maerdym
maerdym

吴恩达新书-Machine Learning Yearning 中文版全 (1-52章)

吴恩达新书-Machine Learning Yearning

更多好玩的机器学习教程: 进入袋马学院领一份 ，全部免费.

关注微信公众号：袋马AI
回复：机器学习年鉴
获取PDF版本英文版+中文版文档

吴恩达新书-Machine Learning Yearning 中文版全 (1-52章)_第1张图片

吴恩达这本新书面向的用户群体为机器学习从业者，主要介绍机器学习实际使用时的一些策略和技巧，以便为开发指明方向，提升开发效率。

点击查看中文版单页版本
关注公众号：代码AI 回复：机器学习年鉴 获取英文版和中文翻译版下载链接

  • 全书目录
    • 本书概述
      • 1.为什么要说机器学习策略
      • 2.本书对你和你的团队有哪些帮助
      • 3.阅读本书的先决条件
      • 4.驱动机器学习长足进步的因素
    • 构建开发和测试数据集
      • 5.开发和测试数据集的重要性
      • 6.使用同一分布的开发和测试数据集
      • 7.开发和测试数据集多大合适
      • 8.使用单值衡量指标
      • 9.优化性指标和约束性指标
      • 10.在开发/测试数据集和单值衡量指标的基础上，加速模型迭代
      • 11.何时需要改变数据集和衡量指标
      • 12.构建开发和测试数据集的注意事项
    • 基本的误差分析
      • 13.快速构建你的系统，然后迭代
      • 14.误差分析的重要性和大致过程
      • 15.并行评估多个想法的可行性
      • 16.清除标记错误的样本数据
      • 17.将开发数据集分成人工观测数据集和模型调参数据集
      • 18.人工观测数据集和模型调参数据集多大合适
      • 19.总结：基本误差分析
    • 偏差和方差
      • 20.偏差和方差的概念
      • 21.举例说明偏差和方差
      • 22.向最优的错误率看齐
      • 23.方差和偏差的处理方法
      • 24.权衡模型的方差和偏差
      • 25.减少可避免的偏差方法
      • 26.训练数据集上的误差分析
      • 27.减少方差的方法
    • 学习曲线
      • 28.通过学习曲线诊断偏差和方差
      • 29.将训练错误率用图形绘制出来
      • 30.高偏差时的学习曲线
      • 31.其他情况下的学习曲线
      • 32.学习曲线绘制技巧
    • 与人类的水平进行比较
      • 33.为社么要与人类的水平进行比较
      • 34.如何定义人类处于什么样的水平
      • 35.超越人类的水平
    • 训练和测试数据集的分布不一致
      • 36.何时使用不同分布的数据集
      • 37.是否要将你的所有数据都用起来呢
      • 38.是否要使用不一致的数据
      • 39.区分不同数据的权重
      • 40.从训练数据集泛化到开发数据集
      • 41.区分偏差、方差和数据不匹配问题
      • 42.处理数据不匹配问题
      • 43.人工数据合成
    • 算法调试
      • 44.优化验证实验
      • 45.优化验证实现的一般形式
      • 46.强化学习实例
    • 端到端深度学习
      • 47.端到端学习的兴起
      • 48.更多的端到端学习实例
      • 49.端到端学习的利与弊
      • 50.选择管道组件之数据可用性
      • 51.选择管道组件之任务简单化
      • 52.让机器学习输出更加丰富的内容

更多好玩的机器学习教程: 进入袋马学院领一份 ，全部免费.

你可能感兴趣的:(吴恩达-YEARNING)

  • 吴恩达 机器学习cs229-学习笔记-更新中 是娜个二叉树！ 机器学习学习笔记
    吴恩达机器学习cs22901基础概念语言：Matlab/python监督学习定义：获取一组数据集拟合数据从X到Y的映射回归问题：预测的Y是连续的，Y是实数分类问题：分类指的是Y取离散值，输出是离散的两组，正示例和负示例，把所有样本推到这条直线上，用0，1，标识逻辑回归算法，拟合直线区分正，负示例处理相对大量特征的回归算法或者分类算法支持向量机算法：它使用的不是1,2,3,10个输入特征，而是使用无
  • Yearning SQL审计系统：常用SQL语句全解析与最佳实践 ivwdcwso 运维与云原生SQL审计Yearning数据库安全MySQL审计安全合规数据库运维
    在企业数据库管理中，SQL审计系统扮演着至关重要的角色，它能帮助DBA团队有效监控和管理数据库操作，防范潜在风险。Yearning作为国内优秀的开源SQL审计平台，凭借其简洁高效的特性，受到越来越多企业的青睐。本文将详细介绍Yearning中常用的SQL审计语句，帮助您更好地利用这一强大工具。一、Yearning简介Yearning是一款开源的SQL审核平台，主要功能包括SQL查询审计、SQL执行
  • 嵌入式学习-暑假学习总规划-day6
    此文章为本人暑期学习计划，目标是在暑假学习吴恩达的机器学习，pytorch的使用，yolov8的使用，STM32的开发。在八月底九月初的总目标是在单片机上部署一个关于计算机视觉的轻量化AI。时间段学习任务目标成果6月17日-6月30日吴恩达监督学习课程含线性回归、逻辑回归、神经网络基础完成课程视频+习题，理解训练流程、损失函数、过拟合、正则化7月1日-7月10日PyTorch框架入门学习张量、自动
  • 2025年大模型学习新攻略！掌握未来AI的关键技能 AI大模型-大飞 人工智能产品经理程序员AgentAI大模型大模型教程
    1.公开课（视频）：李宏毅机器学习斯坦福CS336：从零开始构建语言模型卡内基梅隆大学【多模态机器学习】RAGFromScratchHuggingFaceNLP课程2.机器学习和编程基础：pytorch官方中文教程[中英字幕]吴恩达机器学习李宏毅机器学习3.Attention机制：论文:《AttentionIsAllYouNeed》Transformer论文逐段精读【论文精读】-跟李沐学AIzhi
  • 吴恩达机器学习笔记（1）—引言 大饼酥 人工智能机器学习人工智能吴恩达
    目录一、欢迎二、机器学习是什么三、监督学习四、无监督学习一、欢迎机器学习是当前信息技术领域中最令人兴奋的方向之一。在这门课程中，你不仅会学习机器学习的前沿知识，还将亲手实现相关算法，从而深入理解其内部机理。事实上，机器学习已广泛渗透进我们的日常生活。例如，每次你使用Google、Bing进行搜索，或用Facebook、Apple的图像识别功能识别朋友，甚至邮箱中的垃圾邮件过滤器，背后都离不开机器学
  • 全方位入门大模型应用开发，只需一招搞定：吴恩达系列课程中文教程实战指南！ AI小白熊 人工智能机器学习自然语言处理ai大模型程序员转行
    随着生成式人工智能技术的迅速发展，大语言模型（LLM,LargeLanguageModel）成为了当下AI领域最炙手可热的赛道之一。如何快速、高效地掌握LLM的开发要领，成为众多开发者关注的热点。而由Datawhale团队打造的《面向开发者的大模型手册-LLMCookbook》项目，正好为有志于投身大模型开发的中文学习者提供了一套体系化、本地化的入门与实战宝典。本文将为你详细解析这个项目包含的各类
  • 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
  • 斯坦福CS229机器学习笔记-Lecture2-线性回归+梯度下降+正规方程组 Teeyohuang 机器学习CS229-吴恩达机器学习笔记CS229吴恩达机器学习
    声明：此系列博文根据斯坦福CS229课程，吴恩达主讲所写，为本人自学笔记，写成博客分享出来博文中部分图片和公式都来源于CS229官方notes。CS229的视频和讲义均为互联网公开资源Lecture2这一节主要讲的是三个部分的内容：·LinearRegression（线性回归）·GradientDescent（梯度下降）·NormalEquations（正规方程组）1、线性回归首先给了一个例子，如
  • 04 Deep learning神经网络编程基础 梯度下降 --吴恩达 狂小虎 系统学习pythonDeepLearning深度学习神经网络人工智能
    梯度下降在深度学习的应用梯度下降是优化神经网络参数的核心算法，通过迭代调整参数最小化损失函数。核心公式参数更新规则：θt+1=θt−η∇J(θ
  • 02 Deep learning神经网络的编程基础 逻辑回归--吴恩达 狂小虎 DeepLearning深度学习神经网络逻辑回归
    逻辑回归逻辑回归是一种用于解决二分类任务（如预测是否是猫咪等）的统计学习方法。尽管名称中包含“回归”，但其本质是通过线性回归的变体输出概率值，并使用Sigmoid函数将线性结果映射到[0,1]区间。以猫咪预测为例假设单个样本/单张图片为（x\mathbf{x}x，y\mathbf{y}y），特征向量X=x\mathbf{x}x，则y^\hat{y}y^即为X的预测值，y^\hat{y}y^=P（y
  • 吴恩达MCP课程（5）：research_server_prompt_resource.py ZHOU_CAMP MCPmcpagent
    代码importarxivimportjsonimportosfromtypingimportListfrommcp.server.fastmcpimportFastMCPPAPER_DIR="papers"#InitializeFastMCPservermcp=FastMCP("research")@mcp.tool()defsearch_papers(topic:str,max_results
  • 吴恩达深度学习课程实践项目集 Kiki-2189
    本文还有配套的精品资源，点击获取简介：吴恩达深度学习编程作业包含了Coursera平台课程中的实践环节，为学员提供深度学习理论与编程技能的巩固。这些作业从基础神经网络到复杂架构，涵盖深度学习的各种关键概念和技术，使用TensorFlow进行模型构建和训练，适合作为入门深度学习的资源。1.深度学习基础与理论框架在当今的人工智能领域，深度学习以其强大的模式识别能力，已经成为了众多技术革新的核心。本章将
  • 自然语言处理 (NLP) 学习路线 我喝AD钙 我的学习笔记自然语言处理学习人工智能
    自然语言处理学习路线1.基础准备（可参考mooc学习）2.学习基础NLP技术（可参考mooc学习）3.经典机器学习算法在NLP中的应用（可参考吴恩达机器学习课程）4.深度学习基础（基础参考吴恩达、工具看TF、Keras官网手册）5.深度学习在NLP中的应用（arxiv论文原文和解析博客，实战参考gitee/github）6.现代NLP模型（arxiv论文原文和解析博客，实战参考gitee/gith
  • 吴恩达机器学习笔记：特征与多项式回归 ちゆきー 机器学习笔记回归
    1.特征和多项式回归如房价预测问题，ℎθ(x)=θ0+θ1×frontage+θ2×deptℎx1=frontage（临街宽度），x2=deptℎ（纵向深度），x=frontage∗deptℎ=area（面积），则：hθ(x)=θ0+θ1xh_\theta(x)=\theta_0+\theta_1xhθ(x)=θ0+θ1x线性回归并不适用于所有数据，有时我们需要曲线来适应我们的数据，比如一个二次方
  • 吴恩达机器学习笔记：多维梯度下降实践 ちゆきー 机器学习笔记计算机视觉
    1.特征放缩在我们面对多维特征问题的时候，我们要保证这些特征都具有相近的尺度，这将帮助梯度下降算法更快地收敛。以房价问题为例，假设我们使用两个特征，房屋的尺寸和房间的数量，尺寸的值为0-2000平方英尺，而房间数量的值则是0-5，以两个参数分别为横纵坐标，绘制代价函数的等高线图能看出图像会显得很扁，梯度下降算法需要非常多次的迭代才能收敛。解决的方法是尝试将所有特征的尺度都尽量缩放到-1到1之间。如
  • 吴恩达机器学习笔记：监督学习 ちゆきー 机器学习笔记学习
    1.回归我们用一个例子介绍什么是监督学习把正式的定义放在后面介绍。假如说你想预测房价。前阵子，一个学生从波特兰俄勒冈州的研究所收集了一些房价的数据。你把这些数据画出来，看起来是这个样子：横轴表示房子的面积，单位是平方英尺，纵轴表示房价，单位是千美元。那基于这组数据，假如你有一个朋友，他有一套750平方英尺房子，现在他希望把房子卖掉，他想知道这房子能卖多少钱。我们应用学习算法，可以在这组数据中画一条
  • 吴恩达深度学习作业之 PyTorch 实现多分类任务 海盗儿 深度学习pytorch分类
    在这次作业中会学到：（参考https://zhuanlan.zhihu.com/p/536483424）PyTorch与NumPy的相互转换PyTorch的常见运算（矩阵乘法、激活函数、误差）PyTorch的初始化器PyTorch的优化器PyTorch维护梯度的方法数据集本项目中，我们要用到一个平面点数据集。在平面上，有三种颜色不同的点。我们希望用PyTorch编写的神经网络能够区分这三种点。im
  • 宝藏资源库！10个免费网站助你成为AI达人 算家计算 AI干货分享人工智能AI学习AI相关网站分享小白必看算家云租算力到算家云
    人工智能已成为当今最炙手可热的领域之一，但面对海量学习资源，许多初学者常感无从下手。本文将精选10个免费AI学习平台，涵盖理论课程、实战项目、社区资源与工具库，并标注难度、优缺点及适用人群，助你高效入门AI！一、核心学习平台1.Coursera官网链接：Coursera难度：⭐️⭐️（初级到进阶）推荐课程：吴恩达《深度学习专项课程》（包含5门子课程，覆盖神经网络、卷积网络、序列模型等）。优点：课程
  • 大佬带你学习大模型Prompt技巧全解析，看完这篇文章就够了！ 和老莫一起学AI 学习prompt语言模型人工智能ai程序员转行
    在数字化浪潮的推动下，AI大模型以其卓越的自然语言处理能力和智能交互特性，迅速在很多领域中占据了重要地位。比如：与传统客服相比，AI大模型展现出了无可比拟的优势，通过精心设计的prompt，能使我们在客服托管、智能客服等多个项目和业务场景中发挥显著作用，大幅提高工作效率，优化成果质量。为了精进个人能力以及助力产研学习氛围的提升，本人在学习完吴恩达教授以及其他前辈们有关prompt的课程之后，整理了
  • 吴恩达深度学习复盘(19)XGBoost简介|神经网络与决策树 wgc2k #深度学习深度学习神经网络决策树
    XGBoost多年来，机器学习研究人员提出了许多构建决策树的方法，目前最常用的方法是对样本或决策树的实现收费。其中，XGBoost是一种非常快速且易于使用的开源实现，已成功用于赢得许多机器学习竞赛和商业应用。算法原理基本思想：在构建决策树时，不是每次都以等概率选择训练样本，而是对那些之前已训练的树集合仍判断错误的样本给予更高的选择概率。这类似于在训练和教育中的“刻意练习”，例如学钢琴时专注于弹奏不
  • 诺奖得主杰弗里·辛顿爆料：“AI教父”名号是吴恩达带头喊出来的、AI会比人类更聪明... CSDN资讯 人工智能
    责编|梦依丹出品丨AI科技大本营（ID：rgznai100）继去年荣获诺贝尔物理学奖引发全球关注后，“AI教父”杰弗里·辛顿（GeoffreyHinton），这位深度学习领域的奠基人近日在接受最新采访中坦言：“几乎所有顶尖研究人员都认为AI将变得比人类更聪明。”他之前在诺贝尔奖的官方采访中表示：AI最快5年超越人类智慧。具体见诺奖采访深度学习教父辛顿：最快五年内AI有50%概率超越人类，任何说“一
  • 【学习笔记】机器学习(Machine Learning) | 第三章(1)| 多特征与向量化计算 北温凉 机器学习笔记
    机器学习（MachineLearning）简要声明基于吴恩达教授(AndrewNg)课程视频BiliBili课程资源文章目录机器学习（MachineLearning）简要声明一、多特征（MultipleFeatures）概述1.1特征表示方法1.2线性回归模型扩展扩展说明一、多特征（MultipleFeatures）概述1.1特征表示方法在机器学习中，当数据包含多个特征时，我们需要使用特征向量来表
  • 吴恩达深度学习（17）独热编码|回归树简介 wgc2k #深度学习深度学习回归人工智能
    独热编码（One-HotEncoding）简介在之前看到的示例中，每个特征只能取一个或两个可能的值，比如耳朵形状只有尖或，胡须只有有或无。但如果特征可以有两个以上的取值该需要特殊处理。以宠物收养中心应用程序的新训练集为例，除了耳朵形状特征外，其他数据都相同。此时耳朵形状不再只有尖和松软两种，还可以是椭圆形，即耳朵形状（ESHI）特征仍是分类值特征，但从有两个可能值变为有三个可能值。当基于这个特征进
  • 拆解吴恩达开源的翻译AI Agent weixin_47233946 开源人工智能
    斯坦福大学教授吴恩达一直非常推崇AIAgent，之前他提出过AIAgent的四种工作模式，分别是Reflection（反思）、Tooluse（工具使用）、Planning（规划）和Multi-agentcollaboration（多智能体协同）。近日，他又开源了一个翻译AIAgent，他认为AI智能体机器翻译对改进传统神经机器翻译”具有巨大潜力，尚未被完全发掘“，在周末的时间，写了一个演示项目。开
  • 一文详细梳理！大模型从理论到实战落地必备干货！零基础入门到精通，收藏这一篇就够了 网络安全大白 科技网络安全程序员安全网络安全系统安全
    在人工智能的浩瀚星辰中，大模型犹如璀璨的北极星，引领着技术的前沿方向。它们不仅代表了深度学习领域的最新突破，更成为了推动各行各业智能化转型的关键力量。本文笔者总结了大模型从理论研究到实战落地所需具备的所有知识干货，与大家分享~基础知识数学深入浅出动态可视化数学之美(几何、微积分、概率论、线性代数等)：https://space.bilibili.com/88461692/机器学习吴恩达机器学习入门
  • 深度学习教程 | 经典CNN网络实例详解 Dashesand 深度学习cnn网络
    深度学习教程|经典CNN网络实例详解作者：韩信子@ShowMeAI教程地址：www.showmeai.tech/tutorials/3…本文地址：www.showmeai.tech/article-det…声明：版权所有，转载请联系平台与作者并注明出处收藏ShowMeAI查看更多精彩内容本系列为吴恩达老师《深度学习专项课程(DeepLearningSpecialization)》学习与总结整理所得
  • 【深度学习基础】第四十七课：BLEU得分 x-jeff 深度学习基础深度学习人工智能nlp
    【深度学习基础】系列博客为学习Coursera上吴恩达深度学习课程所做的课程笔记。1.BLEU得分机器翻译的一大难题是一个法语句子可以有多种英文翻译，并且翻译质量都同样好。那么我们该怎样评估一个机器翻译系统呢？常用的一个方法就是使用BLEU得分。BLEU原文：PapineniK,RoukosS,WardT,etal.Bleu:amethodforautomaticevaluationofmachi
  • 吴恩达深度学习复盘（1）神经网络与深度学习的发展 wgc2k #深度学习深度学习人工智能
    一、神经网络的起源与生物学动机灵感来源神经网络的最初动机源于对生物大脑的模仿。20世纪50年代，科学家试图通过软件模拟神经元的工作机制（如树突接收信号、轴突传递信号），构建类似人类大脑的信息处理系统。生物神经元的简化模型人工神经网络采用数学模型简化生物神经元的行为：每个神经元接收输入（数字信号），通过加权求和与激活函数处理后输出。尽管这一模型远不及真实大脑复杂，但早期研究认为其可能复现智能行为。二
  • 人工智能（11）——————计算机视觉 長安一片月 人工智能人工智能计算机视觉
    目录声明正文1、简介2、步骤1）图像分类2）目标检测（目标定位）3）目标跟踪4）图像分割普通分割语义分割实例分割5）图像生成3、总结声明以下内容均来自B站吴恩达教授的视频以及西瓜书和众多前辈的学习成果总结，仅记录本人的大模型学习过程，如有侵权立马删除。言论仅代表自身理解，如有错误还请指正。正文1、简介我们先来看看百度百科里对计算机视觉的介绍：计算机视觉是一门研究如何使机器“看”的科学，更进一步的说
  • 人工智能（10）——————自然语言处理 長安一片月 人工智能人工智能自然语言处理学习transformer
    声明以下内容均来自B站吴恩达教授的视频以及西瓜书和众多前辈的学习成果总结，仅记录本人的大模型学习过程，如有侵权立马删除。言论仅代表自身理解，如有错误还请指正。正文简介其实在现在的人工智能领域，很多东西都是相互关联，相互促进的。比如机器学习可以引入到自然语言处理，计算机视觉等多个类别当中，而自然语言处理中特有的seq2seq方法也可以用于机器学习当中。但是根本上这些类别都存在自己独有之处。自然语言处
  • log4j对象改变日志级别 3213213333332132 javalog4jlevellog4j对象名称日志级别
    log4j对象改变日志级别可批量的改变所有级别，或是根据条件改变日志级别。 log4j配置文件： log4j.rootLogger=ERROR,FILE,CONSOLE,EXECPTION #log4j.appender.FILE=org.apache.log4j.RollingFileAppender log4j.appender.FILE=org.apache.l
  • elk+redis 搭建nginx日志分析平台 ronin47 elasticsearchkibanalogstash
                 elk+redis 搭建nginx日志分析平台 logstash,elasticsearch,kibana 怎么进行nginx的日志分析呢？首先，架构方面，nginx是有日志文件的，它的每个请求的状态等都有日志文件进行记录。其次，需要有个队 列，redis的l
  • Yii2设置时区 dcj3sjt126com PHPtimezoneyii2
    时区这东西，在开发的时候，你说重要吧，也还好，毕竟没它也能正常运行，你说不重要吧，那就纠结了。特别是linux系统，都TMD差上几小时，你能不痛苦吗？win还好一点。有一些常规方法，是大家目前都在采用的1、php.ini中的设置，这个就不谈了，2、程序中公用文件里设置，date_default_timezone_set一下时区3、或者。。。自己写时间处理函数，在遇到时间的时候，用这个函数处理（比较
  • js实现前台动态添加文本框，后台获取文本框内容 171815164 文本框
    <%@ page language="java" import="java.util.*" pageEncoding="UTF-8"%> <!DOCTYPE html PUBLIC "-//W3C//DTD XHTML 1.0 Transitional//EN" "http://w
  • 持续集成工具 g21121 持续集成
            持续集成是什么？我们为什么需要持续集成？持续集成带来的好处是什么？什么样的项目需要持续集成？...        持续集成(Continuous integration ,简称CI)，所谓集成可以理解为将互相依赖的工程或模块合并成一个能单独运行
  • 数据结构哈希表(hash)总结 永夜-极光 数据结构
    1.什么是hash 来源于百度百科: Hash，一般翻译做“散列”，也有直接音译为“哈希”的，就是把任意长度的输入，通过散列算法，变换成固定长度的输出，该输出就是散列值。这种转换是一种压缩映射，也就是，散列值的空间通常远小于输入的空间，不同的输入可能会散列成相同的输出，所以不可能从散列值来唯一的确定输入值。简单的说就是一种将任意长度的消息压缩到某一固定长度的消息摘要的函数。  
  • 乱七八糟 程序员是怎么炼成的
    eclipse中的jvm字节码查看插件地址： http://andrei.gmxhome.de/eclipse/ 安装该地址的outline 插件  后重启，打开window下的view下的bytecode视图 http://andrei.gmxhome.de/eclipse/   jvm博客： http://yunshen0909.iteye.com/blog/2
  • 职场人伤害了“上司” 怎样弥补 aijuans 职场
    由于工作中的失误，或者平时不注意自己的言行“伤害”、“得罪”了自己的上司，怎么办呢？ 　　在职业生涯中这种问题尽量不要发生。下面提供了一些解决问题的建议： 　　一、利用一些轻松的场合表示对他的尊重 　　即使是开明的上司也很注重自己的权威，都希望得到下属的尊重，所以当你与上司冲突后，最好让不愉快成为过去，你不妨在一些轻松的场合，比如会餐、联谊活动等，向上司问个好，敬下酒，表示你对对方的尊重，
  • 深入浅出url编码 antonyup_2006 应用服务器浏览器servletweblogicIE
    出处：http://blog.csdn.net/yzhz  杨争   http://blog.csdn.net/yzhz/archive/2007/07/03/1676796.aspx 一、问题：         编码问题是JAVA初学者在web开发过程中经常会遇到问题，网上也有大量相关的
  • 建表后创建表的约束关系和增加表的字段 百合不是茶 标的约束关系增加表的字段
      下面所有的操作都是在表建立后操作的,主要目的就是熟悉sql的约束,约束语句的万能公式   1,增加字段(student表中增加 姓名字段)   alter table 增加字段的表名 add 增加的字段名 增加字段的数据类型 alter table student add name varchar2(10);   &nb
  • Uploadify 3.2 参数属性、事件、方法函数详解 bijian1013 JavaScriptuploadify
    一.属性 属性名称 默认值 说明 auto true 设置为true当选择文件后就直接上传了，为false需要点击上传按钮才上传。 buttonClass ” 按钮样式 buttonCursor ‘hand’ 鼠标指针悬停在按钮上的样子 buttonImage null 浏览按钮的图片的路
  • 精通Oracle10编程SQL(16)使用LOB对象 bijian1013 oracle数据库plsql
    /* *使用LOB对象 */ --LOB(Large Object)是专门用于处理大对象的一种数据类型，其所存放的数据长度可以达到4G字节 --CLOB/NCLOB用于存储大批量字符数据，BLOB用于存储大批量二进制数据，而BFILE则存储着指向OS文件的指针 /* *综合实例 */ --建立表空间 --#指定区尺寸为128k,如不指定，区尺寸默认为64k CR
  • 【Resin一】Resin服务器部署web应用 bit1129 resin
    工作中，在Resin服务器上部署web应用，通常有如下三种方式：   配置多个web-app 配置多个http id 为每个应用配置一个propeties、xml以及sh脚本文件 配置多个web-app   在resin.xml中,可以为一个host配置多个web-app   <cluster id="app&q
  • red5简介及基础知识 白糖_ 基础
      简介   Red5的主要功能和Macromedia公司的FMS类似，提供基于Flash的流媒体服务的一款基于Java的开源流媒体服务器。它由Java语言编写，使用RTMP作为流媒体传输协议，这与FMS完全兼容。它具有流化FLV、MP3文件，实时录制客户端流为FLV文件，共享对象，实时视频播放、Remoting等功能。用Red5替换FMS后,客户端不用更改可正
  • angular.fromJson boyitech AngularJSAngularJS 官方APIAngularJS API
    angular.fromJson 描述: 把Json字符串转为对象 使用方法: angular.fromJson(json); 参数详解: Param Type Details json string JSON 字符串 返回值: 对象, 数组, 字符串 或者是一个数字 示例: <!DOCTYPE HTML> <h
  • java-颠倒一个句子中的词的顺序。比如： I am a student颠倒后变成：student a am I bylijinnan java
    public class ReverseWords { /** * 题目：颠倒一个句子中的词的顺序。比如： I am a student颠倒后变成：student a am I.词以空格分隔。 * 要求： * 1.实现速度最快,移动最少 * 2.不能使用String的方法如split,indexOf等等。 * 解答：两次翻转。 */ publ
  • web实时通讯 Chen.H Web浏览器socket脚本
    关于web实时通讯，做一些监控软件。 由web服务器组件从消息服务器订阅实时数据，并建立消息服务器到所述web服务器之间的连接，web浏览器利用从所述web服务器下载到web页面的客户端代理与web服务器组件之间的socket连接，建立web浏览器与web服务器之间的持久连接；利用所述客户端代理与web浏览器页面之间的信息交互实现页面本地更新，建立一条从消息服务器到web浏览器页面之间的消息通路
  • [基因与生物]远古生物的基因可以嫁接到现代生物基因组中吗? comsci 生物
          大家仅仅把我说的事情当作一个IT行业的笑话来听吧..没有其它更多的意思     如果我们把大自然看成是一位伟大的程序员,专门为地球上的生态系统编制基因代码,并创造出各种不同的生物来,那么6500万年前的程序员开发的代码,是否兼容现代派的程序员的代码和架构呢?   
  • oracle 外部表 daizj oracle外部表external tables
        oracle外部表是只允许只读访问，不能进行DML操作，不能创建索引，可以对外部表进行的查询，连接，排序，创建视图和创建同义词操作。 you can select, join, or sort external table data. You can also create views and synonyms for external tables. Ho
  • aop相关的概念及配置 daysinsun AOP
    切面(Aspect): 通常在目标方法执行前后需要执行的方法（如事务、日志、权限），这些方法我们封装到一个类里面，这个类就叫切面。 连接点（joinpoint） spring里面的连接点指需要切入的方法，通常这个joinpoint可以作为一个参数传入到切面的方法里面（非常有用的一个东西）。 通知（Advice） 通知就是切面里面方法的具体实现，分为前置、后置、最终、异常环
  • 初一上学期难记忆单词背诵第二课 dcj3sjt126com englishword
    middle 中间的，中级的 well 喔，那么；好吧 phone 电话，电话机 policeman 警察 ask 问 take 拿到；带到 address 地址 glad 高兴的，乐意的 why 为什么  China 中国 family 家庭 grandmother (外)祖母 grandfather (外)祖父 wife 妻子 husband 丈夫 da
  • Linux日志分析常用命令 dcj3sjt126com linuxlog
    1.查看文件内容 cat -n 显示行号 2.分页显示 more Enter 显示下一行 空格 显示下一页 F 显示下一屏 B 显示上一屏 less /get 查询"get"字符串并高亮显示 3.显示文件尾 tail -f 不退出持续显示 -n 显示文件最后n行 4.显示头文件 head -n 显示文件开始n行 5.内容排序 sort -n 按照
  • JSONP 原理分析 fantasy2005 JavaScriptjsonpjsonp 跨域
    转自 http://www.nowamagic.net/librarys/veda/detail/224 JavaScript是一种在Web开发中经常使用的前端动态脚本技术。在JavaScript中，有一个很重要的安全性限制，被称为“Same-Origin Policy”（同源策略）。这一策略对于JavaScript代码能够访问的页面内容做了很重要的限制，即JavaScript只能访问与包含它的
  • 使用connect by进行级联查询 234390216 oracle查询父子Connect by级联
    使用connect by进行级联查询          connect by可以用于级联查询，常用于对具有树状结构的记录查询某一节点的所有子孙节点或所有祖辈节点。          来看一个示例，现假设我们拥有一个菜单表t_menu，其中只有三个字段：
  • 一个不错的能将HTML表格导出为excel,pdf等的jquery插件 jackyrong jquery插件
    发现一个老外写的不错的jquery插件，可以实现将HTML 表格导出为excel,pdf等格式， 地址在： https://github.com/kayalshri/ 下面看个例子，实现导出表格到excel,pdf <html> <head> <title>Export html table to excel an
  • UI设计中我们为什么需要设计动效 lampcy UIUI设计
    关于Unity3D中的Shader的知识 首先先解释下Unity3D的Shader，Unity里面的Shaders是使用一种叫ShaderLab的语言编写的，它同微软的FX文件或者NVIDIA的CgFX有些类似。传统意义上的vertex shader和pixel shader还是使用标准的Cg/HLSL 编程语言编写的。因此Unity文档里面的Shader，都是指用ShaderLab编写的代码，
  • 如何禁止页面缓存 nannan408 htmljspcache
    禁止页面使用缓存~ ------------------------------------------------ jsp:页面no cache： response.setHeader("Pragma","No-cache"); response.setHeader("Cache-Control","no-cach
  • 以代码的方式管理quartz定时任务的暂停、重启、删除、添加等 Everyday都不同 定时任务管理spring-quartz
          【前言】在项目的管理功能中，对定时任务的管理有时会很常见。因为我们不能指望只在配置文件中配置好定时任务就行了，因为如果要控制定时任务的 “暂停” 呢？暂停之后又要在某个时间点 “重启” 该定时任务呢？或者说直接 “删除” 该定时任务呢？要改变某定时任务的触发时间呢？ “添加” 一个定时任务对于系统的使用者而言，是不太现实的，因为一个定时任务的处理逻辑他是不
  • EXT实例 tntxia ext
      （1） 增加一个按钮   JSP:   <%@ page language="java" import="java.util.*" pageEncoding="UTF-8"%> <% String path = request.getContextPath(); Stri
  • 数学学习在计算机研究领域的作用和重要性 xjnine Math
    最近一直有师弟师妹和朋友问我数学和研究的关系，研一要去学什么数学课。毕竟在清华，衡量一个研究生最重要的指标之一就是paper,而没有数学，是肯定上不了世界顶级的期刊和会议的，这在计算机学界尤其重要！你会发现，不论哪个领域有价值的东西，都一定离不开数学！在这样一个信息时代，当google已经让世界没有秘密的时候，一种卓越的数学思维，绝对可以成为你的核心竞争力.  无奈本人实在见地
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他