- Python与机器学习库Scikit-learn进阶
master_chenchengg
pythonpythonPythonpython开发IT
Python与机器学习库Scikit-learn进阶Scikit-learn进阶之旅:从新手到高手的必经之路为什么选择Scikit-learn?安装与环境设置特征工程的艺术:打造更强大的预测模型数据清洗特征构造模型调优秘籍:网格搜索与交叉验证的最佳实践网格搜索交叉验证集成学习的魅力:提升模型性能的组合拳随机森林梯度提升机堆叠实战案例解析:使用Scikit-learn解决真实世界问题数据准备模型训练
- 机器学习模型评估:交叉验证、混淆矩阵、ROC曲线及其在医学影像领域的应用
猿享天开
机器学习矩阵人工智能DICOM医学影像模型评估
博主简介:CSDN博客专家、CSDN平台优质创作者,高级开发工程师,数学专业,10年以上C/C++,C#,Java等多种编程语言开发经验,拥有高级工程师证书;擅长C/C++、C#等开发语言,熟悉Java常用开发技术,能熟练应用常用数据库SQLserver,Oracle,mysql,postgresql等进行开发应用,熟悉DICOM医学影像及DICOM协议,业余时间自学JavaScript,Vue,
- 机器学习篇-KNN算法实现鸢尾花模型和手写数字识别模型
一.KNN简介KNN思想K-近邻算法(KNearestNeighbor,简称KNN)。比如:根据你的“邻居”来推断出你的类别KNN算法思想:如果一个样本在特征空间中的k个最相似的样本中的大多数属于某一个类别,则该样本也属于这个类别K值根据网格和交叉验证来确定样本相似性:样本都是属于一个任务数据集的。样本距离越近则越相似。利用K近邻算法预测电影类型K值的选择KNN的应用方式解决问题:分类问题、回归问
- 机器学习—交叉验证
hwang_zhic
1、经验误差与过拟合通常我们把分类错误的样本数占样本总数的比例称为"错误率”,学习器在训练集上的误差称为“经验误差”或“训练误差”,在新样本上的误差称为“泛化误差”。我们需要的是泛化误差低的学习器,但是我们只能习得一个经验误差很小、在训练集上表现很好的学习器。然而,如果学习器把训练样本的自身的一些特点当做了所有潜在样本都具有的一般性质,会导致泛化性能下降,这称为“过拟合”,相对的“欠拟合”是指对样
- 「日拱一码」033 机器学习——严格划分
胖达不服输
「日拱一码」机器学习人工智能严格划分组划分
目录简单随机划分(train_test_split)分组划分(GroupSplitting)简单分组划分(GroupSplitting)分层分组划分(StratifiedGroupSplitting)交叉验证法(Cross-Validation)分组K折交叉验证(GroupKFold)留一组法(LeaveOneGroupOut)简单随机划分(train_test_split)简单随机分组通过随机分
- Python打卡Day11 常见的调参方式
核心知识:1.模型=算法+实例化设置的外参(超参数)+训练得到的内参2.只要调参就需要考2次所以如果不做交叉验证,就需要划分验证集和测试集,但是很多调参方法中都默认有交叉验证,所以实际中可以省去划分验证集和测试集的步骤基线模型(基准模型):首先运行一个使用默认参数的模型,记录其性能作为比较的基准。超参数调整数据1.网格搜索(GridSearchCV):-需要定义参数的网格(param_grid),
- 【机器学习【9】】评估算法:数据集划分与算法泛化能力评估
roman_日积跬步-终至千里
#机器学习机器学习
文章目录一、数据集划分:训练集与评估集二、K折交叉验证:提升评估可靠性1.基本原理1.1.K折交叉验证基本原理1.2.逻辑回归算法与L22.基于K折交叉验证L2算法三、弃一交叉验证(Leave-One-Out)1、基本原理2、代码实现四、ShuffleSplit交叉验证1、基本原理2、为什么能降低方差3、代码测试五、选择建议在机器学习中,评估算法的核心目标是衡量模型在“未知数据”上的表现,而不是仅
- 读书笔记之 瑞达利欧《原则》
niuDavid
桥水创始人瑞·达利欧写的《原则》一书,厚厚的竟达五百多页,我也是花费很长时间读完。《原则》主体架构无非分为三个部分,首先是写自己的历程,夹杂一些自己感悟作为本书的引子,第二部分是讲到归纳的生活原则,最后一部分就讲了工作中的原则。书中归纳点很多,虽然有些是我们早已体察到的,但仍有部分观点新鲜可敬,有些理论是深刻的,有些观点是让人触动不已,有些竟是即相通而又交叉验证的,这些都通过此书系统的给我们展显出
- 【亲测免费】 CatBoost 教程项目使用指南
CatBoost教程项目使用指南tutorials项目地址:https://gitcode.com/gh_mirrors/tutorials1/tutorials1.项目介绍CatBoost是一个高效、灵活且易于使用的梯度提升库,特别适用于处理分类特征。它由Yandex开发,广泛应用于机器学习和数据科学领域。CatBoost提供了丰富的功能,包括自动处理分类特征、支持GPU训练、内置的交叉验证和模
- 基于大模型的急性出血坏死性胰腺炎预测技术方案
LCG元
人工智能python
目录一、算法实现伪代码1.数据预处理与特征工程2.大模型训练(以Transformer为例)3.实时预测与动态调整二、模块流程图1.术前预测流程2.术中动态决策流程3.术后护理流程三、系统集成方案1.系统架构图2.核心模块交互流程四、系统部署拓扑图1.物理部署拓扑2.部署说明五、技术验证方案1.交叉验证流程2.实验验证设计六、健康教育模块示例一、算法实现伪代码1.数据预处理与特征工程#数据清洗与归
- Python训练营-Day11
m0_72314023
Python训练营python机器学习深度学习
DAY11常见的调参方式超参数调整专题1知识点回顾1.网格搜索2.随机搜索(简单介绍,非重点实战中很少用到,可以不了解)3.贝叶斯优化(2种实现逻辑,以及如何避开必须用交叉验证的问题)4.time库的计时模块,方便后人查看代码运行时长#LightGBM-网格优化print("\n---3.网格搜索优化LightGBM(训练集->测试集)---")importlightgbmaslgbfromskl
- 【LLaMA 3实战:检索增强】13、LLaMA 3+RAG精准问答系统优化全指南:从检索增强到可信度提升实战
无心水
LLaMA3模型实战专栏llamaLLaMA3对话能力全解析LLaMA3AI大模型LLaMa3实战程序员的AI开发第一课AI入门
一、RAG赋能LLaMA问答系统的核心价值与瓶颈突破(一)准确性提升的三大核心挑战问题类型典型表现传统方案局限RAG+LLaMA3解决方案知识滞后型错误回答包含过时技术细节依赖模型预训练更新动态检索最新文档库上下文误解曲解问题意图或检索内容固定分块导致语义断裂语义感知分块+动态查询扩展事实幻觉虚构不存在的概念或数据缺乏外部事实校验溯源标注+多模型交叉验证(二)RAG与LLaMA3的协同优势动态知识
- 【深度学习|学习笔记】什么是k折交叉验证?K折交叉验证的步骤详解?以及如何在K折交叉验证中选择k?
努力毕业的小土博^_^
机器学习基础算法优质笔记2深度学习学习笔记人工智能
【深度学习|学习笔记】什么是k折交叉验证?K折交叉验证的步骤详解?以及如何在K折交叉验证中选择k?【深度学习|学习笔记】什么是k折交叉验证?K折交叉验证的步骤详解?以及如何在K折交叉验证中选择k?文章目录【深度学习|学习笔记】什么是k折交叉验证?K折交叉验证的步骤详解?以及如何在K折交叉验证中选择k?一、什么是K折交叉验证?✅目的:二、K折交叉验证的发展背景三、K折交叉验证的步骤详解步骤如下:数学
- 创客匠人拆解创始人 IP 差异化密码:从专业优势到商业壁垒的构建路径
创小匠
tcp/ip网络协议网络
在知识付费红海竞争中,“专业背景强却变现乏力”是多数创始人IP的核心困境。创客匠人通过吴迪老师等案例的深度陪跑,提炼出“差异化三维模型”——这一方法论超越了表面的包装技巧,直指IP商业壁垒的底层构建逻辑。一、差异化定位的黄金三角:优势、弱势与痛点的交叉验证创客匠人CEO老蒋提出,真正的差异化需满足三个维度:自身核心优势:如吴迪老师“减肥吃得饱、不运动”的技术专利,将专业壁垒转化为用户可感知的价值点
- 基于大模型预测肾囊肿的技术方案大纲
LCG元
大模型医疗研究-方案大纲方案大纲人工智能深度学习机器学习
目录一、引言二、技术方案概述(一)数据收集与整理(二)大模型构建与训练(三)术前预测与方案制定(四)术中决策支持(五)术后管理与预测(六)并发症风险预测与防控(七)健康教育与指导三、技术方案流程图四、统计分析与技术验证方法(一)模型性能评估指标(二)对比实验设计(三)交叉验证与外部验证五、实验验证证据(一)回顾性病例分析(二)前瞻性临床试验六、健康教育与指导方案细化(一)饮食指导(二)运动康复(三
- python打卡第13天!!!
DAY13知识点复习不平衡数据集的处理策略:过采样、修改权重、修改阈值交叉验证代码作业:从示例代码可以看到效果没有变好,所以很多步骤都是理想是好的,但是现实并不一定可以变好。这个实验仍然有改进空间smote+过采样+修改权重的组合策略#自己尝试使结果变得更好smote+过采样+修改权重的组合策略importnumpyasnp#引入numpy用于计算平均值等fromsklearn.ensemblei
- 表格数据处理大语言模型训练新范式:交叉验证与混合训练集构建
CodePatentMaster
语言模型人工智能自然语言处理
当前技术领域痛点在数字化办公场景中,表格数据处理面临着两大核心挑战:一是现有大语言模型对表格数据处理的准确率普遍偏低;二是不同格式的表格(如文档嵌入表格与电子表格)需要采用完全不同的处理方法。传统解决方案通常存在以下问题:推理能力不足:现有benchmark提供的简短答案无法支持复杂表格操作所需的推理过程数据多样性有限:训练数据主要集中在表格查询操作,缺乏更新、合并、绘图等实际办公需求格式适应性差
- Kaggle-Predicting Optimal Fertilizers-(多分类+xgboost+同一特征值多样性)
美少女zss
分类数据挖掘人工智能
PredictingOptimalFertilizers题意:给出土壤的特性,预测出3种最佳的肥料数据处理:1.有数字型和类别型,类别不能随意换成数字,独热编码。cat可以直接处理category类型。2.构造一些相关土壤特性特征3.由于label是category类型,但是xgb不可以处理category类型,因此需要先编码,最后求出结果之后再解码。建立模型:1.catboost交叉验证、xgb
- 模型评估与模型参数选择:机器学习实践的关键步骤
沐秋子
机器学习人工智能
在机器学习的海洋中,构建一个模型仅仅是冰山一角。真正的挑战在于如何确保这个模型能够准确地预测未知数据,并且拥有最优的性能表现。这就涉及到了两个至关重要的环节:模型评估和模型参数选择。本文将带您深入了解这两个概念,并介绍一些实用的技巧和方法。目录1.模型评估1.1训练误差与泛化误差1.2过拟合与欠拟合1.3交叉验证1.4正则化2.模型参数选择3.总结与实用建议1.模型评估1.1训练误差与泛化误差模型
- 机器学习与深度学习14-集成学习
目录前文回顾1.集成学习的定义2.集成学习中的多样性3.集成学习中的Bagging和Boosting4.集成学习中常见的基本算法5.什么是随机森林6.AdaBoost算法的工作原理7.如何选择集成学习中的基础学习器或弱分类器8.集成学习中常见的组合策略9.集成学习中袋外误差和交叉验证的作用10.集成学习的优势和局限性前文回顾上一篇文章链接:地址1.集成学习的定义集成学习(EnsembleLearn
- 【实战】基于 Tauri 和 Rust 实现基于无头浏览器的高可用网页抓取
Sopaco
rust开发语言后端
一、背景在SagaReader的早期版本中,存在对网页内容抓取成功率不高的问题。主要原因是先前采用的方案为后台进程通过reqwest直接发起GET请求获取网站HTML的方案,虽然仿真了Header内容,但仍然会被基于运行时的反爬机制(如Browser指纹交叉验证、运行时行为识别、动态渲染等)所屏蔽。这导致我们无法稳定、可靠地获取内容,影响应用的可用性。为了解决这一痛点,我们优化了更新机制。利用Ta
- 职坐标解析职业规划核心五步骤
职坐标在线
其他
职业规划是个人职业发展的系统性工程,其核心在于将抽象目标转化为可落地的行动路径。本部分将围绕职业定位、行业趋势分析、能力评估、目标拆解及路径规划五大模块展开,构建从认知到实践的完整框架。其中,职业定位需结合个人价值观、兴趣与市场需求三维度交叉验证;行业趋势分析强调通过政策解读、技术迭代及岗位需求变化捕捉机遇;能力评估则需借助标准化工具与场景化验证实现客观诊断。职坐标职业规划专家建议:在制定规划时,
- 机器学习与深度学习04-逻辑回归02
my_q
机器学习与深度学习机器学习深度学习逻辑回归
目录前文回顾6.正则化在逻辑回归中的作用7.特征工程是什么8.逻辑回归的预测结果如何9.什么是ROC曲线和AUC值10.如何处理类不平衡问题11.什么是交叉验证前文回顾上一篇文章地址:链接6.正则化在逻辑回归中的作用逻辑回归中,正则化是一种用于控制模型复杂度的技术,它对模型的参数进行约束,以防止过拟合。正则化通过在损失函数中引入额外的正则化项来实现,这些正则化项对参数的大小进⾏惩罚,逻辑回归中常用
- 【自然语言处理与大模型】大模型(LLM)基础知识⑤
小oo呆
【自然语言处理与大模型】自然语言处理人工智能
(1)如何保证大模型生成内容的合规性?从训练数据净化、RLHF对齐、实时过滤三层技术防线入手,同时建立人工审核-用户反馈-版本回滚的流程闭环,最后通过法规映射和日志审计满足制度合规。核心是让技术防控(如Fine-tuning+Post-filtering)与人类监督形成交叉验证,而非依赖单一手段。技术层面:技术手段描述强化学习与指令微调通过强化学习(如RLHF)或指令微调,让模型更倾向于生成合规、
- 【机器学习基础】机器学习入门核心算法:K-近邻算法(K-Nearest Neighbors, KNN)
白熊188
机器学习基础python算法机器学习近邻算法
机器学习入门核心算法:K-近邻算法(K-NearestNeighbors,KNN)一、算法逻辑1.1基本概念1.2关键要素距离度量K值选择二、算法原理与数学推导2.1分类任务2.2回归任务2.3时间复杂度分析三、模型评估3.1评估指标3.2交叉验证调参四、应用案例4.1手写数字识别4.2推荐系统五、经典面试题问题1:KNN的主要优缺点?问题2:如何处理高维数据?问题3:KNN与K-Means的区别
- Python训练营-Day11-常见的调参方式
Mallow Flowers
Python训练营python机器学习开发语言深度学习人工智能
超参数调整专题1知识点回顾网格搜索随机搜索(简单介绍,非重点实战中很少用到,可以不了解)贝叶斯优化(2种实现逻辑,以及如何避开必须用交叉验证的问题)time库的计时模块,方便后人查看代码运行时长今日作业:对于信贷数据的其他模型,如LightGBM和KNN尝试用下贝叶斯优化和网格搜索#%%[markdown]##DAY10##1.把之前所有的处理手段都处理一遍,回顾一下全流程,以后就用处理好的部分直
- python打卡训练营学习记录Day11
m0_74839150
python学习机器学习
超参数调整专题1知识点回顾网格搜索随机搜索(简单介绍,非重点实战中很少用到,可以不了解)贝叶斯优化(2种实现逻辑,以及如何避开必须用交叉验证的问题)time库的计时模块,方便后人查看代码运行时长importpandasaspdimportpandasaspdimportnumpyasnpimportmatplotlib.pyplotaspltimportseabornassnsplt.rcPara
- 机器学习调整参数
张张张张张高高
机器学习python
机器学习调参学习为什么需要调参?调参调的都是哪些参数?怎样调参?手工调参网格搜索随机搜索贝叶斯搜索K折交叉验证如何衡量参数是否合适最近用机器学习进行预测,结果总是不理想,所以决定学一学关于调参的内容,借鉴了网上大神们的笔记,分享个人理解,如果有理解的不到位的地方欢迎大家评论区纠正。为什么需要调参?机器学习中最困难的地方就是为模型找到最好的超参数,模型的性能与超参数有很大的影响。调参调的都是哪些参数
- 基于线性回归的数据预测
所见即所得11111
线性回归算法回归
1.自主选择一个公开回归任务数据集(如房价预测、医疗数据、空气质量预测等,可Kaggle)。2.数据预处理:完成标准化(Normalization)、特征选择或缺失值处理等步骤。3.使用线性回归模型进行建模。采用80%数据用于训练,20%用于测试,重复划分数据集并训练模型20次,记录每次结果(交叉验证)。4.输出平均均方误差(MSE)或平均绝对误差(MAE),并可选与其他模型(如决策树回归、岭回归
- 32/64位系统架构冲突下MATLAB安装问题的大数据分析与解决方案
百态老人
matlab数据分析开发语言
核心问题分析(基于21份证据交叉验证):架构不兼容:32位系统无法直接运行64位MATLAB程序,两者二进制指令集不同。安装路径冲突:64位与32位MATLAB不能共存于同一目录,需独立安装。编译器依赖:跨位编译需特定工具链(如32位编译器+64位运行时库)。系统环境限制:旧版MATLAB(如7.0)对64位系统支持差,需虚拟机或兼容模式。解决方案与代码示例:1.系统位宽检测(MATLAB/Pyt
- 对于规范和实现,你会混淆吗?
yangshangchuan
HotSpot
昨晚和朋友聊天,喝了点咖啡,由于我经常喝茶,很长时间没喝咖啡了,所以失眠了,于是起床读JVM规范,读完后在朋友圈发了一条信息:
JVM Run-Time Data Areas:The Java Virtual Machine defines various run-time data areas that are used during execution of a program. So
- android 网络
百合不是茶
网络
android的网络编程和java的一样没什么好分析的都是一些死的照着写就可以了,所以记录下来 方便查找 , 服务器使用的是TomCat
服务器代码; servlet的使用需要在xml中注册
package servlet;
import java.io.IOException;
import java.util.Arr
- [读书笔记]读法拉第传
comsci
读书笔记
1831年的时候,一年可以赚到1000英镑的人..应该很少的...
要成为一个科学家,没有足够的资金支持,很多实验都无法完成
但是当钱赚够了以后....就不能够一直在商业和市场中徘徊......
- 随机数的产生
沐刃青蛟
随机数
c++中阐述随机数的方法有两种:
一是产生假随机数(不管操作多少次,所产生的数都不会改变)
这类随机数是使用了默认的种子值产生的,所以每次都是一样的。
//默认种子
for (int i = 0; i < 5; i++)
{
cout<<
- PHP检测函数所在的文件名
IT独行者
PHP函数
很简单的功能,用到PHP中的反射机制,具体使用的是ReflectionFunction类,可以获取指定函数所在PHP脚本中的具体位置。 创建引用脚本。
代码:
[php]
view plain
copy
// Filename: functions.php
<?php&nbs
- 银行各系统功能简介
文强chu
金融
银行各系统功能简介 业务系统 核心业务系统 业务功能包括:总账管理、卡系统管理、客户信息管理、额度控管、存款、贷款、资金业务、国际结算、支付结算、对外接口等 清分清算系统 以清算日期为准,将账务类交易、非账务类交易的手续费、代理费、网络服务费等相关费用,按费用类型计算应收、应付金额,经过清算人员确认后上送核心系统完成结算的过程 国际结算系
- Python学习1(pip django 安装以及第一个project)
小桔子
pythondjangopip
最近开始学习python,要安装个pip的工具。听说这个工具很强大,安装了它,在安装第三方工具的话so easy!然后也下载了,按照别人给的教程开始安装,奶奶的怎么也安装不上!
第一步:官方下载pip-1.5.6.tar.gz, https://pypi.python.org/pypi/pip easy!
第二部:解压这个压缩文件,会看到一个setup.p
- php 数组
aichenglong
PHP排序数组循环多维数组
1 php中的创建数组
$product = array('tires','oil','spark');//array()实际上是语言结构而不 是函数
2 如果需要创建一个升序的排列的数字保存在一个数组中,可以使用range()函数来自动创建数组
$numbers=range(1,10)//1 2 3 4 5 6 7 8 9 10
$numbers=range(1,10,
- 安装python2.7
AILIKES
python
安装python2.7
1、下载可从 http://www.python.org/进行下载#wget https://www.python.org/ftp/python/2.7.10/Python-2.7.10.tgz
2、复制解压
#mkdir -p /opt/usr/python
#cp /opt/soft/Python-2
- java异常的处理探讨
百合不是茶
JAVA异常
//java异常
/*
1,了解java 中的异常处理机制,有三种操作
a,声明异常
b,抛出异常
c,捕获异常
2,学会使用try-catch-finally来处理异常
3,学会如何声明异常和抛出异常
4,学会创建自己的异常
*/
//2,学会使用try-catch-finally来处理异常
- getElementsByName实例
bijian1013
element
实例1:
<!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/x
- 探索JUnit4扩展:Runner
bijian1013
java单元测试JUnit
参加敏捷培训时,教练提到Junit4的Runner和Rule,于是特上网查一下,发现很多都讲的太理论,或者是举的例子实在是太牵强。多搜索了几下,搜索到两篇我觉得写的非常好的文章。
文章地址:http://www.blogjava.net/jiangshachina/archive/20
- [MongoDB学习笔记二]MongoDB副本集
bit1129
mongodb
1. 副本集的特性
1)一台主服务器(Primary),多台从服务器(Secondary)
2)Primary挂了之后,从服务器自动完成从它们之中选举一台服务器作为主服务器,继续工作,这就解决了单点故障,因此,在这种情况下,MongoDB集群能够继续工作
3)挂了的主服务器恢复到集群中只能以Secondary服务器的角色加入进来
2
- 【Spark八十一】Hive in the spark assembly
bit1129
assembly
Spark SQL supports most commonly used features of HiveQL. However, different HiveQL statements are executed in different manners:
1. DDL statements (e.g. CREATE TABLE, DROP TABLE, etc.)
- Nginx问题定位之监控进程异常退出
ronin47
nginx在运行过程中是否稳定,是否有异常退出过?这里总结几项平时会用到的小技巧。
1. 在error.log中查看是否有signal项,如果有,看看signal是多少。
比如,这是一个异常退出的情况:
$grep signal error.log
2012/12/24 16:39:56 [alert] 13661#0: worker process 13666 exited on s
- No grammar constraints (DTD or XML schema).....两种解决方法
byalias
xml
方法一:常用方法 关闭XML验证
工具栏:windows => preferences => xml => xml files => validation => Indicate when no grammar is specified:选择Ignore即可。
方法二:(个人推荐)
添加 内容如下
<?xml version=
- Netty源码学习-DefaultChannelPipeline
bylijinnan
netty
package com.ljn.channel;
/**
* ChannelPipeline采用的是Intercepting Filter 模式
* 但由于用到两个双向链表和内部类,这个模式看起来不是那么明显,需要仔细查看调用过程才发现
*
* 下面对ChannelPipeline作一个模拟,只模拟关键代码:
*/
public class Pipeline {
- MYSQL数据库常用备份及恢复语句
chicony
mysql
备份MySQL数据库的命令,可以加选不同的参数选项来实现不同格式的要求。
mysqldump -h主机 -u用户名 -p密码 数据库名 > 文件
备份MySQL数据库为带删除表的格式,能够让该备份覆盖已有数据库而不需要手动删除原有数据库。
mysqldump -–add-drop-table -uusername -ppassword databasename > ba
- 小白谈谈云计算--基于Google三大论文
CrazyMizzz
Google云计算GFS
之前在没有接触到云计算之前,只是对云计算有一点点模糊的概念,觉得这是一个很高大上的东西,似乎离我们大一的还很远。后来有机会上了一节云计算的普及课程吧,并且在之前的一周里拜读了谷歌三大论文。不敢说理解,至少囫囵吞枣啃下了一大堆看不明白的理论。现在就简单聊聊我对于云计算的了解。
我先说说GFS
&n
- hadoop 平衡空间设置方法
daizj
hadoopbalancer
在hdfs-site.xml中增加设置balance的带宽,默认只有1M:
<property>
<name>dfs.balance.bandwidthPerSec</name>
<value>10485760</value>
<description&g
- Eclipse程序员要掌握的常用快捷键
dcj3sjt126com
编程
判断一个人的编程水平,就看他用键盘多,还是鼠标多。用键盘一是为了输入代码(当然了,也包括注释),再有就是熟练使用快捷键。 曾有人在豆瓣评
《卓有成效的程序员》:“人有多大懒,才有多大闲”。之前我整理了一个
程序员图书列表,目的也就是通过读书,让程序员变懒。 程序员作为特殊的群体,有的人可以这么懒,懒到事情都交给机器去做,而有的人又可以那么勤奋,每天都孜孜不倦得
- Android学习之路
dcj3sjt126com
Android学习
转自:http://blog.csdn.net/ryantang03/article/details/6901459
以前有J2EE基础,接触JAVA也有两三年的时间了,上手Android并不困难,思维上稍微转变一下就可以很快适应。以前做的都是WEB项目,现今体验移动终端项目,让我越来越觉得移动互联网应用是未来的主宰。
下面说说我学习Android的感受,我学Android首先是看MARS的视
- java 遍历Map的四种方法
eksliang
javaHashMapjava 遍历Map的四种方法
转载请出自出处:
http://eksliang.iteye.com/blog/2059996
package com.ickes;
import java.util.HashMap;
import java.util.Iterator;
import java.util.Map;
import java.util.Map.Entry;
/**
* 遍历Map的四种方式
- 【精典】数据库相关相关
gengzg
数据库
package C3P0;
import java.sql.Connection;
import java.sql.SQLException;
import java.beans.PropertyVetoException;
import com.mchange.v2.c3p0.ComboPooledDataSource;
public class DBPool{
- 自动补全
huyana_town
自动补全
<!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&quo
- jquery在线预览PDF文件,打开PDF文件
天梯梦
jquery
最主要的是使用到了一个jquery的插件jquery.media.js,使用这个插件就很容易实现了。
核心代码
<!DOCTYPE html PUBLIC "-//W3C//DTD XHTML 1.0 Transitional//EN" "http://www.w3.org/TR/xhtml1/DTD/xhtml1-transitional.
- ViewPager刷新单个页面的方法
lovelease
androidviewpagertag刷新
使用ViewPager做滑动切换图片的效果时,如果图片是从网络下载的,那么再子线程中下载完图片时我们会使用handler通知UI线程,然后UI线程就可以调用mViewPager.getAdapter().notifyDataSetChanged()进行页面的刷新,但是viewpager不同于listview,你会发现单纯的调用notifyDataSetChanged()并不能刷新页面
- 利用按位取反(~)从复合枚举值里清除枚举值
草料场
enum
以 C# 中的 System.Drawing.FontStyle 为例。
如果需要同时有多种效果,
如:“粗体”和“下划线”的效果,可以用按位或(|)
FontStyle style = FontStyle.Bold | FontStyle.Underline;
如果需要去除 style 里的某一种效果,
- Linux系统新手学习的11点建议
刘星宇
编程工作linux脚本
随着Linux应用的扩展许多朋友开始接触Linux,根据学习Windwos的经验往往有一些茫然的感觉:不知从何处开始学起。这里介绍学习Linux的一些建议。
一、从基础开始:常常有些朋友在Linux论坛问一些问题,不过,其中大多数的问题都是很基础的。例如:为什么我使用一个命令的时候,系统告诉我找不到该目录,我要如何限制使用者的权限等问题,这些问题其实都不是很难的,只要了解了 Linu
- hibernate dao层应用之HibernateDaoSupport二次封装
wangzhezichuan
DAOHibernate
/**
* <p>方法描述:sql语句查询 返回List<Class> </p>
* <p>方法备注: Class 只能是自定义类 </p>
* @param calzz
* @param sql
* @return
* <p>创建人:王川</p>
* <p>创建时间:Jul