朴素贝叶斯基本思想特点一般过程示例1基本思想朴素贝叶斯的基本思想就是选择高概率对应的类别,即如果有两类,若p1(x,y)>p2(x,y),则分类类别为1若p1(x,y)
机器学习实战学习笔记(十)使用Apriori算法进行关联分析
Hold_My_Own
机器学习Apriori机器学习
PS:该系列数据都可以在图灵社区(点击此链接)中随书下载中下载(如下) 从大规模数据集中寻找物品间的隐含关系被称作关联分析(associationanalysis)或者关联规则学习(associationrulelearning)。1关联分析Apriori算法优点:易编码实现。缺点:在大数据集上可能较慢。使用数据类型:数值型或者标称型数据。 关联分析是一种在大规模数据集中寻找有趣关系的任务。这
机器学习实战学习笔记(九)K-均值聚类算法
Hold_My_Own
机器学习K-Means聚类机器学习
PS:该系列数据都可以在图灵社区(点击此链接)中随书下载中下载(如下) 聚类是一种无监督的学习,它将相似的对象归到同一个簇中。它有点像全自动分类,聚类方法几乎可以应用于所有对象,簇内的对象越相似,聚类的效果越好。K-均值(K-means)聚类算法,之所以称之为K-均值是因为它可以发现k个不同的簇,且每个簇的中心采用簇中所含值的均值计算而成。 簇识别(clusteridentification)
Peter 机器学习实战学习笔记(1)
Liker79
机器学习学习矩阵
shape的简单理解一、shape可以获取数组或矩阵的大小信息(矩阵的行数,列数,数组每一维的元素个数)在矩阵中shape[0]可以获取行数,shape[1]可以获取列数二、numpy中的tilenp.tile()本着函数取名必有所依的原理,博主百度了一下tile的英文意思,发现tile有平铺的意思。1.沿X轴复制在numpy中,np.tile(a,(2))函数的作用就是将函数将函数沿着X轴扩大两
机器学习实战学习笔记(七)预测数值型数据:回归
Hold_My_Own
机器学习回归预测数值型数据机器学习
PS:该系列数据都可以在图灵社区(点击此链接)中随书下载中下载(如下)1用线性回归找到最佳拟合直线线性回归优点:结果易于理解,计算上不复杂。缺点:对非线性的数据拟合不好。适用数据类型:数值型和标称型数据。 假定输入数据存放在矩阵XXX中,而回归系数存放在向量www中。那么对于给定的数据X1X_1X1,预测结果将会通过Y1=X1TwY_1=X_1^TwY1=X1Tw给出。我们常用的方法极速找出使误
机器学习实战学习笔记11——FP-growth 算法
飞鸟2010
python学习笔记python机器学习FP-growth
1.FP-growth算法概述1.1FP-growth算法介绍FP-Growth算法是韩家炜等人在2000年提出的关联分析算法,它采取分治策略:将提供频繁项集的数据库压缩到一棵频繁模式树(FP-tree),但仍保留项集关联信息。1.2FP-growth算法原理FP-growth算法使用了一种称为频繁模式树(FrequentPatternTree)的数据结构。FP-tree是一种特殊的前缀树,由频繁
机器学习实战学习笔记(五)支持向量机
Hold_My_Own
机器学习
PS:该系列数据都可以在图灵社区(点击此链接)中随书下载中下载(如下)1基于最大间隔分隔数据支持向量机(SupportVectorMachines,SVM)优点:泛化错误率低,计算开销不大,结果易于解释。缺点:对参数调节和核函数的选择敏感,原始分类器不加修改仅适用于处理二类问题。使用数据类型:数值型和标称型数据。 假设给定一个特征空间上的训练数据集T={(x1,y1),(x2,y2),...,(
机器学习实战学习笔记4——奇异值分解(SVD)
飞鸟2010
python学习笔记机器学习
1.SVD算法概述1.1SVD算法介绍奇异值分解(SingularValueDecomposition)算法,可以将数据映射到低维空间,常用于从有噪声数据中抽取相关特征。1.2SVD算法原理(1)先利用SVD从数据中构建一个主题空间;(2)然后在该空间下计算相似度;1.3SVD算法优缺点(1)优点:简化数据,去除噪声,提高算法的结果(2)缺点:数据的转换可能难以理解(3)应用:最优化问题、特征值问
【机器学习实战学习笔记(1-2)】k-近邻算法应用实例python代码
进击的AI小白
机器学习
文章目录1.改进约会网站匹配效果1.1准备数据:从文本文件中解析数据1.2分析数据:使用Matplotlib创建散点图1.3准备数据:归一化特征1.4测试算法:作为完整程序验证分类器1.5使用算法:构建完成可用系统2.手写识别系统2.1准备数据:将图像转换为测试向量2.2测试算法:使用k-近邻算法识别手写数字在上一篇文章中我们得到了基于欧式距离、多数表决规则,实现方法采用线性搜索法的k-近邻法cl
机器学习实战学习笔记(十三)利用SVD简化数据
Hold_My_Own
机器学习svd机器学习
PS:该系列数据都可以在图灵社区(点击此链接)中随书下载中下载(如下)1SVD的应用奇异值分解优点:简化数据,去除噪声,提高算法的结果。缺点:数据的转换可能难以理解。适用数据类型:数值型数据。1.1隐形语义索引 最早的SVD应用之一就是信息检索。我们称利用SVD的方法为隐性语义索引(LatentSemanticIndex,LSI)或隐性语义分析(LatentSemanticAnalysis,LS
机器学习实战学习笔记(十二)利用PCA来简化数据
Hold_My_Own
机器学习
PS:该系列数据都可以在图灵社区(点击此链接)中随书下载中下载(如下)1降维技术 对数据进行简化的原因:使得数据集更易使用;降低很多算法的计算开销;去除噪声;使得结果易懂。 主成分分析(PrincipalComponentAnalysis,PCA):在PCA中,数据从原来的坐标系转换到了新的坐标系,新坐标系的选择是由数据本身决定的。第一个新坐标轴选择的是原始数据中方差最大的方向,第二个新坐标轴
机器学习实战学习笔记(十一)使用FP-growth算法来高效发现频繁项集
Hold_My_Own
机器学习
PS:该系列数据都可以在图灵社区(点击此链接)中随书下载中下载(如下) FP-growth算法:比Apriori算法要快。它基于Apriori构建,但是在完成相同任务时采用了一些不同的技术。这里的任务是将数据集存储在一个特定的称作FP树的结构之后发现频繁项集或者频繁相对,即常在一块出现的元素项的集合FP树。这个算法能够更有效地挖掘数据。这种算法虽然能更为高效地发现频繁项集,但不能用于发现关联规则
机器学习实战学习笔记(一)
sakurakdx
1.KNN算法描述简单来说:k-近邻算法(knn)采用测量不同特征值之间的距离算法进行分类优点:精度高、对异常值不敏感、无数据输入假定缺点:计算复杂度高、空间复杂度高适用数据范围:数值型和标称型工作原理:存在一个训练样本集,样本集中每个数据都存在标签。输入没有标签的新数据后,将新数据的每个特征与样本集中数据对应的特征进行比较,然后算法提取样本集中特征最相似(最近邻)的分类标签。一般来说,只选择样本
机器学习实战学习笔记 ---- K-Means(K-均值)聚类算法
杨鑫newlfe
MachineLearning
聚类是一种无监督的学习,它将相似的对象归到一个簇中,将不相似的对象归到不同的簇中。相似这一概念取决于所选择的相似度计算方式。K-Means是发现给定数据集的K个簇的聚类算法,之所以称之为“K-均”值是因为它可以发现K个不同的簇,且每个簇的中心采用的所含值的均值计算而成。簇个数K是用户指定的,每一个簇通过其质心(centroid),即簇中所有点的中心来描述。聚类与分类算法的最大区别在于,分类的目标类
【机器学习实战学习笔记(2-2)】决策树python3.6实现及简单应用
siplifyit
文章目录1.ID3及C4.5算法基础1.1计算香农熵1.2按照给定特征划分数据集1.3选择最优特征1.4多数表决实现2.基于ID3、C4.5生成算法创建决策树3.使用决策树进行分类4.存储决策树通过决策树原理及相关概念细节我们知道,决策树的学习算法主要包括3个步骤:特征选择、决策树生成算法、决策树剪枝,我们按照这个思路来一一实现相关功能。本文的实现目前主要涉及特征选择、ID3及C4.5算法。剪枝及
【机器学习实战学习笔记(2-1)】决策树原理及相关概念细节
siplifyit
文章目录1.决策树概述1.1基本概念1.2决策树学习概述2.特征选择2.1信息增益(informationgain)2.1.1熵(entropy)2.1.2条件熵(conditionalentropy)2.1.3信息增益计算2.2信息增益比(informationgainration)3.决策树的生成3.1ID3算法3.2C4.5算法4.决策树的剪枝1.决策树概述决策树(decisiontree)
机器学习实战学习笔记
suuunnnyoy
学习笔记
目录统计学习基本概念统计学习三要素1模型2策略(评价准则)损失函数和风险函数经验风险最小化和结构风险最小化一、分类1.K近邻1.1算法概述1.2算法一般流程:1.3算法要素1.3.1距离度量1.3.2k值的选择1.3.3分类决策规则1.4k近邻法的实现:kd树1.4.1构造kd树1.4.2搜索kd树1.5额外的2.决策树2.1算法概述2.2算法流程2.3特征选择2.3.1信息增益2.3.2信息增益
机器学习实战学习笔记一
SilenceHell
机器学习实战学习笔记
一.误差讲的很不错,我最初学机器学习就是看吴恩达的课程,当初他就讲了平方项误差是由高斯分布通过极大似然求得的,当时还不是特别理解,之后很多的教材也没有对这方面进行解释,没想到这里给推导了一遍,很不错。这张幻灯片有一个问题,XθX\thetaXθ都是列变量是不能相乘的,这里应该有一个转置。注意:能用这个方式直接求出结果的条件很苛刻那就是XTXX^TXXTX必须是非奇异矩阵,大部分实际条件下,这个条件
机器学习实战学习笔记(二)
三年二班周杰伦
机器学习
决策树。后面的CART会涉及到剪枝和回归。那个才是重点。这里就简单贴一下代码。frommathimportlog
importoperator
defcreateDataset():
dataSet=[[1,1,'yes'],[1,1,'yes'],[1,0,'no'],[0,1,'no'],[0,1,'no']]
labels=['nosurfacing','flippers']
return
机器学习实战学习笔记(一)
三年二班周杰伦
机器学习
shape的用法numpy.tile()函数numpy.sum()的用法KNN算法和kmeans算法的异同numpy.argsort()字典的get方法python中iteritems()函数一开始看问题还是蛮多的,看python的基础语法看完就忘了,只有到真正需要用的时候才会了解到相应的用法。下面是带注释的代码。fromnumpyimport*
importoperator
fromosimpo
机器学习实战学习笔记
infinitezechan
机器学习实战
Chapter1机器学习基础NumPy函数库基础random.rand(4,4)上述命令构造了4*4的随机数组>>>random.rand(4,4)
array([[0.0418002,0.20941796,0.68781548,0.32148814],[0.39318817,0.46766914,0.49318351,0.65444726],[0.33036255,0.70759215,0.59
机器学习实战学习笔记(三):朴素贝叶斯
test103
机器学习
贝叶斯原理之所以称之为“朴素”,是因为整个形式化过程只做最原始、最简单的假设。优缺点-优点:在数据较少的情况下仍然有效,可以处理多类别问题。-确定:对于输入数据的准备方式比较敏感。-适用数据类型:标称型数据。入门示例二维坐标中,如果p1(x,y)>p2(x,y),那么(x,y)属于类别1,否则属于类别2.共有7块石头,3块灰色的,4块黑色的p(gray)=3/7p(black)=4/7现在将7块石
机器学习实战学习笔记(四):Logistic回归
test103
机器学习
逻辑回归逻辑回归分类的主要思想是:根据现有数据对分类边界线建立回归公式,以此进行分类。优缺点优点:计算代价不高,易于理解和实现。确定:容易欠拟合,分类精度可能不高。适用数据类型:数值型和标称型数据。核心概念sigma函数最大释然估计应用——从疝气病预测病马的死亡率这章不详细描述,请参考书中描述及这篇博客,写的很好(http://sbp810050504.blog.51cto.com/2799422
机器学习实战学习笔记(二):决策树
test103
机器学习
决策树优缺点优点:计算复杂度不高,输出结果易于理解,对中间值的确实不敏感,可以处理不相关特征数据。缺点:可能会产生过度匹配问题。适用数据类型:数值型和标称型。原理树结构信息增益在划分数据集之前之后信息发生的变化称为信息增益。香农商集合信息的度量方式称为香农熵或者简称为熵,这个名字来源于信息论之父克劳德.香农。例子略实际中的应用——预测隐形眼镜类型隐形眼镜数据集是非常著名的数据集。构造树结构。
机器学习实战学习笔记9——Logistic回归
飞鸟2010
python学习笔记机器学习
1.logistic回归概述1.1logistic回归介绍Logistic回归是一种广义的线性回归分析模型,是研究二分类观察结果y与一些影响因素(x_1,x_2,…,x_n)之间关系的一种多变量分析方法。通常研究某些因素条件下某个结果是否发生,比如医学中根据症状来判断病人是否患有某种疾病。1.2Logistic回归原理Logistic回归进行分类的主要思想是:根据现有数据对分类边界线建立回归公式。
机器学习实战学习笔记8——朴素贝叶斯
飞鸟2010
python学习笔记机器学习
1.朴素贝叶斯概述1.1朴素贝叶斯介绍朴素贝叶斯(NaïveBayesian)是基于贝叶斯定理与特征条件独立假设的分类方法。朴素贝叶斯分类器基于一个简单的假设:给定目标值之间属性相互独立。1.2朴素贝叶斯工作原理假设有一个数据集,由两类组成,对于每个样本的分类,都是已知的。现在有一个新的点new_point(x,y),其分类未知。我们可以用p1(x,y)来表示数据点(x,y)属于类别1的概率;用p
机器学习实战学习笔记7——Kmeans
飞鸟2010
python学习笔记机器学习
1.Kmeans算法概述1.1Kmeans算法介绍Kmeans是发现给定数据集的K个簇的算法。簇个数K是用户给定的,每一个簇通过其质心,即簇中所有点的中心来描述。1.2Kmeans算法工作流程(1)创建K个质点作为起始质心;(2)当任意一个点的簇分配结果发生改变时:对数据集中的每个数据点对每个质心计算质心与数据点之间的距离将数据点分配到距其最近的簇对每一个簇,计算簇中所有点的均值并将均值作为质心1
机器学习实战学习笔记6——AdaBoost
飞鸟2010
python学习笔记机器学习
1.AdaBoost概述1.1AdaBoost介绍AdaBoost是一种迭代算法,其核心思想是针对同一训练集训练不同的分类器(弱分类器),然后把这些分类器集合起来,构成一个最终的强分类器。1.2AdaBoost优缺点(1)优点:泛化错误率低,易编码,可以应用在大部分分类器上,无需参数调整。(2)缺点:对离群点敏感。
机器学习实战学习笔记3——支持向量机
飞鸟2010
1.SVM算法概述1.1SVM简介支持向量机(SupportVectorMachine),是90年代中期发展起来的基于统计学习理论的一种机器学习方法,通过寻求结构化风险最小来提高学习机泛化能力,实现经验风险和置信范围的最小化,从而达到在统计样本量较少的情况下,亦能获得良好统计规律的目的。本身是一种监督式学习的方法,广泛应用于统计分类以及回归分析中。1.2SVM工作原理它使用非线性映射,将原训练数据
ztree异步加载
3213213333332132
JavaScriptAjaxjsonWebztree
相信新手用ztree的时候,对异步加载会有些困惑,我开始的时候也是看了API花了些时间才搞定了异步加载,在这里分享给大家。
我后台代码生成的是json格式的数据,数据大家按各自的需求生成,这里只给出前端的代码。
设置setting,这里只关注async属性的配置
var setting = {
//异步加载配置
thirft rpc 具体调用流程
BlueSkator
中间件rpcthrift
Thrift调用过程中,Thrift客户端和服务器之间主要用到传输层类、协议层类和处理类三个主要的核心类,这三个类的相互协作共同完成rpc的整个调用过程。在调用过程中将按照以下顺序进行协同工作:
(1) 将客户端程序调用的函数名和参数传递给协议层(TProtocol),协议
异或运算推导, 交换数据
dcj3sjt126com
PHP异或^
/*
* 5 0101
* 9 1010
*
* 5 ^ 5
* 0101
* 0101
* -----
* 0000
* 得出第一个规律: 相同的数进行异或, 结果是0
*
* 9 ^ 5 ^ 6
* 1010
* 0101
* ----
* 1111
*
* 1111
* 0110
* ----
* 1001
事件源对象
周华华
JavaScript
<!DOCTYPE html PUBLIC "-//W3C//DTD XHTML 1.0 Transitional//EN" "http://www.w3.org/TR/xhtml1/DTD/xhtml1-transitional.dtd">
<html xmlns="http://www.w3.org/1999/xhtml&q
MySql配置及相关命令
g21121
mysql
MySQL安装完毕后我们需要对它进行一些设置及性能优化,主要包括字符集设置,启动设置,连接优化,表优化,分区优化等等。
一 修改MySQL密码及用户
 
[简单]poi删除excel 2007超链接
53873039oycg
Excel
采用解析sheet.xml方式删除超链接,缺点是要打开文件2次,代码如下:
public void removeExcel2007AllHyperLink(String filePath) throws Exception {
OPCPackage ocPkg = OPCPac
Struts2添加 open flash chart
云端月影
准备以下开源项目:
1. Struts 2.1.6
2. Open Flash Chart 2 Version 2 Lug Wyrm Charmer (28th, July 2009)
3. jofc2,这东西不知道是没做好还是什么意思,好像和ofc2不怎么匹配,最好下源码,有什么问题直接改。
4. log4j
用eclipse新建动态网站,取名OFC2Demo,将Struts2 l
spring包详解
aijuans
spring
下载的spring包中文件及各种包众多,在项目中往往只有部分是我们必须的,如果不清楚什么时候需要什么包的话,看看下面就知道了。 aspectj目录下是在Spring框架下使用aspectj的源代码和测试程序文件。Aspectj是java最早的提供AOP的应用框架。 dist 目录下是Spring 的发布包,关于发布包下面会详细进行说明。 docs&nb
网站推广之seo概念
antonyup_2006
算法Web应用服务器搜索引擎Google
持续开发一年多的b2c网站终于在08年10月23日上线了。作为开发人员的我在修改bug的同时,准备了解下网站的推广分析策略。
所谓网站推广,目的在于让尽可能多的潜在用户了解并访问网站,通过网站获得有关产品和服务等信息,为最终形成购买决策提供支持。
网站推广策略有很多,seo,email,adv
单例模式,sql注入,序列
百合不是茶
单例模式序列sql注入预编译
序列在前面写过有关的博客,也有过总结,但是今天在做一个JDBC操作数据库的相关内容时 需要使用序列创建一个自增长的字段 居然不会了,所以将序列写在本篇的前面
1,序列是一个保存数据连续的增长的一种方式;
序列的创建;
CREATE SEQUENCE seq_pro
2 INCREMENT BY 1 -- 每次加几个
3
Mockito单元测试实例
bijian1013
单元测试mockito
Mockito单元测试实例:
public class SettingServiceTest {
private List<PersonDTO> personList = new ArrayList<PersonDTO>();
@InjectMocks
private SettingPojoService settin
精通Oracle10编程SQL(9)使用游标
bijian1013
oracle数据库plsql
/*
*使用游标
*/
--显示游标
--在显式游标中使用FETCH...INTO语句
DECLARE
CURSOR emp_cursor is
select ename,sal from emp where deptno=1;
v_ename emp.ename%TYPE;
v_sal emp.sal%TYPE;
begin
ope
【Java语言】动态代理
bit1129
java语言
JDK接口动态代理
JDK自带的动态代理通过动态的根据接口生成字节码(实现接口的一个具体类)的方式,为接口的实现类提供代理。被代理的对象和代理对象通过InvocationHandler建立关联
package com.tom;
import com.tom.model.User;
import com.tom.service.IUserService;
Java通信之URL通信基础
白糖_
javajdkwebservice网络协议ITeye
java对网络通信以及提供了比较全面的jdk支持,java.net包能让程序员直接在程序中实现网络通信。
在技术日新月异的现在,我们能通过很多方式实现数据通信,比如webservice、url通信、socket通信等等,今天简单介绍下URL通信。
学习准备:建议首先学习java的IO基础知识
URL是统一资源定位器的简写,URL可以访问Internet和www,可以通过url
博弈Java讲义 - Java线程同步 (1)
boyitech
java多线程同步锁
在并发编程中经常会碰到多个执行线程共享资源的问题。例如多个线程同时读写文件,共用数据库连接,全局的计数器等。如果不处理好多线程之间的同步问题很容易引起状态不一致或者其他的错误。
同步不仅可以阻止一个线程看到对象处于不一致的状态,它还可以保证进入同步方法或者块的每个线程,都看到由同一锁保护的之前所有的修改结果。处理同步的关键就是要正确的识别临界条件(cri
java-给定字符串,删除开始和结尾处的空格,并将中间的多个连续的空格合并成一个。
bylijinnan
java
public class DeleteExtraSpace {
/**
* 题目:给定字符串,删除开始和结尾处的空格,并将中间的多个连续的空格合并成一个。
* 方法1.用已有的String类的trim和replaceAll方法
* 方法2.全部用正则表达式,这个我不熟
* 方法3.“重新发明轮子”,从头遍历一次
*/
public static v
An error has occurred.See the log file错误解决!
Kai_Ge
MyEclipse
今天早上打开MyEclipse时,自动关闭!弹出An error has occurred.See the log file错误提示!
很郁闷昨天启动和关闭还好着!!!打开几次依然报此错误,确定不是眼花了!
打开日志文件!找到当日错误文件内容:
--------------------------------------------------------------------------
[矿业与工业]修建一个空间矿床开采站要多少钱?
comsci
地球上的钛金属矿藏已经接近枯竭...........
我们在冥王星的一颗卫星上面发现一些具有开采价值的矿床.....
那么,现在要编制一个预算,提交给财政部门..
解析Google Map Routes
dai_lm
google api
为了获得从A点到B点的路劲,经常会使用Google提供的API,例如
[url]
http://maps.googleapis.com/maps/api/directions/json?origin=40.7144,-74.0060&destination=47.6063,-122.3204&sensor=false
[/url]
从返回的结果上,大致可以了解应该怎么走,但
SQL还有多少“理所应当”?
datamachine
sql
转贴存档,原帖地址:http://blog.chinaunix.net/uid-29242841-id-3968998.html、http://blog.chinaunix.net/uid-29242841-id-3971046.html!
------------------------------------华丽的分割线--------------------------------
Yii使用Ajax验证时,如何设置某些字段不需要验证
dcj3sjt126com
Ajaxyii
经常像你注册页面,你可能非常希望只需要Ajax去验证用户名和Email,而不需要使用Ajax再去验证密码,默认如果你使用Yii 内置的ajax验证Form,例如:
$form=$this->beginWidget('CActiveForm', array( 'id'=>'usuario-form',&
使用git同步网站代码
dcj3sjt126com
crontabgit
转自:http://ued.ctrip.com/blog/?p=3646?tn=gongxinjun.com
管理一网站,最开始使用的虚拟空间,采用提供商支持的ftp上传网站文件,后换用vps,vps可以自己搭建ftp的,但是懒得搞,直接使用scp传输文件到服务器,现在需要更新文件到服务器,使用scp真的很烦。发现本人就职的公司,采用的git+rsync的方式来管理、同步代码,遂
sql基本操作
蕃薯耀
sqlsql基本操作sql常用操作
sql基本操作
>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>
蕃薯耀 2015年6月1日 17:30:33 星期一
&
Spring4+Hibernate4+Atomikos3.3多数据源事务管理
hanqunfeng
Hibernate4
Spring3+后不再对JTOM提供支持,所以可以改用Atomikos管理多数据源事务。Spring2.5+Hibernate3+JTOM参考:http://hanqunfeng.iteye.com/blog/1554251Atomikos官网网站:http://www.atomikos.com/ 一.pom.xml
<dependency>
<
jquery中两个值得注意的方法one()和trigger()方法
jackyrong
trigger
在jquery中,有两个值得注意但容易忽视的方法,分别是one()方法和trigger()方法,这是从国内作者<<jquery权威指南》一书中看到不错的介绍
1) one方法
one方法的功能是让所选定的元素绑定一个仅触发一次的处理函数,格式为
one(type,${data},fn)
&nb
拿工资不仅仅是让你写代码的
lampcy
工作面试咨询
这是我对团队每个新进员工说的第一件事情。这句话的意思是,我并不关心你是如何快速完成任务的,哪怕代码很差,只要它像救生艇通气门一样管用就行。这句话也是我最喜欢的座右铭之一。
这个说法其实很合理:我们的工作是思考客户提出的问题,然后制定解决方案。思考第一,代码第二,公司请我们的最终目的不是写代码,而是想出解决方案。
话粗理不粗。
付你薪水不是让你来思考的,也不是让你来写代码的,你的目的是交付产品
架构师之对象操作----------对象的效率复制和判断是否全为空
nannan408
架构师
1.前言。
如题。
2.代码。
(1)对象的复制,比spring的beanCopier在大并发下效率要高,利用net.sf.cglib.beans.BeanCopier
Src src=new Src();
BeanCopier beanCopier = BeanCopier.create(Src.class, Des.class, false);
ajax 被缓存的解决方案
Rainbow702
JavaScriptjqueryAjaxcache缓存
使用jquery的ajax来发送请求进行局部刷新画面,各位可能都做过。
今天碰到一个奇怪的现象,就是,同一个ajax请求,在chrome中,不论发送多少次,都可以发送至服务器端,而不会被缓存。但是,换成在IE下的时候,发现,同一个ajax请求,会发生被缓存的情况,只有第一次才会被发送至服务器端,之后的不会再被发送。郁闷。
解决方法如下:
① 直接使用 JQuery提供的 “cache”参数,
修改date.toLocaleString()的警告
tntxia
String
我们在写程序的时候,经常要查看时间,所以我们经常会用到date.toLocaleString(),但是date.toLocaleString()是一个过时 的API,代替的方法如下:
package com.tntxia.htmlmaker.util;
import java.text.SimpleDateFormat;
import java.util.
项目完成后的小总结
xiaomiya
js总结项目
项目完成了,突然想做个总结但是有点无从下手了。
做之前对于客户端给的接口很模式。然而定义好了格式要求就如此的愉快了。
先说说项目主要实现的功能吧
1,按键精灵
2,获取行情数据
3,各种input输入条件判断
4,发送数据(有json格式和string格式)
5,获取预警条件列表和预警结果列表,
6,排序,
7,预警结果分页获取
8,导出文件(excel,text等)
9,修