极大似然估计

　极大似然估计方法是求估计的另一种方法,1821年首先由德国数学家C. F. Gauss提出，但是这个方法通常被归功于英国的统计学家R. A. Fisher，他在1922年的论文On the mathematical foundations of theoretical statistics, reprinted in Contributions to Mathematical Statistics (by R. A. Fisher), 1950, J. Wiley & Sons, New York 中再次提出了这个思想，并且首先探讨了这种方法的一些性质.极大似然估计这一名称也是费歇给的。这是一种目前仍然得到广泛应用的方法。它是建立在极大似然原理的基础上的一个统计方法，极大似然原理的直观想法是：一个随机试验如有若干个可能的结果A，B，C，…。若在一次试验中，结果A出现，则一般认为试验条件对A出现有利，也即A出现的概率很大。

　　求极大似然函数估计值的一般步骤：

　　（1） 写出似然函数；

　　（2） 对似然函数取对数，并整理；

　　（3） 求导数 ；
　　（4） 解似然方程

　　极大似然估计，只是一种概率论在统计学的应用，它是参数估计的方法之一。说的是已知某个随机样本满足某种概率分布，但是其中具体的参数不清楚，参数估计就是通过若干次试验，观察其结果，利用结果推出参数的大概值。极大似然估计是建立在这样的思想上：已知某个参数能使这个样本出现的概率最大，我们当然不会再去选择其他小概率的样本，所以干脆就把这个参数作为估计的真实值。

　　当然极大似然估计只是一种粗略的数学期望，要知道它的误差大小还要做区间估计。

扩展阅读：

开放分类：数学，开放，概率，统计方法，极大似然原理

From：http://baike.baidu.com/view/185250.htm

你可能感兴趣的:(极大似然估计)

  • 【概率图与随机过程】01 一维高斯分布：极大似然与无偏性 石 溪 机器学习中的数学（全集）概率论图论自然语言处理机器学习人工智能
    在这个专栏中，我们开篇首先介绍高斯分布，他的重要性体现在两点：第一：依据中心极限定理，当样本量足够大的时候，任意分布的均值都趋近于一个高斯分布，这是在整个工程领域体现出该分布的一种普适性；第二：高斯分布是后续许多模型的根本基础，例如线性高斯模型（卡尔曼滤波）、高斯过程等等。因此我们首先在这一讲当中，结合一元高斯分布，来讨论一下极大似然估计，估计的有偏性、无偏性等基本建模问题。1.极大似然估计问题背
  • 统计机器学习第十三章极大似然估计的性质——图解MLE的渐进正态性 cui_hao_nan 统计机器学习导论机器学习
    n=10;t=10000;s=1/12/n;x=linspace(-0.4,0.4,100);y=1/sqrt(2*pi*s)*exp(-x.^2/(2*s));z=mean(rand(t,n)-0.5,2);figure(1);clf;holdonb=20;hist(z,b);h=plot(x,y*t/b*(max(z)-min(z)),'r-');这段代码的功能是生成随机数并进行直方图和曲线的
  • Logistic 回归 零 度° 机器学习回归数据挖掘人工智能
    文章目录1.引言2.Logistic回归概述2.1定义与应用场景2.2与线性回归的区别3.原理与数学基础3.1Sigmoid函数3.2概率解释3.3极大似然估计4.模型建立4.1假设函数4.2成本函数4.3梯度下降法5.正则化5.1正则化的目的与类型5.1.1正则化的目的5.1.2正则化的类型5.2L1和L2正则化5.2.1L1正则化5.2.2L2正则化6.多分类问题6.1一对多(OvA)6.2一
  • 2019-10-04 学习极大似然估计与优化理论 小郑的学习笔记
    主要推导了一个公式推导MLE与LSE.jpeg即用极大似然估计（MLE）的角度去解多元线性回归其结果与最小二乘(LSE)解的结果是一样的，这一点我觉得很神奇。可以看这个解释例子https://www.cnblogs.com/little-YTMM/p/5700226.html2。学习数值分析，学习了两种优化，无约束最优化和有约束最优化。无约束最优化主要有梯度下降法牛顿法梯度下降法在接近极值的时候会
  • 【北邮鲁鹏老师计算机视觉课程笔记】04 fitting 拟合 量子-Alex CV知识学习和论文阅读计算机视觉笔记人工智能
    【北邮鲁鹏老师计算机视觉课程笔记】04fitting拟合1拟合的任务如何从边缘找出真正的线？存在问题①噪声②外点、离群点③缺失数据2最小二乘存在的问题3全最小二乘度量的是点到直线的距离而不是点在y方向到直线的距离提示：点到直线的距离公式归一化后保留分子4极大似然估计5鲁棒的最小二乘不直接用点到直线的距离σ\sigmaσ来控制点到直线距离的影响，太远的点就是噪声点，就不考虑了。r=10的时候，也认为
  • 机器学习---学习与推断，近似推断、话题模型 三月七꧁ ꧂ 机器学习机器学习学习人工智能
    1.学习与推断基于概率图模型定义的分布，能对目标变量的边际分布（marginaldistribution）或某些可观测变量为条件的条件分布进行推断。对概率图模型，还需确定具体分布的参数，称为参数估计或学习问题，通常使用极大似然估计或后验概率估计求解。单若将参数视为待推测的变量，则参数估计过程和推断十分相似，可以“吸收”到推断问题中。假设图模型所对应的变量集x＝｛x1，x2，···，xn｝能分为XE
  • 如何通过极大似然估计 MLE Maximum Likelihood Estimation 获得 交叉熵 Cross Entropy 以及 均方损失函数 Mean Square Loss ？ shimly123456 StanfordCS229个人开发
    似然函数定义以及极大似然估计MLE(完成)---------------------------------------------------------------------------------------start注意：P(A|B)并不总是等于P(B|A)，原因如下：首先要明白一个事情，什么是似然函数？以下是CHATGPTMathSolver的回答：我自己解释一下，意思就是：观察到一组
  • 最大期望算法（EM算法） 陇院第一Sweet Baby 算法数据结构c语言
    #include//最大期望算法（EM算法）//EM算法是一种启发式的迭代算法，用于实现用样本对含有隐变量的模型的参数做极大似然估计。//EM算法通过迭代逼近的方式用实际的值带入求解模型内部参数intmain(){intm,n,r;scanf("%d%d",&m,&n);printf("%d和%d的最大公因子是\n",m,n);while(n!=0){r=m%n;m=n;n=r;}printf("
  • 2018-07-03 lanjly
    [TOC]极大似然估计的一般思想极大似然估计（MaximumLikelihood），顾名思义，就是根据似然度（也就是可能性，likelihood）对感兴趣的参数（如正态分布的\mu与\sigma，指数分布的\lambda)进行估计。极大似然估计的原理是一种非常直观的思想，那就是谁的可能性大，谁的脸面就大。从一个非常简单的例子来看一下极大似然估计的思想：有A、B两个箱子：A箱子有99个白球，1个黑球
  • 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
  • 极大似然概率 zidea
    MachineLearninginMarketingEM算法极大似然函数极大似然估计是机器学习中比较重要的概念，一些专业教程往往容易忽略对其解释。在开始介绍前，我们需要先理解一下似然，似然也就是像这样的意义，也就是想这样(你看到的或是观察到的结果或数据)的可能性。例如身高175cm，体重60kg根据数据。我们来估计他是男生概率。极大似然估计是一种统计学的方法，我们用已知的样本数据分布去推测具体的分
  • 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
  • 机器学习算法之EM算法 浅白Coder 机器学习算法机器学习人工智能
    一、EM算法EM算法最初是为了解决缺失数据情况下参数估计问题；根据已经给出的观察数据，估计出模型参数的值，然后根据得到的模型参数去估计缺失的数据，再由模型的观察数据和估计的确实数据去预测模型参数值，反复迭代，直至最后收敛。1.1预备知识：1.1.1.极大似然估计：根据已观察到的数据去最大化该数据出现概率，得到的参数即为所求。（已观察到的数据理应出现的概率比较大，比较合理）1.1.2.Jensen不
  • 极大似然估计(转自知乎) 暧昧旳黑夜
    转自知乎：https://www.zhihu.com/question/24124998/answer/41420549我们假设硬币有两面，一面是“花”，一面是“字”。一般来说，我们都觉得硬币是公平的，也就是“花”和“字”出现的概率是差不多的。如果我扔了100次硬币，100次出现的都是“花”。在这样的事实下，我觉得似乎硬币的参数不是公平的。你硬要说是公平的，那就是侮辱我的智商。这种通过事实，反过来
  • 机器学习 --- 指数族分布 建模君Assistance 数学建模算法算法
    一、背景二、高斯分布的指数族形式三、对数配分函数与充分统计量的关系三、极大似然估计与充分统计量四、最大熵角度总结最后数学建模精选资料共享，研究生学长数模指导，建模比赛思路分享，关注我不迷路！建模指导，比赛协助，有问必答，欢迎打扰
  • 《统计学习方法：李航》笔记 从原理到实现（基于python）-- 第6章 逻辑斯谛回归与最大熵模型（2）6.2 最大熵模型 北方骑马的萝卜 机器学习笔记学习方法笔记python
    文章目录6.2最大熵模型6.2.1最大熵原理6.2.3最大熵模型的学习6.2.4极大似然估计《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《统计学习方法：李航》笔记从原理到实现（基于python）--第1章统计学习方法概论《统计学习方法：李航》笔记从原理到实现（基于python）--第2章感知机《统计学习方法：李航》笔记从原理到实现（基于python）--第3章k邻
  • 《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
  • 大数据期望最大化（EM）算法：从理论到实战全解析 星川皆无恙 机器学习与深度学习大数据人工智能大数据大数据算法深度学习人工智能
    文章目录大数据期望最大化（EM）算法：从理论到实战全解析一、引言概率模型与隐变量极大似然估计（MLE）Jensen不等式二、基础数学原理条件概率与联合概率似然函数Kullback-Leibler散度贝叶斯推断三、EM算法的核心思想期望（E）步骤最大化（M）步骤Q函数与辅助函数收敛性四、EM算法与高斯混合模型（GMM）高斯混合模型的定义分量权重E步骤在GMM中的应用M步骤在GMM中的应用五、实战案例
  • 贝叶斯分类器（公式推导+举例应用） Nie同学 机器学习机器学习分类
    文章目录引言贝叶斯决策论先验概率和后验概率极大似然估计朴素贝叶斯分类器朴素贝叶斯分类器的优点与缺点优点缺点总结实验分析引言在机器学习的世界中，有一类强大而受欢迎的算法——贝叶斯分类器，它倚仗着贝叶斯定理和朴素的独立性假设，成为解决分类问题的得力工具。这种算法的独特之处在于其对概率的建模，使得它在面对不确定性和大规模特征空间时表现卓越。本文将深入探讨贝叶斯分类器，首先通过详细的公式推导带你走进其内部
  • 快速了解——逻辑回归及模型评估方法 小林打怪中 机器学习人工智能
    一、逻辑回归应用场景：解决二分类问题1、sigmoid函数1.公式：2.作用：把(-∞，+∞)映射到(0，1)3.数学性质：单调递增函数，拐点在x=0，y=0.5的位置4.导函数公式：f′(x)=f(x)(1–f(x))2、相关概念概率：事件发生的可能性联合概率：两个或多个随机变量同时发生的概率条件概率：表示事件A在另外一个事件B已经发生条件下的发生概率，P(A|B)极大似然估计：根据观测到的结果
  • 最小二乘法，极大似然估计，交叉熵 你若盛开，清风自来！ 机器学习深度学习人工智能算法
    比较两种概率模型的差距的方法最小二乘法带有绝对值，在定义域上不是全程可导的，所以说通常办法就是对他们求平方。为什么叫最小二乘法：平方就是乘2次，在这个式子中找最小的值，称之为最小二乘法。这个最小值找到了，就是相当于神经网络中和人脑中判断猫的模型最相近的那个结果了缺点：用这个作为损失函数非常麻烦，不适合梯度下降。极大似然估计似然值是真实的情况已经发生，我们假设他有很多模型，在某个概率模型下发生这种情
  • 逻辑回归、深度学习简介、反向传播 梦码城 深度学习深度学习机器学习概率论
    LogisticRegression逻辑回归模型介绍LogisticRegression虽然被称为回归，但其实际上是分类模型，并常用于二分类。LogisticRegression因其简单、可并行化、可解释强深受工业界喜爱。Logistic回归的本质是：假设数据服从这个分布，然后使用极大似然估计做参数的估计。Logistic分布是一种连续型的概率分布，其分布函数和密度函数分别为：Logistic分布
  • 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.
  • 神经网络中的损失函数（上）——回归任务 liuzibujian 神经网络回归人工智能机器学习损失函数
    神经网络中的损失函数前言损失函数的含义回归任务中的损失函数平均绝对误差（MAE）L1范数曼哈顿距离优点缺点均方误差（MSE）均方误差家族L2范数欧氏距离极大似然估计优点缺点smoothL1LossHuber总结前言神经网络是深度学习的基础。在神经网络中，损失函数和优化函数是两个非常重要的概念，它们共同决定了模型的性能和训练效果。本文将介绍神经网络中比较常用的损失函数。损失函数的含义损失函数是用于量
  • 基于贝叶斯决策理论的分类器 CHENG-HQ 机器学习机器学习贝叶斯分类器参数估计
    基于贝叶斯决策理论的分类器基于贝叶斯决策理论的分类器贝叶斯决策理论1如何衡量分类好坏参数估计1极大似然估计2最大后验概率估计3最大熵估计4非参数估计贝叶斯分类器在现实中的应用1垃圾邮件分类2贝叶斯网络参考文献首先，我们知道机器学习分为监督学习和非监督学习两大类。在监督学习中，我们主要面对的是拟合问题(regression)和分类问题(classification)。在本节中，我们先来了解一下如何使
  • EM 算法（Expectation Maximization） 大雄的学习人生
    EM算法是一种重要的解决含有隐变量问题的参数估计方法算法释义EM算法是用来解决含有隐变量的概率模型参数的极大似然估计，或者叫极大后验概率估计。它是一种迭代算法，每次迭代由两步组成：E步，求期望，M步，求极大。算法步骤输入：观测变量数据Y，隐变量数据Z，联合分布P(Y,Z|θ)，条件分布P(Z|Y,θ)输出：模型参数θ(T)(1)初始化模型参数：θ(0)(2)迭代求解，直至收敛，t=0,1,...,
  • EM算法原理解释及公式推导 烟雨人长安 机器学习
    本文参考的是人人都懂EM算法-August的文章-知乎这篇文章目录一、极大似然概述二、EM算法2.1EM算法描述2.2EM公式推导三、EM算法案例一、极大似然概述假设我们需要调查我们学校学生的身高分布。我们先假设学校所有学生的身高服从正态分布。(注意：极大似然估计的前提一定是要假设数据总体的分布，如果不知道数据分布，是无法使用极大似然估计的)，这个分布的均值和方差未知，如果我们估计出这两个参数，那
  • 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
  • EM算法公式详细推导 一碗姜汤 统计学习方法算法机器学习概率论
    EM算法是什么？EM算法是一种迭代算法，用于含隐变量概率模型参数的极大似然估计，或极大后验概率估计。EM算法由两步组成：E步，求期望；M步：求极大。EM算法的优点是简单性和普适性。符号说明：：观测数据，又称不完全数据：隐变量：完全数据：模型参数：第次迭代后的估计值：联合分布：条件分布：似然EM算法的导出我们面对一个含有隐变量的概率模型，目标是极大化关于的对数似然函数：我们把关于的依赖体现到我们的模
  • 工智能基础知识总结--什么是EM算法 北航程序员小C 深度学习专栏人工智能学习专栏机器学习专栏算法机器学习人工智能深度学习
    什么是EM算法EM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算法详细过程：输入：观测变量数据Y，隐变量数据Z，联合分布P(Y,Z∣θ)P(Y,Z|\theta)P(Y,
  • 面向对象面向过程 3213213333332132 java
    面向对象：把要完成的一件事，通过对象间的协作实现。 面向过程：把要完成的一件事，通过循序依次调用各个模块实现。 我把大象装进冰箱这件事为例，用面向对象和面向过程实现，都是用java代码完成。 1、面向对象 package bigDemo.ObjectOriented; /** * 大象类 * * @Description * @author FuJian
  • Java Hotspot: Remove the Permanent Generation bookjovi HotSpot
      openjdk上关于hotspot将移除永久带的描述非常详细，http://openjdk.java.net/jeps/122   JEP 122: Remove the Permanent Generation Author Jon Masamitsu Organization Oracle Created 2010/8/15 Updated 2011/
  • 正则表达式向前查找向后查找,环绕或零宽断言 dcj3sjt126com 正则表达式
    向前查找和向后查找 1. 向前查找：根据要匹配的字符序列后面存在一个特定的字符序列(肯定式向前查找)或不存在一个特定的序列(否定式向前查找)来决定是否匹配。.NET将向前查找称之为零宽度向前查找断言。     对于向前查找，出现在指定项之后的字符序列不会被正则表达式引擎返回。 2. 向后查找：一个要匹配的字符序列前面有或者没有指定的
  • BaseDao 171815164 seda
    import java.sql.Connection; import java.sql.DriverManager; import java.sql.SQLException; import java.sql.PreparedStatement; import java.sql.ResultSet; public class BaseDao { public Conn
  • Ant标签详解--Java命令 g21121 Java命令
            这一篇主要介绍与java相关标签的使用         终于开始重头戏了，Java部分是我们关注的重点也是项目中用处最多的部分。           1
  • [简单]代码片段_电梯数字排列 53873039oycg 代码
           今天看电梯数字排列是9 18 26这样呈倒N排列的,写了个类似的打印例子，如下:       import java.util.Arrays; public class 电梯数字排列_S3_Test { public static void main(S
  • Hessian原理 云端月影 hessian原理
    Hessian 原理分析 一．      远程通讯协议的基本原理 网络通信需要做的就是将流从一台计算机传输到另外一台计算机，基于传输协议和网络 IO 来实现，其中传输协议比较出名的有 http 、 tcp 、 udp 等等， http 、 tcp 、 udp 都是在基于 Socket 概念上为某类应用场景而扩展出的传输协
  • 区分Activity的四种加载模式----以及Intent的setFlags aijuans android
      在多Activity开发中，有可能是自己应用之间的Activity跳转，或者夹带其他应用的可复用Activity。可能会希望跳转到原来某个Activity实例，而不是产生大量重复的Activity。 这需要为Activity配置特定的加载模式，而不是使用默认的加载模式。 加载模式分类及在哪里配置 Activity有四种加载模式： standard singleTop
  • hibernate几个核心API及其查询分析 antonyup_2006 html.netHibernatexml配置管理
    (一)  org.hibernate.cfg.Configuration类         读取配置文件并创建唯一的SessionFactory对象.(一般,程序初始化hibernate时创建.)         Configuration co
  • PL/SQL的流程控制 百合不是茶 oraclePL/SQL编程循环控制
    PL/SQL也是一门高级语言,所以流程控制是必须要有的,oracle数据库的pl/sql比sqlserver数据库要难,很多pl/sql中有的sqlserver里面没有   流程控制; 分支语句 if 条件 then 结果 else 结果 end if ; 条件语句 case when 条件 then 结果; 循环语句 loop
  • 强大的Mockito测试框架 bijian1013 mockito单元测试
    一.自动生成Mock类        在需要Mock的属性上标记@Mock注解，然后@RunWith中配置Mockito的TestRunner或者在setUp()方法中显示调用MockitoAnnotations.initMocks(this);生成Mock类即可。二.自动注入Mock类到被测试类  &nbs
  • 精通Oracle10编程SQL(11)开发子程序 bijian1013 oracle数据库plsql
    /* *开发子程序 */ --子程序目是指被命名的PL/SQL块，这种块可以带有参数，可以在不同应用程序中多次调用 --PL/SQL有两种类型的子程序：过程和函数 --开发过程 --建立过程：不带任何参数 CREATE OR REPLACE PROCEDURE out_time IS BEGIN DBMS_OUTPUT.put_line(systimestamp); E
  • 【EhCache一】EhCache版Hello World bit1129 Hello world
    本篇是EhCache系列的第一篇，总体介绍使用EhCache缓存进行CRUD的API的基本使用，更细节的内容包括EhCache源代码和设计、实现原理在接下来的文章中进行介绍   环境准备 1.新建Maven项目   2.添加EhCache的Maven依赖 <dependency> <groupId>ne
  • 学习EJB3基础知识笔记 白糖_ beanHibernatejbosswebserviceejb
    最近项目进入系统测试阶段，全赖袁大虾领导有力，保持一周零bug记录，这也让自己腾出不少时间补充知识。花了两天时间把“传智播客EJB3.0”看完了，EJB基本的知识也有些了解，在这记录下EJB的部分知识，以供自己以后复习使用。   EJB是sun的服务器端组件模型，最大的用处是部署分布式应用程序。EJB (Enterprise JavaBean)是J2EE的一部分，定义了一个用于开发基
  • angular.bootstrap boyitech AngularJSAngularJS APIangular中文api
    angular.bootstrap 描述：     手动初始化angular。     这个函数会自动检测创建的module有没有被加载多次，如果有则会在浏览器的控制台打出警告日志，并且不会再次加载。这样可以避免在程序运行过程中许多奇怪的问题发生。   使用方法：     angular .
  • java-谷歌面试题-给定一个固定长度的数组，将递增整数序列写入这个数组。当写到数组尾部时，返回数组开始重新写，并覆盖先前写过的数 bylijinnan java
    public class SearchInShiftedArray { /** * 题目：给定一个固定长度的数组，将递增整数序列写入这个数组。当写到数组尾部时，返回数组开始重新写，并覆盖先前写过的数。 * 请在这个特殊数组中找出给定的整数。 * 解答： * 其实就是“旋转数组”。旋转数组的最小元素见http://bylijinnan.iteye.com/bl
  • 天使还是魔鬼？都是我们制造 ducklsl 生活教育情感
    ----------------------------剧透请原谅，有兴趣的朋友可以自己看看电影，互相讨论哦！！！     从厦门回来的动车上，无意中瞟到了书中推荐的几部关于儿童的电影。当然，这几部电影可能会另大家失望，并不是类似小鬼当家的电影，而是关于“坏小孩”的电影！     自己挑了两部先看了看，但是发现看完之后，心里久久不能平
  • [机器智能与生物]研究生物智能的问题 comsci 生物
          我想,人的神经网络和苍蝇的神经网络,并没有本质的区别...就是大规模拓扑系统和中小规模拓扑分析的区别....       但是,如果去研究活体人类的神经网络和脑系统,可能会受到一些法律和道德方面的限制,而且研究结果也不一定可靠,那么希望从事生物神经网络研究的朋友,不如把
  • 获取Android Device的信息 dai_lm android
    String phoneInfo = "PRODUCT: " + android.os.Build.PRODUCT; phoneInfo += ", CPU_ABI: " + android.os.Build.CPU_ABI; phoneInfo += ", TAGS: " + android.os.Build.TAGS; ph
  • 最佳字符串匹配算法（Damerau-Levenshtein距离算法）的Java实现 datamachine java算法字符串匹配
    原文：http://www.javacodegeeks.com/2013/11/java-implementation-of-optimal-string-alignment.html------------------------------------------------------------------------------------------------------------
  • 小学5年级英语单词背诵第一课 dcj3sjt126com englishword
    long 长的 show 给...看，出示 mouth 口，嘴 write 写   use 用，使用 take 拿，带来 hand 手 clever 聪明的   often 经常 wash 洗 slow 慢的 house 房子   water 水 clean 清洁的 supper 晚餐 out 在外   face 脸，
  • macvim的使用实战 dcj3sjt126com macvim
    macvim用的是mac里面的vim, 只不过是一个GUI的APP, 相当于一个壳   1. 下载macvim https://code.google.com/p/macvim/   2. 了解macvim :h               vim的使用帮助信息 :h macvim  
  • java二分法查找 蕃薯耀 java二分法查找二分法java二分法
    java二分法查找 >>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>> 蕃薯耀 2015年6月23日 11:40:03 星期二 http:/
  • Spring Cache注解+Memcached hanqunfeng springmemcached
    Spring3.1 Cache注解  依赖jar包： <!-- simple-spring-memcached --> <dependency> <groupId>com.google.code.simple-spring-memcached</groupId> <artifactId>simple-s
  • apache commons io包快速入门 jackyrong apache commons
    原文参考 http://www.javacodegeeks.com/2014/10/apache-commons-io-tutorial.html   Apache Commons IO 包绝对是好东西，地址在http://commons.apache.org/proper/commons-io/，下面用例子分别介绍：   1）  工具类   2
  • 如何学习编程 lampcy java编程C++c
    首先,我想说一下学习思想.学编程其实跟网络游戏有着类似的效果.开始的时候,你会对那些代码,函数等产生很大的兴趣,尤其是刚接触编程的人,刚学习第一种语言的人.可是,当你一步步深入的时候,你会发现你没有了以前那种斗志.就好象你在玩韩国泡菜网游似的,玩到一定程度,每天就是练级练级,完全是一个想冲到高级别的意志力在支持着你.而学编程就更难了,学了两个月后,总是觉得你好象全都学会了,却又什么都做不了,又没有
  • 架构师之spring-----spring3.0新特性的bean加载控制@DependsOn和@Lazy nannan408 Spring3
    1.前言。    如题。 2.描述。    @DependsOn用于强制初始化其他Bean。可以修饰Bean类或方法，使用该Annotation时可以指定一个字符串数组作为参数，每个数组元素对应于一个强制初始化的Bean。 @DependsOn({"steelAxe","abc"}) @Comp
  • Spring4+quartz2的配置和代码方式调度 Everyday都不同 代码配置spring4quartz2.x定时任务
    前言：这些天简直被quartz虐哭。。因为quartz 2.x版本相比quartz1.x版本的API改动太多，所以，只好自己去查阅底层API……   quartz定时任务必须搞清楚几个概念： JobDetail——处理类 Trigger——触发器，指定触发时间，必须要有JobDetail属性，即触发对象 Scheduler——调度器，组织处理类和触发器，配置方式一般只需指定触发
  • Hibernate入门 tntxia Hibernate
      前言   使用面向对象的语言和关系型的数据库，开发起来很繁琐，费时。由于现在流行的数据库都不面向对象。Hibernate 是一个Java的ORM（Object/Relational Mapping）解决方案。   Hibernte不仅关心把Java对象对应到数据库的表中，而且提供了请求和检索的方法。简化了手工进行JDBC操作的流程。   如
  • Math类 xiaoxing598 Math
    一、Java中的数字（Math）类是final类，不可继承。 1、常数 PI：double圆周率 E：double自然对数 2、截取（注意方法的返回类型） double ceil(double d) 返回不小于d的最小整数 double floor(double d) 返回不大于d的整最大数 int round(float f) 返回四舍五入后的整数 long round
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他