- 条件概率：不确定性决策的基石
大千AI助手
人工智能Python#OTHER决策树算法机器学习人工智能条件概率概率论
条件概率是概率论中的核心概念，用于描述在已知某一事件发生的条件下，另一事件发生的概率。它量化了事件之间的关联性，是贝叶斯推理、统计建模和机器学习的基础。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！一、定义与公式设(A)和(B)是两个随机事件，且(P(B)>0)：条件概率(P(A\midB))表示
- 人工智能-基础篇-2-什么是机器学习？（ML，监督学习，半监督学习，零监督学习，强化学习，深度学习，机器学习步骤等）
weisian151
人工智能人工智能机器学习学习
1、什么是机器学习？机器学习（MachineLearning,ML）是人工智能的一个分支，是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析等数学理论。其核心目标是让计算机通过分析数据，自动学习规律并构建模型，从而对未知数据进行预测或决策，而无需依赖显式的程序指令。基本思想：通过数据驱动的方式，使系统能够从经验（数据）中改进性能，形成对数据模式的抽象化表达。基本概念：模型：模型是对现实世界现
- 概率密度基本概念
Summer_Anny
概率论
概率密度（ProbabilityDensity）是概率论中用于描述随机变量分布的一种方式，特别适用于连续随机变量。它并不是一个概率值，而是表示单位范围内的概率大小或“浓度”。更具体地说，概率密度表示在某个特定值附近，随机变量可能取到某个值的相对可能性。概率密度的几个关键点：概率密度与概率的关系：概率密度函数（PDF）本身并不能直接给出某个特定值发生的概率。因为对于连续随机变量，单一值的概率是零。然
- 线性代数和c语言先学哪个,线性代数和哪个更有用？
段丞博
线性代数和c语言先学哪个
一、从数学与应用数学这个专业来分析下“线性代数”和“高等数学”这两块的内容，无论哪块知识在“考研究生数学科目中的考试”都会涉汲到的，而且有些专业的考试也包括概率论与数理统计这块知识。线性代数和哪个更有用?1、线性代数内容：行列式、矩阵、向量、线性方程组、特征值和特征向量、二次型。2、高等数学内容：函数·极限·连续、导数与微分、不定积分、定积分及广义积分、中值定理的证明、常微分方程、一元微积分的应用
- ICBDDM2025：大数据与数字化管理前沿峰会
鸭鸭鸭进京赶烤
学术会议大数据图像处理计算机视觉AI编程人工智能机器人考研
在选择大学专业时，可以先从自身兴趣、能力和职业规划出发，初步确定几个感兴趣的领域。然后结合外部环境因素，如专业前景、教育资源和就业情况等，对这些专业进行深入的分析和比较。大数据专业：是一个热门且前沿的学科领域，它涉及到数据的收集、存储、处理、分析和应用等多个方面。课程设置基础课程数学基础：高等数学、线性代数、概率论与数理统计等。这些课程为大数据分析提供了必要的数学工具，例如线性代数在机器学习算法中
- 第九课：大白话教你朴素贝叶斯
顽强卖力
机器学习-深度学习-神经网络算法python大数据数据分析
这节课咱们来聊聊朴素贝叶斯（NaiveBayes），这个算法名字听起来像是个“天真无邪的数学小天才”，但其实它是个超级实用的分类工具！我会用最接地气的方式，从定义讲到代码实战，保证你笑着学会，还能拿去忽悠朋友！一：朴素贝叶斯是啥？——当概率论遇上“天真”假设1.1定义：贝叶斯定理的“偷懒版”问题：你想判断一封邮件是不是垃圾邮件，或者一条评论是不是好评。贝叶斯定理（原版）：[P(A|B)=\frac
- 贝叶斯算法：从概率推断到智能决策的基石
weixin_47233946
算法算法
##引言在人工智能与机器学习的蓬勃发展中，贝叶斯算法以其独特的概率推理方式和动态更新的特性，在垃圾邮件过滤、疾病诊断、推荐系统等关键领域展现出强大的应用价值。本文将从概率论基础出发，深入解析贝叶斯算法的核心思想及其实现方式，揭示这一统计学方法如何演变为现代智能系统的决策利器。---##一、贝叶斯定理：概率之门的钥匙###1.1基本公式表述贝叶斯定理的数学表达式揭示事件间的关联关系：$$P(A|B)
- 清风数学建模个人笔记--模糊综合评价
fvdj0
数学建模笔记
目录一、量二、分类三、模糊函数的三种表示方法四、应用：模糊综合评价（评判）一、量①确定性：经典数学（几何、代数）②不确定性：随机性（概率论、随机过程）灰性（灰色系统）模糊性（模糊数学）二、分类：偏小型：年轻、小、冷中间型：中年、中、暖偏大型：年老、大、热三、模糊函数的三种表示方法（1）模糊统计法（设计调查问卷，不推荐，主观性最弱）（2）借助已有的尺度（需要已有的指标，并能收集到数据）论域模糊集隶属
- 【西瓜书】机器学习（周志华）学习问题记录
_linyu__
基础知识机器学习周志华西瓜书
简述西瓜书的鼎鼎大名早有耳闻，于是毫无疑问买来入门。写此文章的时候刚要做完第二章的练习题。在看的时候有一些感慨：需要一定的数理基础，尤其是概率论的内容。但是如果没学过也不建议直接去啃概率论，只要把相关的部分看看即可。周老师默认我们能力很强，所以有些地方说得不够详细，仅靠此书无法理解，需要自己另行查阅。有一些疑似谬误的地方，但是我自己能力较差，又苦于没有人佐证，所以并不敢说周老师一定错了。在看的过程
- 数学中的泛函分析与算子理论
AI天才研究院
计算AI大模型应用入门实战与进阶ChatGPT实战大数据人工智能语言模型AILLMJavaPython架构设计AgentRPA计算AI大模型应用
1.背景介绍1.1数学的发展与泛函分析的产生数学作为一门科学，自古以来就在不断地发展和演变。从最初的算术、几何，到后来的微积分、线性代数，再到现代的拓扑学、概率论等，数学的研究领域不断扩展。泛函分析作为一门现代数学的分支，起源于20世纪初，它主要研究无限维空间中的函数和算子，为许多现代科学和工程问题提供了理论基础。1.2泛函分析与算子理论的关系泛函分析与算子理论密切相关。泛函分析主要研究无限维空间
- 【图像处理入门】8. 数学基础与优化：线性代数、概率与算法调优实战
小米玄戒Andrew
图像处理：从入门到专家图像处理线性代数算法python计算机视觉概率论算法调优
摘要图像处理的核心离不开数学工具的支撑。本文将深入解析线性代数、概率论在图像领域的应用，包括矩阵变换与图像几何操作的关系、噪声模型的数学描述，以及遗传算法、粒子群优化等智能算法在参数调优中的实践。通过理论结合代码案例，帮助读者掌握从数学原理到工程优化的完整链路。一、线性代数：图像变换的数学基石1.矩阵运算与图像几何变换在图像处理入门3中，我们通过仿射变换矩阵实现图像平移、旋转与缩放。其本质是线性代
- AI大模型从0到1记录学习 大模型技术之机器学习 day27-day60
Gsen2819
算法大模型人工智能人工智能学习机器学习
机器学习概述机器学习（MachineLearning,ML）主要研究计算机系统对于特定任务的性能，逐步进行改善的算法和统计模型。通过输入海量训练数据对模型进行训练，使模型掌握数据所蕴含的潜在规律，进而对新输入的数据进行准确的分类或预测。机器学习是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸优化、算法复杂度理论等多门学科。人工智能、机器学习与深度学习人工智能（AI）是计算机科学的一个广泛领域，
- 大数定律与中心极限定理：概率论的双子星
Algo-hx
概率论与数理统计概率论
目录引言5大数定律与中心极限定理5.1大数定律：频率的稳定性5.1.1辛钦大数定律定理内容5.1.2伯努利大数定律定理内容5.1.3切比雪夫大数定律定理内容对比总结表5.2中心极限定理：正态分布的普适性5.2.1独立同分布情形定理内容图释5.2.2李雅普诺夫定理定理内容核心思想图释5.2.3棣莫弗-拉普拉斯定理定理内容应用条件图释对比总结表5.3定理对比：LLNvsCLT引言当随机现象的个体行为无
- （十七）深度学习之线性代数：核心概念与应用解析
只有左边一个小酒窝
深度学习深度学习线性代数人工智能
1线性代数在深度学习中的定位1.1深度学习的数学基础支柱线性代数是深度学习的核心数学工具之一，与微积分、概率论共同构成深度学习的理论基础。深度学习本质上是对高维数据的处理与建模，而线性代数提供了描述和操作高维空间中数据与变换的语言和方法。1.2从数据表示到模型运算的桥梁数据结构化表示：深度学习处理的图像、文本、音频等数据，通常被转化为向量、矩阵或张量（多维数组）。例如：图像：RGB图像可表示为三维
- （详细介绍）什么是 Spherical Gaussian（球形高斯分布）
音程
数学数学
文章目录什么是SphericalGaussian？几何意义：为什么叫“球形”？特点总结：应用场景举例：✅示例代码（Python）相关概念对比：SphericalGaussian（球形高斯分布）是概率论与统计学中一个非常常见且重要的概念，尤其在机器学习、信号处理、模式识别等领域有广泛应用。什么是SphericalGaussian？SphericalGaussianDistribution（球形高斯分
- 贝叶斯原理：解锁不确定性的智慧钥匙（全网最详细）
富士达幸运星
贝叶斯原理人工智能机器学习
在浩瀚的统计学与概率论海洋中，贝叶斯原理如同一盏明灯，照亮了我们在不确定性中前行的道路。它不仅仅是一种计算方法，更是一种深刻的思维方式，让我们能够基于有限的信息和先验知识，对未知事件做出更加合理的预测和判断。本文将带您一窥贝叶斯原理的奥秘，探索它如何在各个领域发光发热。一、贝叶斯原理的起源与核心概念起源贝叶斯原理得名于18世纪的英国数学家托马斯·贝叶斯（ThomasBayes），尽管他本人并未直接
- 为什么计算机不用e进制，按道理说e进制难道不是最高效的吗？e进制理论上为何被认为信息编码更优，但实际却难以实现？
前端
在现代计算机科学中，二进制无疑是计算机体系结构的根基，这一选择深刻影响了计算机的设计、性能以及发展方向。然而，数字系统的底层进制理论却远远不止二进制一种可能性。从数学的角度来看，常用进制中有一个特殊的数——数学常数e（自然对数的底，约等于2.71828），它在无数数学和物理领域扮演着极其重要的角色。e的独特性质使得很多数学函数的表达变得简洁自然，且e在连续复利、概率论、信息论等领域都有着独特的优势
- 【概率论】正态分布的由来——从大一同学的视角出发
应有光
基础知识概率论机器学习
数学系大佬勿喷，本文以非数同学的视角出发0.启发与思考正态分布平时常常遇到，无论是在概率论中的“中心极限定理”，还是平时在学习ML中遇到的“高斯混合模型”，或者是在深度学习中，常常将一些数据假设为正态分布的情况。我们平时可能由于知到中心极限定理，因此默认正态分布是一个很好的分布。但是，这为什么不能是平均分布呢？二项分布呢？泊松分布？或者是其它抽样分布？接下来我们将简要探讨正态分布的由来：1.背景我
- 【概率论与数理统计】第二章 随机变量及其分布(1)
Arthur古德曼
概率论与数理统计概率论随机变量分布离散型连续型夏明亮
第二章随机变量及其分布第一章种学习了随机现象、随机试验、随机事件等概念，讨论了随机事件的关系、运算以及概率；且只考虑了个别事件下的频率问题。接下来，进一步第需要建立随机试验结果与实数的对应关系，这类似于函数的映射，我们称之为随机变量，以便使用高等数学的方法来研究随机试验。1离散型随机变量1.1随机变量的概念随机变量的数学定义：**定义1：**设EEE为随机试验，Ω\OmegaΩ为其样本空间，若对于
- 随机变量及其分布：概率论的量化核心
Algo-hx
概率论与数理统计概率论
标题引言2随机变量及其分布2.1随机变量定义与分类2.2离散型随机变量：概率质量函数(PMF)概率分布律性质经典分布4.**各分布之间的关系**2.3分布函数(CDF)：统一描述工具定义性质离散型应用2.4连续型随机变量：概率密度函数(PDF)定义性质经典分布均匀分布指数分布正态分布2.5随机变量函数的分布问题：已知XXX分布，求Y=g(X)Y=g(X)Y=g(X)分布解法框架重要公式（当ggg严
- 詹森不等式（Jensen’s Inequality）——EM算法的基础
phoenix@Capricornus
模式识别中的数学问题机器学习
詹森不等式（Jensen’sInequality）是数学中一个非常重要的不等式，广泛应用于概率论、统计学、凸优化、信息论等领域。它基于凸函数和凹函数的性质。一、基本定义设函数fff是定义在区间III上的凸函数（convexfunction），且随机变量XXX的取值落在III内，期望存在，则有：E[f(X)]⩾f(E[X]){E}[f(X)]\geqslantf({E}[X])E[f(X)]⩾f(E
- 机器学习与深度学习16-概率论和统计学01
my_q
机器学习与深度学习机器学习深度学习概率论
目录前文回顾1.什么是概率论和统计学2.概率的基本概念3.什么是概率密度函数和累积分布函数4.均值、中位数与众数前文回顾上一篇文章地址：链接1.什么是概率论和统计学概率论和统计学是数学中重要的分支，用于研究随机事件和数据的分布、关联性以及不确定性。概率论是研究随机事件发生的可能性和规律的数学学科。它提供了一套工具和方法来描述和分析随机变量、随机过程以及他们之间的关系。概率论包括概率分布、随机变量、
- Python概率论
麻辣小兔喵
Pythonpython概率论机器学习
概率论是数学的一个分支，它研究随机事件的概率和统计规律。在Python中，有很多强大的概率统计库可以帮助我们进行概率计算和数据分析，比如NumPy、SciPy和Pandas等库。下面我将为您介绍一些基本的概率概念以及如何在Python中实现它们。1.概率的基本概念在概率论中，我们通常会用以下的符号表示：P(A)：表示事件A发生的概率，其取值范围在[0,1]之间。P(A|B)：表示在事件B发生的条件
- C++概率论算法详解：理论基础与实践应用
清言神力，创作奇迹。接受福利，做篇笔记。参考资料[0]概率论中均值、方差、标准差介绍及C++/OpenCV/Eigen的三种实现.https://blog.csdn.net/fengbingchun/article/details/73323475.[4]C++中的随机数及其在算法竞赛中的使用-博客园.https://www.cnblogs.com/cmy-blog/p/random.html.[
- 我2025上岸大模型就靠它了，冲击大厂大模型岗位！大模型学习路线（2025最新）从零基础入门到精通_大模型学习路线
大模型老炮
学习人工智能程序员Agent大模型教学知识库大模型
大模型学习路线图第一阶段：基础知识准备在这个阶段，您需要打下坚实的数学基础和编程基础，这是学习任何机器学习和深度学习技术所必需的。\1.数学基础线性代数：矩阵运算、向量空间、特征值与特征向量等。概率统计：随机变量、概率分布、贝叶斯定理等。微积分：梯度、偏导数、积分等。学习资料书籍：GilbertStrang，《线性代数及其应用》SheldonRoss，《概率论与随机过程》在线课程：KhanAcad
- 神仙级大模型教程分享，不用感谢，请叫我活雷锋！大模型 学习路线非常详细_大模型学习路线（2025最新）
程序员辣条
学习人工智能大模型产品经理智能体大模型教程AI大模型
大模型学习路线图第一阶段：基础知识准备在这个阶段，您需要打下坚实的数学基础和编程基础，这是学习任何机器学习和深度学习技术所必需的。1.数学基础线性代数：矩阵运算、向量空间、特征值与特征向量等。概率统计：随机变量、概率分布、贝叶斯定理等。微积分：梯度、偏导数、积分等。学习资料书籍：GilbertStrang，《线性代数及其应用》SheldonRoss，《概率论与随机过程》在线课程：KhanAcade
- 最大似然估计(MLE)与最小二乘估计(LSE)的区别
江湖小妞
概率论
最大似然估计与最小二乘估计的区别标签（空格分隔）：概率论与数理统计最小二乘估计对于最小二乘估计来说，最合理的参数估计量应该使得模型能最好地拟合样本数据，也就是估计值与观测值之差的平方和最小。设Q表示平方误差，Yi表示估计值，Ŷi表示观测值，即Q=∑ni=1(Yi−Ŷi)2最大似然估计对于最大似然估计来说，最合理的参数估计量应该使得从模型中抽取该n组样本的观测值的概率最大，也就是概率分布函数或者
- 概率论的基本概念
Mr.魏（魏先生）
概率论的起源与发展概率论产生于十六世纪十六世纪中叶，卡当在赌博时研究不输的方法1654年，德·美黑——“合理分配赌注问题”1657年，惠更斯——《论机会游戏的计算》1933年，柯尔莫哥洛夫——《概率论的基本概念》数理统计的历史1763年,贝叶斯贝叶斯方法1809年，高斯和勒让德——最小二乘法皮尔逊、戈赛特、费歇——频率曲线、多元分析、估计和方差分析概率论是数理统计学的基础，数理统计学是概率论的一种
- 【概率论基本概念01】点估计
无水先生
概率模型统计学模型概率论
一、说明关于概率和统计的学习，需要从根本上、原始概念中一点一点积累，这些基本概念的头绪特别多，一次性交待它们的面有困难，我们只能从点上入手，将点与点的关系连成面，最后完成系统学习的目的，这是一个长期任务。二、关于估计的基本概念2.1我们将学习哪些关于“估计”内容我们将主要指向如下学习内容：学习如何找到总体参数的最大似然估计量。学习如何找到总体参数的矩估计方法。学习如何检查估计量对于特定参数是否无偏
- 《算法导论(第4版)》阅读笔记：p1178-p1212
算法
《算法导论(第4版)》学习第25天，p1178-p1212总结，总计35页。一、技术总结1.AppendixC:CountingandProbability附录C介绍了计数理论(如：和规则，积规则，串，排列，组合，二项式系数，二项式界等)，概率理论(如：样本空间，事件，概率论公理，离散概率分布，连续均匀概率分布，贝叶斯定理等)，几何分布与二项分布，二项分布的尾部探究。第5章会时不时的涉及这些内容，
- LeetCode[Math] - #66 Plus One
Cwind
javaLeetCode题解AlgorithmMath
原题链接：#66 Plus One
要求：
给定一个用数字数组表示的非负整数，如num1 = {1, 2, 3, 9}, num2 = {9, 9}等，给这个数加上1。
注意：
1. 数字的较高位存在数组的头上，即num1表示数字1239
2. 每一位（数组中的每个元素）的取值范围为0~9
难度：简单
分析：
题目比较简单，只须从数组
- JQuery中$.ajax()方法参数详解
AILIKES
JavaScriptjsonpjqueryAjaxjson
url: 要求为String类型的参数，（默认为当前页地址）发送请求的地址。
type: 要求为String类型的参数，请求方式（post或get）默认为get。注意其他http请求方法，例如put和 delete也可以使用，但仅部分浏览器支持。
timeout: 要求为Number类型的参数，设置请求超时时间（毫秒）。此设置将覆盖$.ajaxSetup()方法的全局
- JConsole & JVisualVM远程监视Webphere服务器JVM
Kai_Ge
JVisualVMJConsoleWebphere
JConsole是JDK里自带的一个工具，可以监测Java程序运行时所有对象的申请、释放等动作，将内存管理的所有信息进行统计、分析、可视化。我们可以根据这些信息判断程序是否有内存泄漏问题。
使用JConsole工具来分析WAS的JVM问题，需要进行相关的配置。
首先我们看WAS服务器端的配置.
1、登录was控制台https://10.4.119.18
- 自定义annotation
120153216
annotation
Java annotation 自定义注释@interface的用法 一、什么是注释
说起注释，得先提一提什么是元数据(metadata)。所谓元数据就是数据的数据。也就是说，元数据是描述数据的。就象数据表中的字段一样，每个字段描述了这个字段下的数据的含义。而J2SE5.0中提供的注释就是java源代码的元数据，也就是说注释是描述java源
- CentOS 5/6.X 使用 EPEL YUM源
2002wmj
centos
CentOS 6.X 安装使用EPEL YUM源1. 查看操作系统版本[root@node1 ~]# uname -a Linux node1.test.com 2.6.32-358.el6.x86_64 #1 SMP Fri Feb 22 00:31:26 UTC 2013 x86_64 x86_64 x86_64 GNU/Linux [root@node1 ~]#
- 在SQLSERVER中查找缺失和无用的索引SQL
357029540
SQL Server
--缺失的索引
SELECT avg_total_user_cost * avg_user_impact * ( user_scans + user_seeks ) AS PossibleImprovement ,
last_user_seek ,
- Spring3 MVC 笔记（二） —json+rest优化
7454103
Spring3 MVC
接上次的 spring mvc 注解的一些详细信息！
其实也是一些个人的学习笔记 呵呵！
- 替换“\”的时候报错Unexpected internal error near index 1 \ ^
adminjun
java“\替换”
发现还是有些东西没有刻子脑子里,,过段时间就没什么概念了,所以贴出来...以免再忘...
在拆分字符串时遇到通过 \ 来拆分，可是用所以想通过转义 \\ 来拆分的时候会报异常
public class Main {
/*
- POJ 1035 Spell checker(哈希表)
aijuans
暴力求解--哈希表
/*
题意：输入字典，然后输入单词，判断字典中是否出现过该单词，或者是否进行删除、添加、替换操作，如果是，则输出对应的字典中的单词
要求按照输入时候的排名输出
题解：建立两个哈希表。一个存储字典和输入字典中单词的排名，一个进行最后输出的判重
*/
#include <iostream>
//#define
using namespace std;
const int HASH =
- 通过原型实现javascript Array的去重、最大值和最小值
ayaoxinchao
JavaScriptarrayprototype
用原型函数（prototype）可以定义一些很方便的自定义函数，实现各种自定义功能。本次主要是实现了Array的去重、获取最大值和最小值。
实现代码如下：
<script type="text/javascript">
Array.prototype.unique = function() {
var a = {};
var le
- UIWebView实现https双向认证请求
bewithme
UIWebViewhttpsObjective-C
什么是HTTPS双向认证我已在先前的博文 ASIHTTPRequest实现https双向认证请求
中有讲述，不理解的读者可以先复习一下。本文是用UIWebView来实现对需要客户端证书验证的服务请求，网上有些文章中有涉及到此内容，但都只言片语，没有讲完全，更没有完整的代码，让人困扰不已。但是此知
- NoSQL数据库之Redis数据库管理(Redis高级应用之事务处理、持久化操作、pub_sub、虚拟内存)
bijian1013
redis数据库NoSQL
3.事务处理
Redis对事务的支持目前不比较简单。Redis只能保证一个client发起的事务中的命令可以连续的执行，而中间不会插入其他client的命令。当一个client在一个连接中发出multi命令时，这个连接会进入一个事务上下文，该连接后续的命令不会立即执行，而是先放到一个队列中，当执行exec命令时，redis会顺序的执行队列中
- 各数据库分页sql备忘
bingyingao
oraclesql分页
ORACLE
下面这个效率很低
SELECT * FROM ( SELECT A.*, ROWNUM RN FROM (SELECT * FROM IPAY_RCD_FS_RETURN order by id desc) A ) WHERE RN <20;
下面这个效率很高
SELECT A.*, ROWNUM RN FROM (SELECT * FROM IPAY_RCD_
- 【Scala七】Scala核心一：函数
bit1129
scala
1. 如果函数体只有一行代码，则可以不用写{},比如
def print(x: Int) = println(x)
一行上的多条语句用分号隔开，则只有第一句属于方法体，例如
def printWithValue(x: Int) : String= println(x); "ABC"
上面的代码报错，因为，printWithValue的方法
- 了解GHC的factorial编译过程
bookjovi
haskell
GHC相对其他主流语言的编译器或解释器还是比较复杂的，一部分原因是haskell本身的设计就不易于实现compiler，如lazy特性，static typed，类型推导等。
关于GHC的内部实现有篇文章说的挺好，这里，文中在RTS一节中详细说了haskell的concurrent实现，里面提到了green thread，如果熟悉Go语言的话就会发现，ghc的concurrent实现和Go有点类
- Java-Collections Framework学习与总结-LinkedHashMap
BrokenDreams
LinkedHashMap
前面总结了java.util.HashMap，了解了其内部由散列表实现，每个桶内是一个单向链表。那有没有双向链表的实现呢？双向链表的实现会具备什么特性呢？来看一下HashMap的一个子类——java.util.LinkedHashMap。
- 读《研磨设计模式》-代码笔记-抽象工厂模式-Abstract Factory
bylijinnan
abstract
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/
package design.pattern;
/*
* Abstract Factory Pattern
* 抽象工厂模式的目的是：
* 通过在抽象工厂里面定义一组产品接口，方便地切换“产品簇”
* 这些接口是相关或者相依赖的
- 压暗面部高光
cherishLC
PS
方法一、压暗高光&重新着色
当皮肤很油又使用闪光灯时，很容易在面部形成高光区域。
下面讲一下我今天处理高光区域的心得：
皮肤可以分为纹理和色彩两个属性。其中纹理主要由亮度通道（Lab模式的L通道）决定，色彩则由a、b通道确定。
处理思路为在保持高光区域纹理的情况下，对高光区域着色。具体步骤为：降低高光区域的整体的亮度，再进行着色。
如果想简化步骤，可以只进行着色（参看下面的步骤1
- Java VisualVM监控远程JVM
crabdave
visualvm
Java VisualVM监控远程JVM
JDK1.6开始自带的VisualVM就是不错的监控工具.
这个工具就在JAVA_HOME\bin\目录下的jvisualvm.exe, 双击这个文件就能看到界面
通过JMX连接远程机器, 需要经过下面的配置:
1. 修改远程机器JDK配置文件 (我这里远程机器是linux).
- Saiku去掉登录模块
daizj
saiku登录olapBI
1、修改applicationContext-saiku-webapp.xml
<security:intercept-url pattern="/rest/**" access="IS_AUTHENTICATED_ANONYMOUSLY" />
<security:intercept-url pattern=&qu
- 浅析 Flex中的Focus
dsjt
htmlFlexFlash
关键字：focus、 setFocus、 IFocusManager、KeyboardEvent
焦点、设置焦点、获得焦点、键盘事件
一、无焦点的困扰——组件监听不到键盘事件
原因：只有获得焦点的组件（确切说是InteractiveObject）才能监听到键盘事件的目标阶段；键盘事件（flash.events.KeyboardEvent）参与冒泡阶段，所以焦点组件的父项（以及它爸
- Yii全局函数使用
dcj3sjt126com
yii
由于YII致力于完美的整合第三方库，它并没有定义任何全局函数。yii中的每一个应用都需要全类别和对象范围。例如，Yii::app()->user;Yii::app()->params['name'];等等。我们可以自行设定全局函数，使得代码看起来更加简洁易用。(原文地址)
我们可以保存在globals.php在protected目录下。然后，在入口脚本index.php的，我们包括在
- 设计模式之单例模式二（解决无序写入的问题）
come_for_dream
单例模式volatile乱序执行双重检验锁
在上篇文章中我们使用了双重检验锁的方式避免懒汉式单例模式下由于多线程造成的实例被多次创建的问题，但是因为由于JVM为了使得处理器内部的运算单元能充分利用，处理器可能会对输入代码进行乱序执行（Out Of Order Execute）优化，处理器会在计算之后将乱序执行的结果进行重组，保证该
- 程序员从初级到高级的蜕变
gcq511120594
框架工作PHPandroidhtml5
软件开发是一个奇怪的行业，市场远远供不应求。这是一个已经存在多年的问题，而且随着时间的流逝，愈演愈烈。
我们严重缺乏能够满足需求的人才。这个行业相当年轻。大多数软件项目是失败的。几乎所有的项目都会超出预算。我们解决问题的最佳指导方针可以归结为——“用一些通用方法去解决问题，当然这些方法常常不管用，于是，唯一能做的就是不断地尝试，逐个看看是否奏效”。
现在我们把淫浸代码时间超过3年的开发人员称为
- Reverse Linked List
hcx2013
list
Reverse a singly linked list.
/**
* Definition for singly-linked list.
* public class ListNode {
* int val;
* ListNode next;
* ListNode(int x) { val = x; }
* }
*/
p
- Spring4.1新特性——数据库集成测试
jinnianshilongnian
spring 4.1
目录
Spring4.1新特性——综述
Spring4.1新特性——Spring核心部分及其他
Spring4.1新特性——Spring缓存框架增强
Spring4.1新特性——异步调用和事件机制的异常处理
Spring4.1新特性——数据库集成测试脚本初始化
Spring4.1新特性——Spring MVC增强
Spring4.1新特性——页面自动化测试框架Spring MVC T
- C# Ajax上传图片同时生成微缩图(附Demo)
liyonghui160com
1.Ajax无刷新上传图片,详情请阅我的这篇文章。（jquery + c# ashx）
2.C#位图处理 System.Drawing。
3.最新demo支持IE7,IE8,Fir
- Java list三种遍历方法性能比较
pda158
java
从c/c++语言转向java开发，学习java语言list遍历的三种方法，顺便测试各种遍历方法的性能，测试方法为在ArrayList中插入1千万条记录，然后遍历ArrayList，发现了一个奇怪的现象，测试代码例如以下：
package com.hisense.tiger.list;
import java.util.ArrayList;
import java.util.Iterator;
- 300个涵盖IT各方面的免费资源（上）——商业与市场篇
shoothao
seo商业与市场IT资源免费资源
A.网站模板+logo+服务器主机+发票生成
HTML5 UP:响应式的HTML5和CSS3网站模板。
Bootswatch:免费的Bootstrap主题。
Templated:收集了845个免费的CSS和HTML5网站模板。
Wordpress.org|Wordpress.com:可免费创建你的新网站。
Strikingly:关注领域中免费无限的移动优
- localStorage、sessionStorage
uule
localStorage
W3School 例子
HTML5 提供了两种在客户端存储数据的新方法：
localStorage - 没有时间限制的数据存储
sessionStorage - 针对一个 session 的数据存储
之前，这些都是由 cookie 完成的。但是 cookie 不适合大量数据的存储，因为它们由每个对服务器的请求来传递，这使得 cookie 速度很慢而且效率也不
是一个离散型随机变量，可能的取值为
，
（1）
， 