- 【统计学习方法读书笔记】(四)朴素贝叶斯法
Y.G Bingo
统计学习方法人工智能统计学习概率概率论
终于到了贝叶斯估计这章了,贝叶斯估计在我心中一直是很重要的地位,不过发现书中只用了不到10页介绍这一章,深度内容后,发现贝叶斯估计的基础公式确实不多,但是由于正态分布在生活中的普遍性,贝叶斯估计才应用的非常多吧!默认输入变量用XXX表示,输出变量用YYY表示概率公式描述:P(X=x)P(X=x)P(X=x):表示当X=xX=xX=x时的概率P(X=x∣Y=ck)P(X=x|Y=c_k)P(X=x∣
- 数学漫步——贝叶斯估计思想
罗泽坤
统计学中有两个大的学派:频率学派(也称经典学派),和贝叶斯学派总所周知统计推断是根据样本信息对总体分布或者是总体特征数进行推断,经典学派和贝叶斯学派就是通过统计推断的不同方式划分的,经典学派的统计推断是依据样本信息和总体信息来进行推断,而贝叶斯学派认为除了依据以上两种信息来进行推断以外还可以应该加上先验信息来进行统计推断。样本信息:样本信息即抽取样本观测其值所得到的信息,譬如在等到一组样本值之后可
- 十分钟学习极大自然似估计
培根炒蛋
EndlessLethe原创文章,转载请注明:转载自小楼吹彻玉笙寒原文链接地址:十分钟学习极大似然估计前言参数估计是机器学习里面的一个重要主题,而极大似然估计是最传统、使用最广泛的估计方法之一。本文主要介绍了极大似然估计,简单说明了其和矩估计、贝叶斯估计的异同,其他估计(如MAP)并不涉及。为什么要用极大似然估计对于一系列观察数据,我们常常可以找到一个具体分布来描述,但不清楚分布的参数。这时候我们
- 4 朴素贝叶斯
奋斗的喵儿
1定义朴素贝叶斯法是基于贝叶斯定理与特征条件独立假设的分类方法2.算法及实例极大似然估计:在这里插入图片描述在这里插入图片描述在这里插入图片描述贝叶斯估计:在这里插入图片描述在这里插入图片描述总结:朴素贝叶斯法是典型的生成学习方法。生成方法由训练数据学习联合概率分布P(X,Y),然后求后验概率分布P(Y|X)。即利用训练数据学习P(X|Y)和P(Y)的估计,得到联合概率分布在这里插入图片描述朴素贝
- 《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
- MATLAB环境下一种贝叶斯稀疏盲反卷积算法
哥廷根数学学派
信号处理算法matlab开发语言
稀疏盲反卷积贝叶斯估计方法通常使用伯努利-高斯分布(BG)先验的稀疏序列建模,并利用马尔可夫链蒙特卡罗(MCMC)方法进行未知估计。然而,BG模型的离散性会有计算瓶颈。为了解决这个问题,提出一个替代方案,采用MCMC方法对稀疏序列进行建模(使用正反伽马先验)。除了稀疏性,还考虑了时间以及卷积序列的频域约束,通过广泛的模拟和表征计算增益相对于利用BG建模的现有方法证明了提出方法的有效性。cleara
- 贝叶斯估计:Cramér-Rao下界和Fisher信息
DoYoungExplorer
导航算法及滤波算法概率论人工智能机器学习
在概率统计和信息理论领域,Cramér-Rao下界(Cramér-RaoBound)和Fisher信息(FisherInformation)是两个重要而密切相关的概念。它们在估计理论和信息量度量中发挥着关键作用。本文将深入探讨这两个概念的定义、关系以及它们在统计推断中的应用。Cramér-Rao下界的表达:Cramér-Rao下界(Cramér-Raobound)是统计估计理论中的一个重要概念,它
- 概率论与数理统计 Chapter4. 参数估计
Espresso Macchiato
基础数学概率论参数估计极大似然估计矩估计区间估计
概率论与数理统计Chapter4.参数估计1.基础概念1.总体2.样品3.统计量1.样本方差2.k阶原点矩3.k阶中心矩2.参数的点估计1.矩估计1.正态分布2.指数分布3.均匀分布4.二项分布5.泊松分布2.极大似然估计1.正态分布2.指数分布3.二项分布4.均匀分布5.泊松分布3.贝叶斯估计3.点估计的优良性准则1.无偏性1.均值2.方差3.标准差2.最小方差无偏估计3.相合性4.区间估计1.
- 【机器学习(一)】机器学习中使用朴素贝叶斯(即最小错误率贝叶斯)、最小风险贝叶斯实现分类
Ai研究僧
机器学习朴素贝叶斯算法机器学习python算法分类算法
目录1.朴素贝叶斯分类(最小错误率贝叶斯)1.1理论:1.2朴素贝叶斯算法流程:1.3举例说明1.3.1计算步骤:1.3.2程序代码:2.贝叶斯估计2.1算法流程:2.2举例说明3最小风险贝叶斯3.1算法流程:3.2案例说明1.朴素贝叶斯分类(最小错误率贝叶斯)首先得清楚:朴素贝叶斯就是最小错误率贝叶斯,同时也是最大后验概率贝叶斯。朴素贝叶斯是基于贝叶斯定理与特征条件独立假设的分类方法。对于给定的
- EM算法-细节讲解公式推导
闯闯爱打鼓
EM算法:EM算法是一种迭代算法,用于含有隐变量的概率模型参数的极大似然估计,或极大后验概率估计。EM算法的每次迭代由两步组成:E步,求期望;M步,求极大。所以这一算法称为期望极大算法(expectationmaximizaiton)。EM算法的引入:概率模型有时候含有观测变量,又含有隐变量或潜在变量,如果概率模型的变量都是观测变量,那么给定数据,可以直接用极大似然估计法,或贝叶斯估计方法估计模型
- 机器学习:贝叶斯估计在新闻分类任务中的应用
十有久诚
机器学习人工智能数理统计
文章摘要随着互联网的普及和发展,大量的新闻信息涌入我们的生活。然而,这些新闻信息的质量参差不齐,有些甚至包含虚假或误导性的内容。因此,对新闻进行有效的分类和筛选,以便用户能够快速获取真实、有价值的信息,成为了一个重要的课题。在这个背景下,机器学习技术应运而生,其中贝叶斯估计作为一种强大的概率推断方法,在新闻分类任务中发挥着重要作用。在本篇文章中,使用搜狗实验室提供的新闻数据集,并且通过贝叶斯估计来
- 时序分解 | Matlab实现贝叶斯变化点检测与时间序列分解
机器学习之心
时序分解贝叶斯变化点检测时间序列分解
时序分解|Matlab实现贝叶斯变化点检测与时间序列分解目录时序分解|Matlab实现贝叶斯变化点检测与时间序列分解效果一览基本介绍程序设计参考资料效果一览基本介绍Matlab实现贝叶斯变化点检测与时间序列分解1.Matlab实现贝叶斯变化点检测与时间序列分解,完整源码和数据;BEAST(突变、季节性和趋势的贝叶斯估计)是一种快速、通用的贝叶斯模型平均算法,用于将时间序列或1D序列数据分解为单个分
- python音频 降噪_一种基于深度神经网络的音频降噪方法技术
weixin_39830387
python音频降噪
【技术实现步骤摘要】一种基于深度神经网络的音频降噪方法本专利技术涉及歌唱领域的音频降噪方法,特别是一种基于深度神经网络的音频降噪方法。技术介绍现实生活中的语音音频信号或是歌声音频信号,往往都不是纯净的,都伴有各种各样的噪声。而音频降噪的目的就是尽可能的去除音频信号中的噪声,使音色转换后的歌声更纯净,从而改善音频的质量,提高它的清晰度以及可懂度。传统的音频降噪方法主要有基于统计模型的贝叶斯估计法、子
- 【AI】数学基础——数理统计(概念&参数估计)
AmosTian
数学AI#机器学习人工智能AI机器学习数理统计参数估计
概率论文章目录3.6数理统计概念与定理3.6.1概率论与数理统计区别3.6.2基本定理大数定理马尔科夫不等式切比雪夫不等式中心极限定理3.6.3统计推断的基本问题3.7参数估计3.7.1频率派点估计法矩阵估计法极大似然估计点估计量的评估区间估计3.7.2贝叶斯派贝叶斯定理条件概率独立性变式贝叶斯公式贝叶斯定理贝叶斯定理计算概率贝叶斯估计贝叶斯预测模型比较理论实例:垃圾邮件过滤数理统计(假设检验&数
- What Uncertainties Do We Need in Bayesian Deep Learning for Computer Vision?
徴徴南风
在计算机视觉中,有两种不确定性。种类:aleatoric偶然不确定性。来源于数据,不会随着模型的训练而改善。例如在分割标注时,在边缘处的标注本身就具有模糊性,这是固有的。epistemic认知不确定性。来源于模型,会随着数据量的增多而改善。例如在分割任务中,对于某个场景没有被训练过,在预测时就会出现很高的不确定性。原理:贝叶斯估计需要对数据的所有分布计算,然而实际上我们并不能获得所有数据的分布,所
- (5)L1、L2正则化
顽皮的石头7788121
正则化主要是用于降低过拟合的风险。L1引入稀疏性,删除影响较少的参数,可减少计算量。拉普拉斯分布(背靠背的指数分布)L2均衡各个参数的影响,比较平滑,效果比较好。高斯分布。可以获得更少的非0分类。L!和L2正则化的过程如图所示L1,L2正则化示意图从贝叶斯估计的角度看,正则化项目对应于模型的先验概率,可以假设复杂的模型有比较小的先验概率,简单的模型有较大的先验概率。
- 【时间序列数据挖掘】ARIMA模型
水w
#大数据机器学习人工智能ARIMA模型ARIMA时间序列
目录0、前言一、移动平均模型MA二、自回归模型AR三、自回归移动平均模型ARMA四、自回归移动平均模型ARIMA【总结】0、前言传统时间序列分析模型:ARIMA模型是一个非常灵活的模型,对于时间序列的好多特征都能够进行描述,比如说平稳性特征,季节性特征,趋势性特征。ARIMA模型可以通过非常成熟的统计方法,比如说极大似然估计,矩估计,贝叶斯估计或者其他一些估计方法得到估计,所以是一个非常好用的工具
- 参数估计-最大似然估计和贝叶斯参数估计
于建民
技术博客机器学习统计学参数估计模式识别
为什么要进行参数估计参数估计是统计学中的经典问题,常用的方法是最大似然估计和贝叶斯估计。为什么机器学习中,也会用到参数估计呢?我们利用训练样本来估计先验概率和条件概率密度,并以此设计分类器。当假设数据符合某种分布时,其参数均是未知的,此时分类模型是包含未知参数的概率模型,因此要对其进行参数估计。最大似然估计最大似然估计的思想:找到一组参数,使得当前样本集出现的可能性最大。基本步骤:1.假设p(x|
- 机器学习: 简单讲极大似然估计和贝叶斯估计、最大后验估计
JacksonKim
机器学习概率论知识图谱bigdata
一、前言我在概率论:参数估计里面提到了极大似然估计,不熟悉的可以看一下,本文重点介绍后两者估计方法。在这里两种估计方法估计的是什么?我们使用一个较为泛化的问题表示:考虑这样一个问题:总体X的概率密度函数为p(x∣θ)p(x|\theta)p(x∣θ),但该密度函数未知,我们只观测到一组样本(x1,x2,…,xn)\left(x_{1},x_{2},\ldots,x_{n}\right)(x1,x2
- 贝叶斯(2)-最大似然估计和贝叶斯参数估计
cloudless_sky
研究生机器学习概率论机器学习深度学习
直接统计类条件密度太复杂了且样本不足,所以我们希望用一个密度函数去拟合它,比如拟合成下面的正态分布,其中的参数可以用最大似然方法或者贝叶斯估计去进行参数估计。给每个类建模一个密度函数,每个类的函数的参数θ不同;假设n个样本独立同分布每个样本可以形成一个模型,多个样本多个模型,如图1;取均值得到图2;但是可能会下溢(p很小),所以用log来解决这个问题,也称为似然;这里的Σ是协方差;t代表转置,因为
- 最大似然估计(MLE)和贝叶斯估计(BE)
baidu_huihui
贝叶斯网络之父JudeaPearl
最大似然估计(MLE)和贝叶斯估计(BE)在深度学习那么火之前,许多算法,都会在inference阶段用到最大似然估计或者最大后验概率估计,这些都机器学习中最最最基本的东西,就像地基一样,虽然现在深度学习仍然用到这些知识,就像NLL、CrossEntropy等lossfunction的本质就是这些估计,但是由于现在那些pytorch、tensorflow等深度学习的框架出来后,这些函数都封装好了,
- 机器学习->统计学基础->贝叶斯估计,最大似然估计(MLE),最大后验估计(MAP)
村头陶员外
机器学习-统计学基础统计学机器学习
在学习机器学习,推荐系统等上的众多算法思想时,以及在数学公式推到上面,避免不了许多统计学方面的知识,其中以贝叶斯,最大似然估计,最大后验估计为最常遇见,必须深刻掌握了解。本篇博文将以以下几个主题来讨论,总结。频率派与贝叶斯学派贝叶斯公式推导最大似然函数(MLE)最大似然估计与最大后验估计区别与联系频率派与贝叶斯学派首先讲讲贝叶斯估计(对比传统频率学来讲)在我们传统的频率学来说,需要推断的参数the
- 什么是EM算法?
Air_2014
开头借用李航老师书中总结,概率模型有时既含有观测变量,又含有隐藏变量或者潜在变量,如果概率模型的变量都是观测变量,那么给定数据,可以直接用极大似然估计法,或者贝叶斯估计法估计模型参数,但是,当模型含有隐含变量的时候,就不能简单的使用这些估计方法,EM算法就是含有隐含变量的概率模型参数的极大似然估计法,或者极大后验概率估计法,一句话总结,EM算法本质上就是用于处理含有隐含变量的模型参数估计的一种方法
- 最大似然法,贝叶斯估计、最小错误贝叶斯决策Excel数据分类处理(介绍+Python实现)
EMB看灯夜
计算机模式识别最大似然估计贝叶斯估计最小错误贝叶斯决策Excel数据读取分类决策面显示
模式识别学习,课程实例分享。文章目录第一,男女50米跑直方图显示第二,男女生身高、体重以及50m成绩的平均数与方差最大似然估计第三,女生身高以及体重的平均数贝叶斯估计第四,使用贝叶斯最小错误率决策,根据身高和体重两个特征判断输入数据所述的男女性别(决策面图形显示)第五,简单测试第六,代码实现第一,男女50米跑直方图显示;如上图1所示即为男女50米跑步成绩数据直方图,其中青色块为男生数据,红色为女生
- mysql 体重 类型 身高_用身高和体重数据进行分类实验
weixin_39916511
mysql体重类型身高
二、具体做法:(1)应用单个特征进行实验:以(a)身高或者(b)体重数据作为特征,在正态分布假设下利用最大似然法或者贝叶斯估计法估计分布密度参数,建立最小错误率Bayes分类器,写出得到的决策规则,将该分类器应用到测试样本,考察测试错误情况。在分类器设计时可以考察采用不同先验概率(如0.5对0.5,0.75对0.25,0.9对0.1等)进行实验,考察对决策规则和错误率的影响。(2)应用两个特征进行
- 朴素贝叶斯法,后验概率最大化的含义,参数估计
星海浮生
机器学习
文章目录朴素贝叶斯法后验概率最大化的含义参数估计极大似然估计贝叶斯估计参考资料朴素贝叶斯法输出取值:y∈{c1,c2,...,ck}y\in\{c_{1},c_{2},...,c_{k}\}y∈{c1,c2,...,ck}输入取值:假设x(j)x^{(j)}x(j)可取值有SjS_{j}Sj个,其中j=1,2,...,nj=1,2,...,nj=1,2,...,n条件独立性假设:P(X=x∣Y=c
- 统计学习方法 | 朴素贝叶斯法
天下弈星~
统计学习方法学习方法
目录一、朴素贝叶斯法的原理二、极大似然估计下的朴素贝叶斯算法python实现三、贝叶斯估计下的朴素贝叶斯算法python实现一、朴素贝叶斯法的原理二、极大似然估计下的朴素贝叶斯算法python实现importnumpyasnpdefnaiveBayes(X,Y,n,x):'''X代表的是各个特征的特征值Y代表类标记n代表特征类别x代表需要预测的数据点''''''得到各特征和类标记的类别'''#各特
- 似然函数和贝叶斯的关系
为啥不能修改昵称啊
python
似然函数什么是似然函数似然函数到底是L(θ∣x)L(\theta|x)L(θ∣x)还是L(x∣θ)L(x|\theta)L(x∣θ)似然函数和贝叶斯估计的关系是什么?先验分布是均匀的:P(θ)=1P(\theta)=1P(θ)=1。概率密度和概率有什么区别?什么是似然函数似然函数(LikelihoodFunction)是统计学和概率论中的一个重要概念。它通常用于估计参数或进行统计推断。似然函数描述
- 《统计学习方法》读书笔记——第九章 EM算法及其推广
'Themis'
读书笔记统计学习方法-李航
写在前面本系列博客是自己对于《统计学习方法》这本书的读书笔记,在读过每个章节以后根据自己的理解写下这一章的知识框架以及补充一些延伸知识点。目录写在前面本章框架EM算法EM算法在高斯混合模型中的应用EM算法的推广补充知识点高斯混合模型本章框架EM算法在进行概率模型的参数估计时,如果变量全是可以直接观测的,就可以直接用极大似然估计或贝叶斯估计;如果模型中含有隐变量,此时可以用EM算法来进行估计。EM算
- 统计学习方法 EM 算法
Air浩瀚
#ML算法概率论机器学习
文章目录统计学习方法EM算法引入EM算法EM算法的导出EM算法的收敛性三硬币模型统计学习方法EM算法学习李航《统计学习方法》时关于EM算法的笔记引入概率模型中有时候同时包含观测变量(observablevariable)和隐变量(潜在变量,latentvariable)。如果只有观测变量的话,那我们利用观测得到的数据,使用参数估计的方法(如极大似然估计法、矩估计法、贝叶斯估计法),就可以估计参数;
- html页面js获取参数值
0624chenhong
html
1.js获取参数值js
function GetQueryString(name)
{
var reg = new RegExp("(^|&)"+ name +"=([^&]*)(&|$)");
var r = windo
- MongoDB 在多线程高并发下的问题
BigCat2013
mongodbDB高并发重复数据
最近项目用到 MongoDB , 主要是一些读取数据及改状态位的操作. 因为是结合了最近流行的 Storm进行大数据的分析处理,并将分析结果插入Vertica数据库,所以在多线程高并发的情境下, 会发现 Vertica 数据库中有部分重复的数据. 这到底是什么原因导致的呢?笔者开始也是一筹莫 展,重复去看 MongoDB 的 API , 终于有了新发现 :
com.mongodb.DB 这个类有
- c++ 用类模版实现链表(c++语言程序设计第四版示例代码)
CrazyMizzz
数据结构C++
#include<iostream>
#include<cassert>
using namespace std;
template<class T>
class Node
{
private:
Node<T> * next;
public:
T data;
- 最近情况
麦田的设计者
感慨考试生活
在五月黄梅天的岁月里,一年两次的软考又要开始了。到目前为止,我已经考了多达三次的软考,最后的结果就是通过了初级考试(程序员)。人啊,就是不满足,考了初级就希望考中级,于是,这学期我就报考了中级,明天就要考试。感觉机会不大,期待奇迹发生吧。这个学期忙于练车,写项目,反正最后是一团糟。后天还要考试科目二。这个星期真的是很艰难的一周,希望能快点度过。
- linux系统中用pkill踢出在线登录用户
被触发
linux
由于linux服务器允许多用户登录,公司很多人知道密码,工作造成一定的障碍所以需要有时踢出指定的用户
1/#who 查出当前有那些终端登录(用 w 命令更详细)
# who
root pts/0 2010-10-28 09:36 (192
- 仿QQ聊天第二版
肆无忌惮_
qq
在第一版之上的改进内容:
第一版链接:
http://479001499.iteye.com/admin/blogs/2100893
用map存起来号码对应的聊天窗口对象,解决私聊的时候所有消息发到一个窗口的问题.
增加ViewInfo类,这个是信息预览的窗口,如果是自己的信息,则可以进行编辑.
信息修改后上传至服务器再告诉所有用户,自己的窗口
- java读取配置文件
知了ing
1,java读取.properties配置文件
InputStream in;
try {
in = test.class.getClassLoader().getResourceAsStream("config/ipnetOracle.properties");//配置文件的路径
Properties p = new Properties()
- __attribute__ 你知多少?
矮蛋蛋
C++gcc
原文地址:
http://www.cnblogs.com/astwish/p/3460618.html
GNU C 的一大特色就是__attribute__ 机制。__attribute__ 可以设置函数属性(Function Attribute )、变量属性(Variable Attribute )和类型属性(Type Attribute )。
__attribute__ 书写特征是:
- jsoup使用笔记
alleni123
java爬虫JSoup
<dependency>
<groupId>org.jsoup</groupId>
<artifactId>jsoup</artifactId>
<version>1.7.3</version>
</dependency>
2014/08/28
今天遇到这种形式,
- JAVA中的集合 Collectio 和Map的简单使用及方法
百合不是茶
listmapset
List ,set ,map的使用方法和区别
java容器类类库的用途是保存对象,并将其分为两个概念:
Collection集合:一个独立的序列,这些序列都服从一条或多条规则;List必须按顺序保存元素 ,set不能重复元素;Queue按照排队规则来确定对象产生的顺序(通常与他们被插入的
- 杀LINUX的JOB进程
bijian1013
linuxunix
今天发现数据库一个JOB一直在执行,都执行了好几个小时还在执行,所以想办法给删除掉
系统环境:
ORACLE 10G
Linux操作系统
操作步骤如下:
第一步.查询出来那个job在运行,找个对应的SID字段
select * from dba_jobs_running--找到job对应的sid
&n
- Spring AOP详解
bijian1013
javaspringAOP
最近项目中遇到了以下几点需求,仔细思考之后,觉得采用AOP来解决。一方面是为了以更加灵活的方式来解决问题,另一方面是借此机会深入学习Spring AOP相关的内容。例如,以下需求不用AOP肯定也能解决,至于是否牵强附会,仁者见仁智者见智。
1.对部分函数的调用进行日志记录,用于观察特定问题在运行过程中的函数调用
- [Gson六]Gson类型适配器(TypeAdapter)
bit1129
Adapter
TypeAdapter的使用动机
Gson在序列化和反序列化时,默认情况下,是按照POJO类的字段属性名和JSON串键进行一一映射匹配,然后把JSON串的键对应的值转换成POJO相同字段对应的值,反之亦然,在这个过程中有一个JSON串Key对应的Value和对象之间如何转换(序列化/反序列化)的问题。
以Date为例,在序列化和反序列化时,Gson默认使用java.
- 【spark八十七】给定Driver Program, 如何判断哪些代码在Driver运行,哪些代码在Worker上执行
bit1129
driver
Driver Program是用户编写的提交给Spark集群执行的application,它包含两部分
作为驱动: Driver与Master、Worker协作完成application进程的启动、DAG划分、计算任务封装、计算任务分发到各个计算节点(Worker)、计算资源的分配等。
计算逻辑本身,当计算任务在Worker执行时,执行计算逻辑完成application的计算任务
- nginx 经验总结
ronin47
nginx 总结
深感nginx的强大,只学了皮毛,把学下的记录。
获取Header 信息,一般是以$http_XX(XX是小写)
获取body,通过接口,再展开,根据K取V
获取uri,以$arg_XX
&n
- 轩辕互动-1.求三个整数中第二大的数2.整型数组的平衡点
bylijinnan
数组
import java.util.ArrayList;
import java.util.Arrays;
import java.util.List;
public class ExoWeb {
public static void main(String[] args) {
ExoWeb ew=new ExoWeb();
System.out.pri
- Netty源码学习-Java-NIO-Reactor
bylijinnan
java多线程netty
Netty里面采用了NIO-based Reactor Pattern
了解这个模式对学习Netty非常有帮助
参考以下两篇文章:
http://jeewanthad.blogspot.com/2013/02/reactor-pattern-explained-part-1.html
http://gee.cs.oswego.edu/dl/cpjslides/nio.pdf
- AOP通俗理解
cngolon
springAOP
1.我所知道的aop 初看aop,上来就是一大堆术语,而且还有个拉风的名字,面向切面编程,都说是OOP的一种有益补充等等。一下子让你不知所措,心想着:怪不得很多人都和 我说aop多难多难。当我看进去以后,我才发现:它就是一些java基础上的朴实无华的应用,包括ioc,包括许许多多这样的名词,都是万变不离其宗而 已。 2.为什么用aop&nb
- cursor variable 实例
ctrain
variable
create or replace procedure proc_test01
as
type emp_row is record(
empno emp.empno%type,
ename emp.ename%type,
job emp.job%type,
mgr emp.mgr%type,
hiberdate emp.hiredate%type,
sal emp.sal%t
- shell报bash: service: command not found解决方法
daizj
linuxshellservicejps
今天在执行一个脚本时,本来是想在脚本中启动hdfs和hive等程序,可以在执行到service hive-server start等启动服务的命令时会报错,最终解决方法记录一下:
脚本报错如下:
./olap_quick_intall.sh: line 57: service: command not found
./olap_quick_intall.sh: line 59
- 40个迹象表明你还是PHP菜鸟
dcj3sjt126com
设计模式PHP正则表达式oop
你是PHP菜鸟,如果你:1. 不会利用如phpDoc 这样的工具来恰当地注释你的代码2. 对优秀的集成开发环境如Zend Studio 或Eclipse PDT 视而不见3. 从未用过任何形式的版本控制系统,如Subclipse4. 不采用某种编码与命名标准 ,以及通用约定,不能在项目开发周期里贯彻落实5. 不使用统一开发方式6. 不转换(或)也不验证某些输入或SQL查询串(译注:参考PHP相关函
- Android逐帧动画的实现
dcj3sjt126com
android
一、代码实现:
private ImageView iv;
private AnimationDrawable ad;
@Override
protected void onCreate(Bundle savedInstanceState)
{
super.onCreate(savedInstanceState);
setContentView(R.layout
- java远程调用linux的命令或者脚本
eksliang
linuxganymed-ssh2
转载请出自出处:
http://eksliang.iteye.com/blog/2105862
Java通过SSH2协议执行远程Shell脚本(ganymed-ssh2-build210.jar)
使用步骤如下:
1.导包
官网下载:
http://www.ganymed.ethz.ch/ssh2/
ma
- adb端口被占用问题
gqdy365
adb
最近重新安装的电脑,配置了新环境,老是出现:
adb server is out of date. killing...
ADB server didn't ACK
* failed to start daemon *
百度了一下,说是端口被占用,我开个eclipse,然后打开cmd,就提示这个,很烦人。
一个比较彻底的解决办法就是修改
- ASP.NET使用FileUpload上传文件
hvt
.netC#hovertreeasp.netwebform
前台代码:
<asp:FileUpload ID="fuKeleyi" runat="server" />
<asp:Button ID="BtnUp" runat="server" onclick="BtnUp_Click" Text="上 传" />
- 代码之谜(四)- 浮点数(从惊讶到思考)
justjavac
浮点数精度代码之谜IEEE
在『代码之谜』系列的前几篇文章中,很多次出现了浮点数。 浮点数在很多编程语言中被称为简单数据类型,其实,浮点数比起那些复杂数据类型(比如字符串)来说, 一点都不简单。
单单是说明 IEEE浮点数 就可以写一本书了,我将用几篇博文来简单的说说我所理解的浮点数,算是抛砖引玉吧。 一次面试
记得多年前我招聘 Java 程序员时的一次关于浮点数、二分法、编码的面试, 多年以后,他已经称为了一名很出色的
- 数据结构随记_1
lx.asymmetric
数据结构笔记
第一章
1.数据结构包括数据的
逻辑结构、数据的物理/存储结构和数据的逻辑关系这三个方面的内容。 2.数据的存储结构可用四种基本的存储方法表示,它们分别是
顺序存储、链式存储 、索引存储 和 散列存储。 3.数据运算最常用的有五种,分别是
查找/检索、排序、插入、删除、修改。 4.算法主要有以下五个特性:
输入、输出、可行性、确定性和有穷性。 5.算法分析的
- linux的会话和进程组
网络接口
linux
会话: 一个或多个进程组。起于用户登录,终止于用户退出。此期间所有进程都属于这个会话期。会话首进程:调用setsid创建会话的进程1.规定组长进程不能调用setsid,因为调用setsid后,调用进程会成为新的进程组的组长进程.如何保证? 先调用fork,然后终止父进程,此时由于子进程的进程组ID为父进程的进程组ID,而子进程的ID是重新分配的,所以保证子进程不会是进程组长,从而子进程可以调用se
- 二维数组 元素的连续求解
1140566087
二维数组ACM
import java.util.HashMap;
public class Title {
public static void main(String[] args){
f();
}
// 二位数组的应用
//12、二维数组中,哪一行或哪一列的连续存放的0的个数最多,是几个0。注意,是“连续”。
public static void f(){
- 也谈什么时候Java比C++快
windshome
javaC++
刚打开iteye就看到这个标题“Java什么时候比C++快”,觉得很好笑。
你要比,就比同等水平的基础上的相比,笨蛋写得C代码和C++代码,去和高手写的Java代码比效率,有什么意义呢?
我是写密码算法的,深刻知道算法C和C++实现和Java实现之间的效率差,甚至也比对过C代码和汇编代码的效率差,计算机是个死的东西,再怎么优化,Java也就是和C