- 什么是回归模型,什么是自回归模型?
杰瑞学AI
ComputerknowledgeAI/AGINLP/LLMs回归数据挖掘人工智能
在统计学和机器学习中,回归模型和自回归模型都是用来预测或建模变量之间关系的工具,但它们在数据类型和变量依赖关系上有着关键的区别。回归模型(RegressionModel)回归模型是一种统计方法,用于建立一个或多个自变量(independentvariables)与一个因变量(dependentvariable)之间的关系。它的主要目标是预测因变量的值,或者理解自变量如何影响因变量。核心思想:假设因
- 使用argparse封装python程序为命令行工具
纪伊路上盛名在
生信推文-pythonpython开发语言自动化
小规模的python代码,jupytercell中直接运行,相当于该py文件直接python运行,但是像shell脚本一样,给予参数自由度设置,更方便分析,也就是我们需要传入参数进行重复性、同质性的操作。Q:如何使用argparse将Python程序封装为可调用的命令行工具?比如说我有一个函数,各个模块我已经写好了,这里引用一下我之前上统计学习课的时候举的一个HMM的例子,简单来说,就是一阶HMM
- 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)
- AI大模型学习路线(2025最新)神仙级大模型教程分享,非常详细收藏这一篇就够!
AI大模型-大飞
人工智能学习语言模型大模型大模型学习LLMAI大模型
大模型学习路线图前排提示,文末有大模型AGI-CSDN独家资料包哦!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》SheldonRos
- CART算法全解析:分类回归双修的决策树之王
大千AI助手
人工智能Python#OTHER算法分类回归决策树数据挖掘CARTDecisionTree
CART(ClassificationandRegressionTrees)是决策树领域的里程碑算法,由统计学家Breiman等人在1984年提出。作为当今最主流的决策树实现,它革命性地统一了分类与回归任务,其二叉树结构和剪枝技术成为现代集成学习(如随机森林、XGBoost)的基石。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
- python scipy简介
凤枭香
Python图像处理pythonscipy开发语言图像处理
scipyscipy是一个python开源的数学计算库,可以应用于数学、科学以及工程领域,它是基于numpy的科学计算库。主要包含了统计学、最优化、线性代数、积分、傅里叶变换、信号处理和图像处理以及常微分方程的求解以及其他科学工程中所用到的计算。scipy模块介绍scipy主要通过下面这些包来实现数学算法和科学计算,后面对于scipy的讲解主要也是基于这些包来实现的cluster:包含聚类算法co
- Task 01 第一章习题
1.1说明伯努利模型的极大似然估计以及贝叶斯估计中的统计学习方法三要素。伯努利模型是定义在取值为0与1的随机变量上的概率分布。假设观测到伯努利模型n次独立的数据生成结果,其中k次的结果为1,这时可以用极大似然估计或贝叶斯估计来估计结果为1的概率。回忆知识点:统计学习方法三要素为:模型+策略+算法模型:在监督学习过程中,模型就是所要学习的条件概率分布或决策函数。策略:统计学习要考虑按照什么样的准则选
- JVM内存结构33连问
后端java
JVM内存结构分为5大区域,程序计数器、虚拟机栈、本地方法栈、堆、方法区。程序计数器是什么?特点:线程私有CPU会为每个线程分配时间片,当当前线程的时间片使用完以后,CPU就会去执行另一个线程中的代码程序计数器是每个线程所私有的,当另一个线程的时间片用完,又返回来执行当前线程的代码时,通过程序计数器可以知道应该执行哪一句指令不存在内存溢出程序计数器的作用?线程私有的,作为当前线程的行号指示器,用于
- 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,
- w笔记--axisPointer 的不同层级的优先级
axisPointer的不同层级的优先级在ECharts中,axisPointer配置存在不同层级的定义(如tooltip中的axisPointer、坐标轴xAxis/yAxis中的axisPointer),它们的优先级和作用范围有特定规则:axisPointer的作用与配置层级axisPointer用于配置坐标轴指示器(即鼠标悬浮到坐标轴、数据系列时,显示的辅助线/阴影等提示元素),可在两个层级
- (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
- AI模型的泛化性的第一性原理是什么?
mao_feng
人工智能
目录**一、泛化性的第一性原理:统计学习理论的核心****1.独立同分布假设(IID)是泛化的基础****2.泛化误差:理论本质的数学刻画****3.模型复杂度与样本量的权衡****二、实现泛化的核心机制:正则化与隐式约束****1.显式正则化:复杂度惩罚****2.隐式正则化:优化过程的泛化诱导****3.数据层面的泛化增强****三、深度学习的特殊性:过参数化与泛化的悖论****1.“双下降曲
- 假设检验:统计推断的决策艺术
Algo-hx
概率论与数理统计概率论
目录引言8假设检验8.1假设检验的基本原理8.1.1核心概念框架8.1.2假设形式8.2检验的两类错误8.2.1错误类型矩阵8.2.2错误概率关系8.3单正态总体参数检验8.3.1均值μ的检验8.3.2方差σ²的检验8.4双正态总体参数检验8.4.1均值差检验8.4.2方差比检验8.5P值:检验的客观度量8.5.1P值定义8.5.2决策规则8.5.3P值解读引言假设检验是统计学的’审判法庭’——通
- 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
- 【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
- 利用 Python 和 scikit - learn 进行分层抽样
Python编程之道
python开发语言ai
利用Python和scikit-learn进行分层抽样关键词:分层抽样、scikit-learn、Python、数据采样、机器学习、数据预处理、统计学摘要:本文深入探讨了分层抽样在数据科学和机器学习中的应用。我们将从统计学基础出发,详细讲解分层抽样的原理、优势以及实现方法。通过Python和scikit-learn库的实际代码示例,展示如何在不同场景下应用分层抽样技术。文章还涵盖了分层抽样的数学模
- 图像处理之添加高斯与泊松噪声
from:http://blog.csdn.net/jia20003/article/details/8258052数学基础:什么是泊松噪声,就是噪声分布符合泊松分布模型。泊松分布(PoissonDi)的公式如下:关于泊松分布的详细解释看这里:http://zh.wikipedia.org/wiki/泊松分佈关于高斯分布与高斯噪声看这里:http://blog.csdn.net/jia20003/
- JAVA推荐系统-基于用户和物品协同过滤的电影推荐
泰山AI
技术交流推荐算法java算法
系统原理该系统使用java编写的基于用户的协同过滤算法(UserCF)和基于物品(此应用中指电影)的协同过滤(ItemtemCF)利用统计学的相关系数经常皮尔森(pearson)相关系数计算相关系数来实现千人千面的推荐系统。协同过滤算法协同过滤推荐算法是诞生最早,并且较为著名的推荐算法。主要的功能是预测和推荐。协同过滤(CollaborativeFiltering,简写CF)是推荐系统最重要得思想
- 中级统计师-统计学基础知识-第八章 统计指数
孟意昶
考证之旅python机器学习算法
第一节统计指数的概念和种类一、统计指数的概念广义指数:表明社会经济现象总体数量变动的相对数示例:单只股票价格指数Kp=p1p0=78.573.5≈1.068K_p=\frac{p_1}{p_0}=\frac{78.5}{73.5}\approx1.068Kp=p0p1=73.578.5≈1.068(p1p_1p1为报告期价格,p0p_0p0为基期价格)狭义指数:表明复杂总体数量综合变动的相对数复杂
- 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
- 机器学习与深度学习21-信息论
my_q
机器学习与深度学习机器学习深度学习人工智能
目录前文回顾1.信息上的概念2.相对熵是什么3.互信息是什么4.条件熵和条件互信息5.最大熵模型6.信息增益与基尼不纯度前文回顾上一篇文章链接:地址1.信息上的概念信息熵(Entropy)是信息理论中用于度量随机变量不确定性的概念。它表示了对一个随机事件发生的预测的平均困惑程度或信息量。对于一个离散型随机变量X,其信息熵H(X)定义为所有可能取值的负概率加权平均。数学上,可以使用以下公式来计算离散
- 没有统计学基础,如何才能学好SPSS和SAS?
cda2024
学习python数据分析
在当今数据驱动的时代,掌握数据分析工具如SPSS和SAS已经成为许多职场人士的必备技能。然而,很多初学者常常会问:“我没有统计学基础,如何才能学好SPSS和SAS?”这确实是一个值得探讨的问题。本文将从多个角度为你解答这个问题,并提供一些实用的学习建议。一、理解SPSS和SAS的定位首先,让我们来了解一下SPSS和SAS这两个工具的定位和功能。SPSS(StatisticalPackagefort
- Python量化投资入门教程:从零构建你的第一个交易策略
聪明的一休哥哥
程序员理财python开发语言量化交易
1、什么是量化投资?量化投资(QuantitativeInvestment),即通过数量化方式及计算机程序化发出买卖指令,以获取超额收益或特定风险收益比为目的的交易方式。它借助现代统计学、数学方法,利用计算机技术从海量历史数据中寻找能带来超额收益的“大概率”策略和规律,并纪律严明地按照这些策略构建的数量化模型来执行投资理念。其核心优势在于:纪律性:避免投资者在市场波动中因情绪波动做出错误决策。效率
- 入门机器学习需要的统计基础
很多人都说:“学机器学习一定要有数学基础”,但问题是——从哪开始学?学到什么程度才够?其实真的没那么难。想搭好底子,其实你只需要一门课:统计与概率入门(byKhanAcademy)这门课专为没有任何数学背景的人设计,完全从零讲起,不需要你会高数、不需要懂编程,只要你看得懂图和例子,就能学下去。课程内容覆盖了:概率基础(事件、独立性、条件概率)各类分布(正态分布、二项分布)统计量(均值、方差、中位数
- 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
- 吴恩达机器学习入门笔记(Week 1)
冒冒喵
吴恩达机器学习入门机器学习笔记人工智能
吴恩达机器学习Week1学习资源及工具机器学习分类专业术语(Terminology)线性回归模型(Linearregression)代价函数(costfunction)学习资源及工具1、课程资源:B站大学2、相关工具:Jupter&Github3、书籍资源:神经网络与深度学习(MichaelNielsen)、机器学习(周志华)、统计学习方法(李航)…机器学习分类1、监督学习(supervisedl
- 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统计学实例之正态分布:计算男女身高相差>5厘米的概率
xupeggy163
用python学习统计学python
正态分布计算:示例1正态分布计算实例:计算男女身高相差>5厘米的概率解题思路用到的公式总结:正态分布计算实例:计算男女身高相差>5厘米的概率假设男生身高X~N(71,20.25),女生身高Y~N(64,16)解题思路算出两种正态分布的均值和方差算出新的正态分布的均值和方差算出变量5的标准分根据标准分在正态分布表中查询概率值用到的公式z=x−μσz=\frac{x-\mu}{\sigma}z=σx−
- JVM-内存结构
是三好
jvmjvm
一、JVM内存五大核心结构详解1.程序计数器(ProgramCounterRegister)特性说明作用记录当前线程执行的字节码行号指示器(分支/循环/异常处理的核心)线程私有✅每个线程独立存储指令位置异常❌唯一不会抛出OutOfMemoryError的区域特殊场景⚠️执行Native方法时值为undefined2.虚拟机栈(JavaVirtualMachineStack)//栈帧内存模型示例pu
- 统一思想认识
永夜-极光
思想
1.统一思想认识的基础,才能有的放矢
原因:
总有一种描述事物的方式最贴近本质,最容易让人理解.
如何让教育更轻松,在于找到最适合学生的方式.
难点在于,如何模拟对方的思维基础选择合适的方式. &
- Joda Time使用笔记
bylijinnan
javajoda time
Joda Time的介绍可以参考这篇文章:
http://www.ibm.com/developerworks/cn/java/j-jodatime.html
工作中也常常用到Joda Time,为了避免每次使用都查API,记录一下常用的用法:
/**
* DateTime变化(增减)
*/
@Tes
- FileUtils API
eksliang
FileUtilsFileUtils API
转载请出自出处:http://eksliang.iteye.com/blog/2217374 一、概述
这是一个Java操作文件的常用库,是Apache对java的IO包的封装,这里面有两个非常核心的类FilenameUtils跟FileUtils,其中FilenameUtils是对文件名操作的封装;FileUtils是文件封装,开发中对文件的操作,几乎都可以在这个框架里面找到。 非常的好用。
- 各种新兴技术
不懂事的小屁孩
技术
1:gradle Gradle 是以 Groovy 语言为基础,面向Java应用为主。基于DSL(领域特定语言)语法的自动化构建工具。
现在构建系统常用到maven工具,现在有更容易上手的gradle,
搭建java环境:
http://www.ibm.com/developerworks/cn/opensource/os-cn-gradle/
搭建android环境:
http://m
- tomcat6的https双向认证
酷的飞上天空
tomcat6
1.生成服务器端证书
keytool -genkey -keyalg RSA -dname "cn=localhost,ou=sango,o=none,l=china,st=beijing,c=cn" -alias server -keypass password -keystore server.jks -storepass password -validity 36
- 托管虚拟桌面市场势不可挡
蓝儿唯美
用户还需要冗余的数据中心,dinCloud的高级副总裁兼首席营销官Ali Din指出。该公司转售一个MSP可以让用户登录并管理和提供服务的用于DaaS的云自动化控制台,提供服务或者MSP也可以自己来控制。
在某些情况下,MSP会在dinCloud的云服务上进行服务分层,如监控和补丁管理。
MSP的利润空间将根据其参与的程度而有所不同,Din说。
“我们有一些合作伙伴负责将我们推荐给客户作为个
- spring学习——xml文件的配置
a-john
spring
在Spring的学习中,对于其xml文件的配置是必不可少的。在Spring的多种装配Bean的方式中,采用XML配置也是最常见的。以下是一个简单的XML配置文件:
<?xml version="1.0" encoding="UTF-8"?>
<beans xmlns="http://www.springframework.or
- HDU 4342 History repeat itself 模拟
aijuans
模拟
来源:http://acm.hdu.edu.cn/showproblem.php?pid=4342
题意:首先让求第几个非平方数,然后求从1到该数之间的每个sqrt(i)的下取整的和。
思路:一个简单的模拟题目,但是由于数据范围大,需要用__int64。我们可以首先把平方数筛选出来,假如让求第n个非平方数的话,看n前面有多少个平方数,假设有x个,则第n个非平方数就是n+x。注意两种特殊情况,即
- java中最常用jar包的用途
asia007
java
java中最常用jar包的用途
jar包用途axis.jarSOAP引擎包commons-discovery-0.2.jar用来发现、查找和实现可插入式接口,提供一些一般类实例化、单件的生命周期管理的常用方法.jaxrpc.jarAxis运行所需要的组件包saaj.jar创建到端点的点到点连接的方法、创建并处理SOAP消息和附件的方法,以及接收和处理SOAP错误的方法. w
- ajax获取Struts框架中的json编码异常和Struts中的主控制器异常的解决办法
百合不是茶
jsjson编码返回异常
一:ajax获取自定义Struts框架中的json编码 出现以下 问题:
1,强制flush输出 json编码打印在首页
2, 不强制flush js会解析json 打印出来的是错误的jsp页面 却没有跳转到错误页面
3, ajax中的dataType的json 改为text 会
- JUnit使用的设计模式
bijian1013
java设计模式JUnit
JUnit源代码涉及使用了大量设计模式
1、模板方法模式(Template Method)
定义一个操作中的算法骨架,而将一些步骤延伸到子类中去,使得子类可以不改变一个算法的结构,即可重新定义该算法的某些特定步骤。这里需要复用的是算法的结构,也就是步骤,而步骤的实现可以在子类中完成。
 
- Linux常用命令(摘录)
sunjing
crondchkconfig
chkconfig --list 查看linux所有服务
chkconfig --add servicename 添加linux服务
netstat -apn | grep 8080 查看端口占用
env 查看所有环境变量
echo $JAVA_HOME 查看JAVA_HOME环境变量
安装编译器
yum install -y gcc
- 【Hadoop一】Hadoop伪集群环境搭建
bit1129
hadoop
结合网上多份文档,不断反复的修正hadoop启动和运行过程中出现的问题,终于把Hadoop2.5.2伪分布式安装起来,跑通了wordcount例子。Hadoop的安装复杂性的体现之一是,Hadoop的安装文档非常多,但是能一个文档走下来的少之又少,尤其是Hadoop不同版本的配置差异非常的大。Hadoop2.5.2于前两天发布,但是它的配置跟2.5.0,2.5.1没有分别。 &nb
- Anychart图表系列五之事件监听
白糖_
chart
创建图表事件监听非常简单:首先是通过addEventListener('监听类型',js监听方法)添加事件监听,然后在js监听方法中定义具体监听逻辑。
以钻取操作为例,当用户点击图表某一个point的时候弹出point的name和value,代码如下:
<script>
//创建AnyChart
var chart = new AnyChart();
//添加钻取操作&quo
- Web前端相关段子
braveCS
web前端
Web标准:结构、样式和行为分离
使用语义化标签
0)标签的语义:使用有良好语义的标签,能够很好地实现自我解释,方便搜索引擎理解网页结构,抓取重要内容。去样式后也会根据浏览器的默认样式很好的组织网页内容,具有很好的可读性,从而实现对特殊终端的兼容。
1)div和span是没有语义的:只是分别用作块级元素和行内元素的区域分隔符。当页面内标签无法满足设计需求时,才会适当添加div
- 编程之美-24点游戏
bylijinnan
编程之美
import java.util.ArrayList;
import java.util.Arrays;
import java.util.HashSet;
import java.util.List;
import java.util.Random;
import java.util.Set;
public class PointGame {
/**编程之美
- 主页面子页面传值总结
chengxuyuancsdn
总结
1、showModalDialog
returnValue是javascript中html的window对象的属性,目的是返回窗口值,当用window.showModalDialog函数打开一个IE的模式窗口时,用于返回窗口的值
主界面
var sonValue=window.showModalDialog("son.jsp");
子界面
window.retu
- [网络与经济]互联网+的含义
comsci
互联网+
互联网+后面是一个人的名字 = 网络控制系统
互联网+你的名字 = 网络个人数据库
每日提示:如果人觉得不舒服,千万不要外出到处走动,就呆在床上,玩玩手游,更不能够去开车,现在交通状况不
- oracle 创建视图 with check option
daizj
视图vieworalce
我们来看下面的例子:
create or replace view testview
as
select empno,ename from emp where ename like ‘M%’
with check option;
这里我们创建了一个视图,并使用了with check option来限制了视图。 然后我们来看一下视图包含的结果:
select * from testv
- ToastPlugin插件在cordova3.3下使用
dibov
Cordova
自己开发的Todos应用,想实现“
再按一次返回键退出程序 ”的功能,采用网上的ToastPlugins插件,发现代码或文章基本都是老版本,运行问题比较多。折腾了好久才弄好。下面吧基于cordova3.3下的ToastPlugins相关代码共享。
ToastPlugin.java
package&nbs
- C语言22个系统函数
dcj3sjt126com
cfunction
C语言系统函数一、数学函数下列函数存放在math.h头文件中Double floor(double num) 求出不大于num的最大数。Double fmod(x, y) 求整数x/y的余数。Double frexp(num, exp); double num; int *exp; 将num分为数字部分(尾数)x和 以2位的指数部分n,即num=x*2n,指数n存放在exp指向的变量中,返回x。D
- 开发一个类的流程
dcj3sjt126com
开发
本人近日根据自己的开发经验总结了一个类的开发流程。这个流程适用于单独开发的构件,并不适用于对一个项目中的系统对象开发。开发出的类可以存入私人类库,供以后复用。
以下是开发流程:
1. 明确类的功能,抽象出类的大概结构
2. 初步设想类的接口
3. 类名设计(驼峰式命名)
4. 属性设置(权限设置)
判断某些变量是否有必要作为成员属
- java 并发
shuizhaosi888
java 并发
能够写出高伸缩性的并发是一门艺术
在JAVA SE5中新增了3个包
java.util.concurrent
java.util.concurrent.atomic
java.util.concurrent.locks
在java的内存模型中,类的实例字段、静态字段和构成数组的对象元素都会被多个线程所共享,局部变量与方法参数都是线程私有的,不会被共享。
- Spring Security(11)——匿名认证
234390216
Spring SecurityROLE_ANNOYMOUS匿名
匿名认证
目录
1.1 配置
1.2 AuthenticationTrustResolver
对于匿名访问的用户,Spring Security支持为其建立一个匿名的AnonymousAuthenticat
- NODEJS项目实践0.2[ express,ajax通信...]
逐行分析JS源代码
Ajaxnodejsexpress
一、前言
通过上节学习,我们已经 ubuntu系统搭建了一个可以访问的nodejs系统,并做了nginx转发。本节原要做web端服务 及 mongodb的存取,但写着写着,web端就
- 在Struts2 的Action中怎样获取表单提交上来的多个checkbox的值
lhbthanks
javahtmlstrutscheckbox
第一种方法:获取结果String类型
在 Action 中获得的是一个 String 型数据,每一个被选中的 checkbox 的 value 被拼接在一起,每个值之间以逗号隔开(,)。
所以在 Action 中定义一个跟 checkbox 的 name 同名的属性来接收这些被选中的 checkbox 的 value 即可。
以下是实现的代码:
前台 HTML 代码:
- 003.Kafka基本概念
nweiren
hadoopkafka
Kafka基本概念:Topic、Partition、Message、Producer、Broker、Consumer。 Topic: 消息源(Message)的分类。 Partition: Topic物理上的分组,一
- Linux环境下安装JDK
roadrunners
jdklinux
1、准备工作
创建JDK的安装目录:
mkdir -p /usr/java/
下载JDK,找到适合自己系统的JDK版本进行下载:
http://www.oracle.com/technetwork/java/javase/downloads/index.html
把JDK安装包下载到/usr/java/目录,然后进行解压:
tar -zxvf jre-7
- Linux忘记root密码的解决思路
tomcat_oracle
linux
1:使用同版本的linux启动系统,chroot到忘记密码的根分区passwd改密码 2:grub启动菜单中加入init=/bin/bash进入系统,不过这时挂载的是只读分区。根据系统的分区情况进一步判断. 3: grub启动菜单中加入 single以单用户进入系统. 4:用以上方法mount到根分区把/etc/passwd中的root密码去除 例如: ro
- 跨浏览器 HTML5 postMessage 方法以及 message 事件模拟实现
xueyou
jsonpjquery框架UIhtml5
postMessage 是 HTML5 新方法,它可以实现跨域窗口之间通讯。到目前为止,只有 IE8+, Firefox 3, Opera 9, Chrome 3和 Safari 4 支持,而本篇文章主要讲述 postMessage 方法与 message 事件跨浏览器实现。postMessage 方法 JSONP 技术不一样,前者是前端擅长跨域文档数据即时通讯,后者擅长针对跨域服务端数据通讯,p