本身的语法知识与技术细节,需要阅读相关的技术文献,这里面包括的内容有DOM(Document Object
- spring中配置文件占位符的使用
avords
1.类
<?xml version="1.0" encoding="UTF-8"?><!DOCTYPE beans PUBLIC "-//SPRING//DTD BEAN//EN" "http://www.springframework.o
- 前端工程化-公共模块的依赖和常用的工作流
bee1314
webpack
题记: 一个人的项目,还有工程化的问题嘛? 我们在推进模块化和组件化的过程中,肯定会不断的沉淀出我们项目的模块和组件。对于这些沉淀出的模块和组件怎么管理?另外怎么依赖也是个问题? 你真的想这样嘛? var BreadCrumb = require(‘../../../../uikit/breadcrumb’); //真心ugly。
- 上司说「看你每天准时下班就知道你工作量不饱和」,该如何回应?
bijian1013
项目管理沟通IT职业规划
问题:上司说「看你每天准时下班就知道你工作量不饱和」,如何回应
正常下班时间6点,只要是6点半前下班的,上司都认为没有加班。
Eno-Bea回答,注重感受,不一定是别人的
虽然我不知道你具体从事什么工作与职业,但是我大概猜测,你是从事一项不太容易出现阶段性成果的工作
- TortoiseSVN,过滤文件
征客丶
SVN
环境:
TortoiseSVN 1.8
配置:
在文件夹空白处右键
选择 TortoiseSVN -> Settings
在 Global ignote pattern 中添加要过滤的文件:
多类型用英文空格分开
*name : 过滤所有名称为 name 的文件或文件夹
*.name : 过滤所有后缀为 name 的文件或文件夹
--------
- 【Flume二】HDFS sink细说
bit1129
Flume
1. Flume配置
a1.sources=r1
a1.channels=c1
a1.sinks=k1
###Flume负责启动44444端口
a1.sources.r1.type=avro
a1.sources.r1.bind=0.0.0.0
a1.sources.r1.port=44444
a1.sources.r1.chan
- The Eight Myths of Erlang Performance
bookjovi
erlang
erlang有一篇guide很有意思: http://www.erlang.org/doc/efficiency_guide
里面有个The Eight Myths of Erlang Performance: http://www.erlang.org/doc/efficiency_guide/myths.html
Myth: Funs are sl
- java多线程网络传输文件(非同步)-2008-08-17
ljy325
java多线程socket
利用 Socket 套接字进行面向连接通信的编程。客户端读取本地文件并发送;服务器接收文件并保存到本地文件系统中。
使用说明:请将TransferClient, TransferServer, TempFile三个类编译,他们的类包是FileServer.
客户端:
修改TransferClient: serPort, serIP, filePath, blockNum,的值来符合您机器的系
- 读《研磨设计模式》-代码笔记-模板方法模式
bylijinnan
java设计模式
声明: 本文只为方便我个人查阅和理解,详细的分析以及源代码请移步 原作者的博客http://chjavach.iteye.com/
import java.sql.Connection;
import java.sql.DriverManager;
import java.sql.PreparedStatement;
import java.sql.ResultSet;
- 配置心得
chenyu19891124
配置
时间就这样不知不觉的走过了一个春夏秋冬,转眼间来公司已经一年了,感觉时间过的很快,时间老人总是这样不停走,从来没停歇过。
作为一名新手的配置管理员,刚开始真的是对配置管理是一点不懂,就只听说咱们公司配置主要是负责升级,而具体该怎么做却一点都不了解。经过老员工的一点点讲解,慢慢的对配置有了初步了解,对自己所在的岗位也慢慢的了解。
做了一年的配置管理给自总结下:
1.改变
从一个以前对配置毫无
- 对“带条件选择的并行汇聚路由问题”的再思考
comsci
算法工作软件测试嵌入式领域模型
2008年上半年,我在设计并开发基于”JWFD流程系统“的商业化改进型引擎的时候,由于采用了新的嵌入式公式模块而导致出现“带条件选择的并行汇聚路由问题”(请参考2009-02-27博文),当时对这个问题的解决办法是采用基于拓扑结构的处理思想,对汇聚点的实际前驱分支节点通过算法预测出来,然后进行处理,简单的说就是找到造成这个汇聚模型的分支起点,对这个起始分支节点实际走的路径数进行计算,然后把这个实际
- Oracle 10g 的clusterware 32位 下载地址
daizj
oracle
Oracle 10g 的clusterware 32位 下载地址
http://pan.baidu.com/share/link?shareid=531580&uk=421021908
http://pan.baidu.com/share/link?shareid=137223&uk=321552738
http://pan.baidu.com/share/l
- 非常好的介绍:Linux定时执行工具cron
dongwei_6688
linux
Linux经过十多年的发展,很多用户都很了解Linux了,这里介绍一下Linux下cron的理解,和大家讨论讨论。cron是一个Linux 定时执行工具,可以在无需人工干预的情况下运行作业,本文档不讲cron实现原理,主要讲一下Linux定时执行工具cron的具体使用及简单介绍。
新增调度任务推荐使用crontab -e命令添加自定义的任务(编辑的是/var/spool/cron下对应用户的cr
- Yii assets目录生成及修改
dcj3sjt126com
yii
assets的作用是方便模块化,插件化的,一般来说出于安全原因不允许通过url访问protected下面的文件,但是我们又希望将module单独出来,所以需要使用发布,即将一个目录下的文件复制一份到assets下面方便通过url访问。
assets设置对应的方法位置 \framework\web\CAssetManager.php
assets配置方法 在m
- mac工作软件推荐
dcj3sjt126com
mac
mac上的Terminal + bash + screen组合现在已经非常好用了,但是还是经不起iterm+zsh+tmux的冲击。在同事的强烈推荐下,趁着升级mac系统的机会,顺便也切换到iterm+zsh+tmux的环境下了。
我为什么要要iterm2
切换过来也是脑袋一热的冲动,我也调查过一些资料,看了下iterm的一些优点:
* 兼容性好,远程服务器 vi 什么的低版本能很好兼
- Memcached(三)、封装Memcached和Ehcache
frank1234
memcachedehcachespring ioc
本文对Ehcache和Memcached进行了简单的封装,这样对于客户端程序无需了解ehcache和memcached的差异,仅需要配置缓存的Provider类就可以在二者之间进行切换,Provider实现类通过Spring IoC注入。
cache.xml
<?xml version="1.0" encoding="UTF-8"?>
- Remove Duplicates from Sorted List II
hcx2013
remove
Given a sorted linked list, delete all nodes that have duplicate numbers, leaving only distinct numbers from the original list.
For example,Given 1->2->3->3->4->4->5,
- Spring4新特性——注解、脚本、任务、MVC等其他特性改进
jinnianshilongnian
spring4
Spring4新特性——泛型限定式依赖注入
Spring4新特性——核心容器的其他改进
Spring4新特性——Web开发的增强
Spring4新特性——集成Bean Validation 1.1(JSR-349)到SpringMVC
Spring4新特性——Groovy Bean定义DSL
Spring4新特性——更好的Java泛型操作API
Spring4新
- MySQL安装文档
liyong0802
mysql
工作中用到的MySQL可能安装在两种操作系统中,即Windows系统和Linux系统。以Linux系统中情况居多。
安装在Windows系统时与其它Windows应用程序相同按照安装向导一直下一步就即,这里就不具体介绍,本文档只介绍Linux系统下MySQL的安装步骤。
Linux系统下安装MySQL分为三种:RPM包安装、二进制包安装和源码包安装。二
- 使用VS2010构建HotSpot工程
p2p2500
HotSpotOpenJDKVS2010
1. 下载OpenJDK7的源码:
http://download.java.net/openjdk/jdk7
http://download.java.net/openjdk/
2. 环境配置
▶
- Oracle实用功能之分组后列合并
seandeng888
oracle分组实用功能合并
1 实例解析
由于业务需求需要对表中的数据进行分组后进行合并的处理,鉴于Oracle10g没有现成的函数实现该功能,且该功能如若用JAVA代码实现会比较复杂,因此,特将SQL语言的实现方式分享出来,希望对大家有所帮助。如下:
表test 数据如下:
ID,SUBJECTCODE,DIMCODE,VALUE
1&nbs
- Java定时任务注解方式实现
tuoni
javaspringjvmxmljni
Spring 注解的定时任务,有如下两种方式:
第一种:
<?xml version="1.0" encoding="UTF-8"?>
<beans xmlns="http://www.springframework.org/schema/beans"
xmlns:xsi="http
- 11大Java开源中文分词器的使用方法和分词效果对比
yangshangchuan
word分词器ansj分词器Stanford分词器FudanNLP分词器HanLP分词器
本文的目标有两个:
1、学会使用11大Java开源中文分词器
2、对比分析11大Java开源中文分词器的分词效果
本文给出了11大Java开源中文分词的使用方法以及分词结果对比代码,至于效果哪个好,那要用的人结合自己的应用场景自己来判断。
11大Java开源中文分词器,不同的分词器有不同的用法,定义的接口也不一样,我们先定义一个统一的接口:
/**
* 获取文本的所有分词结果, 对比