- 深入详解:决策树在医学影像分割特征选择中的应用与实现
猿享天开
决策树算法机器学习人工智能
深入详解:决策树在医学影像分割特征选择中的应用与实现决策树(DecisionTree)作为一种经典的机器学习算法,以其简单、直观和可解释性强的特点,在医学影像分割的特征选择中扮演了重要角色。医学影像分割(如分割脑肿瘤、肝脏、肺结节等)需要从高维影像数据中提取关键特征,以提升分割模型的精度和效率。决策树通过构建树形结构,筛选对分割任务最重要的特征,降低数据维度,同时提供可解释的规则。本文将从原理、实
- Excel快速入门教程8-数据透视表
python测试开发
有时您需要分析大量数据,成易于阅读和理解的报告。数据透视图允许我们分析此类数据并生成满足业务要求的报告。在本教程中,我们将介绍以下主题;什么是数据透视图?创建数据透视图二维数据透视图什么是数据透视图?数据透视图是大数据集的摘要,通常包括总数,平均值,最小值,最大值等。假设您有不同地区的销售数据,使用数据透视图可以按地区汇总数据并查找每个区域的平均销售额,每个区域的最大和最小销售额等。数据透视图允许
- Day 20:奇异值SVD分解
Review上一节主要学习了几种特征选择的具体方法,包含:方差筛选皮尔逊相关系数筛选lasso筛选树模型重要性SHAP重要性递归特征消除REF其目的是为了从大量的特征中选择有效的的特征,去除冗余甚至是噪声的非必要特征,从而构建出高质量的数据集。Today今天由矩阵的SVD分解讲起,并引申到实际的数据处理应用中。SVDSVD(奇异值分解)是线性代数中的一个矩阵分解技术。对于任意实数矩阵A∈Rm×nA
- 机器学习算法解析:XGBoost与LightGBM
AI天才研究院
AI人工智能与大数据AI大模型应用入门实战与进阶AI大模型企业级应用开发实战计算科学神经计算深度学习神经网络大数据人工智能大型语言模型AIAGILLMJavaPython架构设计AgentRPA
机器学习算法解析:XGBoost与LightGBM作者:禅与计算机程序设计艺术/ZenandtheArtofComputerProgramming关键词:XGBoost,LightGBM,高效特征选择,并行化训练,自动调参,弱分类器集成1.背景介绍1.1问题的由来随着数据科学和人工智能技术的发展,越来越多的问题需要利用机器学习算法进行解决。传统的一维决策树虽然直观且易于理解,但在面对高维度数据集时
- Yolov5s/Yolov8s网络结构图
Goodness2020
机器学习YOLO
一、网络模型配置Yolov5s#Parametersnc:1#numberofclassesdepth_multiple:0.33#modeldepthmultiplewidth_multiple:0.50#layerchannelmultipleanchors:-[10,13,16,30,33,23]#P3/8-[30,61,62,45,59,119]#P4/16-[116,90,156,198
- Python 中 scikit - learn 的 Lasso 回归
PythonAI编程架构实战家
Python人工智能与大数据Python编程之道python回归kotlinai
Python中scikit-learn的Lasso回归关键词:Lasso回归、线性模型、特征选择、正则化、scikit-learn、机器学习、Python摘要:本文深入探讨了Python中scikit-learn库的Lasso回归实现。Lasso(LeastAbsoluteShrinkageandSelectionOperator)是一种线性回归的变体,它通过L1正则化实现特征选择和模型简化。我们
- 供应链管理学习笔记8-供应链库存管理
西伯利亚疯狂的蚯蚓
工商管理供应链管理
供应链管理-四川大学-梁学栋库存是一项巨大的、昂贵的投资,持有库存一方面占用了大量资本,增加了企业的运营成本,另一方面也增大了企业的经营风险,影响企业经营效率与绩效。日本丰田公司将库存成为万恶之源,有效的库存管理可以改善现金流增加投资回报,而正确理解库存和掌握库存管理与控制技术,将有利于提高库存应用管理水平。8.1.库存管理概述8.1.1.库存定义《中华人民共和国国家标准物流术语》(GB/T183
- 基于SVm和随机森林算法模型的中国黄金价格预测分析与研究
python编程狮
支持向量机算法随机森林python机器学习人工智能
摘要本研究基于回归模型,运用支持向量机(SVM)、决策树和随机森林算法,对中国黄金价格进行预测分析。通过历史黄金价格数据的分析和特征工程,建立了相应的预测模型,并利用SVM、决策树和随机森林算法进行训练和预测。首先,通过对黄金价格时间序列数据的探索性分析,发现黄金价格存在一定的趋势和季节性变化。随后,进行了数据预处理和特征选择,为建立准确的预测模型奠定了基础。分别使用SVM、决策树和随机森林算法建
- 旋转目标检测:Deep Spatial Feature Transformation for Oriented Aerial Object Detection【方法解析】
沉浸式AI
《AI与SLAM论文解析》人工智能计算机视觉旋转目标检测
DeepSpatialFeatureTransformationforOrientedAerialObjectDetection目录DeepSpatialFeatureTransformationforOrientedAerialObjectDetection摘要关键词引言相关工作旋转对齐模块特征对齐方法旋转对齐模块特征选择模块摘要航空图像中的目标检测在计算机视觉领域引起了广泛关注。不同于自然图像
- [Python] -项目实战8- 构建一个简单的 Todo List Web 应用(Flask)
踏雪无痕老爷子
Pythonpython开发语言
一、为什么选Flask?轻量上手快:仅需几行代码就能跑一个可用的Web应用。灵活扩展:可接入数据库、身份认证、前端框架等。教育性强:涵盖前后端交互基础,适合入门全栈开发。二、项目结构建议flask_todo/├──app.py├──templates/│└──index.html├──static/│└──style.css├──todo.db└──requirements.txtapp.py:后
- LeetCode算法题:电话号码的字母组合
吱屋猪_
算法leetcodejava
题目描述:给定一个仅包含数字2-9的字符串,返回所有它能表示的字母组合。答案可以按任意顺序返回。给出数字到字母的映射如下(与电话按键相同)。注意1不对应任何字母。2->"abc"3->"def"4->"ghi"5->"jkl"6->"mno"7->"pqrs"8->"tuv"9->"wxyz"例如,给定digits="23",返回["ad","ae","af","bd","be","bf","cd
- 脑电分析入门指南:信号处理、特征提取与机器学习
Ao000000
信号处理机器学习人工智能
脑电分析入门指南一、为什么要研究脑电1.课题目标(解决什么问题)2.输入与输出二、脑电分析的整体流程三、每一步详解1.数据采集2.预处理3.特征提取4.特征选择/降维5.分类与识别四、研究过程中遇到的挑战与解决方法五、学习感受一、为什么要研究脑电1.课题目标(解决什么问题)本课题旨在通过对脑电(EEG)的采集与分析,提取有用的神经信息,实现对某类脑状或行为的识别/预测/评估。例如:情绪识别、疾病诊
- Matlab实现特征选择算法中Relief-F算法
guygg88
大数据
特征选择算法中Relief-F算法使用Matlab的实现GetRandSamples.m,1719ReliefF.m,1034Untitled.m,1238data.txt,23637dataregress.m,210
- 【机器学习笔记 Ⅲ】4 特征选择
巴伦是只猫
机器学习机器学习笔记人工智能
特征选择(FeatureSelection)系统指南特征选择是机器学习中优化模型性能的关键步骤,通过筛选最相关、信息量最大的特征,提高模型精度、降低过拟合风险并加速训练。以下是完整的特征选择方法论:1.特征选择的核心目标提升模型性能:去除噪声和冗余特征,增强泛化能力。降低计算成本:减少训练和预测时间。增强可解释性:简化模型,便于业务理解。2.特征选择方法分类(1)过滤法(FilterMethods
- Mint密室 · 猫猫狐狐的“特征选择”囚室逃脱
Gyoku Mint
猫猫狐狐的小世界人工智能AI修炼日记人工智能深度学习python算法transformer
摘要:这一篇是猫猫狐狐被锁进“特征选择”密室的一场逃生剧本,用冒险叙事把Filter、Wrapper、Embedded三大特征选择法串进情节,轻松解释维度诅咒和特征冗余,还留了一个“尾巴带特征”的彩蛋,稳稳贴你3000字不溢锅。【开场·她们被困在特征选择密室】猫猫醒来的时候,整条尾巴都绕在自己脚边,还带着点抖:“狐狐……咱好像,被锁住了喵……”狐狐睁开眼,四周墙面刻满了灰白色的标签——Featur
- 【机器学习|学习笔记】特征选择(Feature Selection)和特征提取(Feature Extraction)都是用于降维、提升模型性能和泛化能力的重要手段。
努力毕业的小土博^_^
机器学习学习笔记机器学习学习笔记人工智能神经网络
【机器学习|学习笔记】特征选择(FeatureSelection)和特征提取(FeatureExtraction)都是用于降维、提升模型性能和泛化能力的重要手段。【机器学习|学习笔记】特征选择(FeatureSelection)和特征提取(FeatureExtraction)都是用于降维、提升模型性能和泛化能力的重要手段。文章目录【机器学习|学习笔记】特征选择(FeatureSelection)和
- 机器学习笔记:MATLAB实践
techDM
机器学习笔记matlabMatlab
在机器学习领域,MATLAB是一种功能强大且广泛使用的工具,它提供了许多内置函数和工具箱,方便开发者进行各种机器学习任务。本文将介绍一些常见的机器学习任务,并提供相应的MATLAB源代码示例。数据预处理在进行机器学习之前,通常需要对原始数据进行预处理。这包括数据清洗、特征选择、特征缩放和数据划分等步骤。%导入数据data=readmatrix('data.csv');%数据清洗cleaned_da
- 《dlib库中的聚类》算法详解:从原理到实践
A小庞
算法算法聚类数据挖掘机器学习c++
一、dlib库与聚类算法的关联1.1dlib库的核心功能dlib是一个基于C++的机器学习和计算机视觉工具库,其聚类算法模块提供了多种高效的无监督学习工具。聚类算法在dlib中主要用于:数据分组:将相似的数据点划分为同一簇。特征分析:通过聚类结果发现数据潜在的结构。降维辅助:结合聚类结果进行特征选择或数据压缩。dlib支持的经典聚类算法包括K-Means和ChineseWhispers,适用于图像
- 22种创新思路!今年必将是特征选择爆发的一年
小唯啊小唯
人工智能注意力机制特征选择
2025深度学习发论文&模型涨点之——特征选择特征选择是机器学习和数据挖掘领域中一个非常重要的步骤。它指的是从原始特征集合中挑选出对目标变量有较强预测能力的特征子集。在实际的数据集中,往往包含众多特征,但并非所有特征都对模型的性能有正面影响。例如在房价预测任务中,原始特征可能包括房屋的面积、房间数量、所在小区、周边配套设施等众多内容。通过特征选择,可以剔除一些无关的或者冗余的特征,比如可能存在的重
- “相关分析”
不解风情的老妖怪哎
数据分析学习笔记数据分析大数据
一、相关分析的核心概念1.定义(1)衡量两个或多个变量之间的线性或单调关系的强度和方向(正/负相关)。(2)注意:相关性≠因果关系。2.相关系数的范围(1)取值范围为[-1,1]:1:完全正相关-1:完全负相关0:无线性相关3.应用场景(1)探索变量间的潜在关系(如收入与消费水平、广告投入与销售额)。(2)辅助特征选择(如剔除高度相关的变量,避免多重共线性)。二、常用相关系数及方法1.Pearso
- 决策树算法
雨巷码行人
机器学习算法决策树机器学习
文章目录基本概念与原理决策树定义两种理解视角模型构建三要素1.特征选择(1)信息增益(ID3算法)(2)信息增益比(C4.5算法)(3)基尼指数(CART算法)2.决策树生成3.决策树剪枝(1)预剪枝(Pre-pruning)(2)后剪枝(Post-pruning)决策树算法对比CART回归树生成Scikit-learn实现分类树CART决策树-回归树决策树优劣势总结基本概念与原理决策树定义树形结
- 解锁决策树:数据挖掘的智慧引擎
目录一、决策树:数据挖掘的基石二、决策树原理剖析2.1决策树的基本结构2.2决策树的构建流程2.2.1特征选择2.2.2数据集划分2.2.3递归构建三、决策树的实践应用3.1数据准备3.2模型构建与训练3.3模型评估四、决策树的优化策略4.1剪枝策略4.1.1预剪枝4.1.2后剪枝4.2集成学习五、案例分析5.1医疗诊断案例5.2金融风险评估案例六、总结与展望一、决策树:数据挖掘的基石在当今数字化
- 无监督学习中的特征选择与检测(FSD)在医疗动线流程优化中的应用
Allen_Lyb
医疗高效编程研发学习健康医疗架构人工智能
无监督学习中的特征选择与检测(FeatureSelectionandDetection,FSD)算法在医疗动线流程优化中具有重要的应用价值,尤其适用于从海量、复杂且缺乏明确标签的医疗行为数据中自动挖掘关键模式和瓶颈。以下是如何编程实现这种应用的思路和步骤:引言医疗动线流程优化是提升医疗机构运营效率、改善患者体验的关键领域。传统的流程优化方法往往依赖于人工观察和经验分析,难以从海量、复杂且缺乏明确标
- 机器学习与深度学习22-数据预处理
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.常见的数据质量问题2.归一化和标准化3.特征选择和特征提取4.独热编码前文回顾上一篇文章地址:链接1.常见的数据质量问题在数据预处理过程中,常见的数据质量问题包括缺失值、异常值和重复数据。以下是这些问题的详细描述以及处理方法:缺失值:缺失值是指数据表中某些单元格或字段缺乏数值或信息的情况处理方法:删除包含缺失值的行:如果缺失值数量较少,可以考虑删除包含缺失值的行,但这可能导致信息损
- 机器学习中的数据预处理:清洗、转换与标准化
CarlowZJ
AI+大模型微调机器学习人工智能
目录一、前言二、数据预处理的基本概念(一)数据预处理的定义(二)数据预处理的重要性三、数据预处理的常用方法(一)数据清洗(二)特征选择(三)特征转换(四)数据标准化四、数据预处理的代码示例(一)环境准备(二)数据加载与清洗(三)特征标准化(四)特征选择五、数据预处理的应用场景(一)分类任务(二)回归任务(三)时间序列预测六、数据预处理的注意事项(一)数据质量(二)特征选择方法的选择(三)标准化方法
- P1216 [USACO1.5][IOI1994]数字三角形 Number Triangles
mjjmike
算法动态规划c++算法动态规划
题目描述观察下面的数字金字塔。写一个程序来查找从最高点到底部任意处结束的路径,使路径经过数字的和最大。每一步可以走到左下方的点也可以到达右下方的点。738810274445265在上面的样例中,从7->3->8->7->5的路径产生了最大输入格式第一个行一个正整数r,表示行的数目。后面每行为这个数字金字塔特定行包含的整数。输出格式单独的一行,包含那个可能得到的最大的和。样例#1样例输入#15738
- 机器学习中常见搜索算法
机器学习中的搜索算法主要用于优化模型参数、特征选择、超参数调优或近似最近邻搜索等任务。常见的搜索算法分类及典型方法如下1.参数/超参数搜索算法(1)网格搜索(GridSearch)原理:遍历所有可能的参数组合,选择最优解。优点:简单、全局最优。缺点:计算成本高,维数灾难。工具:sklearn.model_selection.GridSearchCVfromsklearn.model_selecti
- Qt/C++编写自定义控件8-动画按钮组控件
feiyangqingyun
Qt/C++自定义控件Qt自定义控件动画按钮组插件免费
一、前言动画按钮组控件可以用来当做各种漂亮的导航条用,既可以设置成顶部底部+左侧右侧,还自带精美的滑动效果,还可以设置悬停滑动等各种颜色,原创作者雨田哥(QQ:3246214072),驰骋Qt控件界多年,雨田哥是我见过的在这块水平相当牛逼的,在我之上,想要什么效果都可以搞出来,大家也可以找他定制控件,物美价廉!官方店:https://shop114595942.taobao.com//公众号:Qt
- 数据清洗——利用机器学习方法进行健康智能诊断
丢不掉的喜欢
机器学习人工智能
1.数据预处理与质量控制:目的:确保数据的完整性和准确性,为后续的分析和建模提供可靠的基础。具体操作:通过识别并填补缺失值,解决数据不完整的问题,减少因数据缺失导致的偏差。2.探索性数据分析(EDA):目的:理解数据的分布特性、趋势以及不同特征之间的关系,为后续建模提供洞察。具体操作:通过分组对比不同年龄、性别的人群中患病占比,揭示潜在的患病风险因素,为模型特征选择提供依据。3.分类建模与评估:目
- 打卡第二十天
Shining_Jiang
机器学习人工智能
方差筛选方差筛选是一种基于特征方差的特征选择方法。通过计算每个特征的方差,剔除方差较小的特征,因为这些特征对模型的贡献较小。皮尔逊相关系数筛选皮尔逊相关系数用于衡量特征与目标变量之间的线性相关性。通过计算每个特征与目标变量的相关系数,选择相关性较高的特征。Lasso筛选Lasso回归是一种带有L1正则化的线性回归方法,能够通过正则化系数将某些特征的权重压缩为零,从而实现特征选择。树模型重要性树模型
- PHP如何实现二维数组排序?
IT独行者
二维数组PHP排序
二维数组在PHP开发中经常遇到,但是他的排序就不如一维数组那样用内置函数来的方便了,(一维数组排序可以参考本站另一篇文章【PHP中数组排序函数详解汇总】)。二维数组的排序需要我们自己写函数处理了,这里UncleToo给大家分享一个PHP二维数组排序的函数:
代码:
functionarray_sort($arr,$keys,$type='asc'){
$keysvalue= $new_arr
- 【Hadoop十七】HDFS HA配置
bit1129
hadoop
基于Zookeeper的HDFS HA配置主要涉及两个文件,core-site和hdfs-site.xml。
测试环境有三台
hadoop.master
hadoop.slave1
hadoop.slave2
hadoop.master包含的组件NameNode, JournalNode, Zookeeper,DFSZKFailoverController
- 由wsdl生成的java vo类不适合做普通java vo
darrenzhu
VOwsdlwebservicerpc
开发java webservice项目时,如果我们通过SOAP协议来输入输出,我们会利用工具从wsdl文件生成webservice的client端类,但是这里面生成的java data model类却不适合做为项目中的普通java vo类来使用,当然有一中情况例外,如果这个自动生成的类里面的properties都是基本数据类型,就没问题,但是如果有集合类,就不行。原因如下:
1)使用了集合如Li
- JAVA海量数据处理之二(BitMap)
周凡杨
java算法bitmapbitset数据
路漫漫其修远兮,吾将上下而求索。想要更快,就要深入挖掘 JAVA 基础的数据结构,从来分析出所编写的 JAVA 代码为什么把内存耗尽,思考有什么办法可以节省内存呢? 啊哈!算法。这里采用了 BitMap 思想。
首先来看一个实验:
指定 VM 参数大小: -Xms256m -Xmx540m
- java类型与数据库类型
g21121
java
很多时候我们用hibernate的时候往往并不是十分关心数据库类型和java类型的对应关心,因为大多数hbm文件是自动生成的,但有些时候诸如:数据库设计、没有生成工具、使用原始JDBC、使用mybatis(ibatIS)等等情况,就会手动的去对应数据库与java的数据类型关心,当然比较简单的数据类型即使配置错了也会很快发现问题,但有些数据类型却并不是十分常见,这就给程序员带来了很多麻烦。
&nb
- Linux命令
510888780
linux命令
系统信息
arch 显示机器的处理器架构(1)
uname -m 显示机器的处理器架构(2)
uname -r 显示正在使用的内核版本
dmidecode -q 显示硬件系统部件 - (SMBIOS / DMI)
hdparm -i /dev/hda 罗列一个磁盘的架构特性
hdparm -tT /dev/sda 在磁盘上执行测试性读取操作
cat /proc/cpuinfo 显示C
- java常用JVM参数
墙头上一根草
javajvm参数
-Xms:初始堆大小,默认为物理内存的1/64(<1GB);默认(MinHeapFreeRatio参数可以调整)空余堆内存小于40%时,JVM就会增大堆直到-Xmx的最大限制
-Xmx:最大堆大小,默认(MaxHeapFreeRatio参数可以调整)空余堆内存大于70%时,JVM会减少堆直到 -Xms的最小限制
-Xmn:新生代的内存空间大小,注意:此处的大小是(eden+ 2
- 我的spring学习笔记9-Spring使用工厂方法实例化Bean的注意点
aijuans
Spring 3
方法一:
<bean id="musicBox" class="onlyfun.caterpillar.factory.MusicBoxFactory"
factory-method="createMusicBoxStatic"></bean>
方法二:
- mysql查询性能优化之二
annan211
UNIONmysql查询优化索引优化
1 union的限制
有时mysql无法将限制条件从外层下推到内层,这使得原本能够限制部分返回结果的条件无法应用到内层
查询的优化上。
如果希望union的各个子句能够根据limit只取部分结果集,或者希望能够先排好序在
合并结果集的话,就需要在union的各个子句中分别使用这些子句。
例如 想将两个子查询结果联合起来,然后再取前20条记录,那么mys
- 数据的备份与恢复
百合不是茶
oraclesql数据恢复数据备份
数据的备份与恢复的方式有: 表,方案 ,数据库;
数据的备份:
导出到的常见命令;
参数 说明
USERID 确定执行导出实用程序的用户名和口令
BUFFER 确定导出数据时所使用的缓冲区大小,其大小用字节表示
FILE 指定导出的二进制文
- 线程组
bijian1013
java多线程threadjava多线程线程组
有些程序包含了相当数量的线程。这时,如果按照线程的功能将他们分成不同的类别将很有用。
线程组可以用来同时对一组线程进行操作。
创建线程组:ThreadGroup g = new ThreadGroup(groupName);
&nbs
- top命令找到占用CPU最高的java线程
bijian1013
javalinuxtop
上次分析系统中占用CPU高的问题,得到一些使用Java自身调试工具的经验,与大家分享。 (1)使用top命令找出占用cpu最高的JAVA进程PID:28174 (2)如下命令找出占用cpu最高的线程
top -Hp 28174 -d 1 -n 1
32694 root 20 0 3249m 2.0g 11m S 2 6.4 3:31.12 java
- 【持久化框架MyBatis3四】MyBatis3一对一关联查询
bit1129
Mybatis3
当两个实体具有1对1的对应关系时,可以使用One-To-One的进行映射关联查询
One-To-One示例数据
以学生表Student和地址信息表为例,每个学生都有都有1个唯一的地址(现实中,这种对应关系是不合适的,因为人和地址是多对一的关系),这里只是演示目的
学生表
CREATE TABLE STUDENTS
(
- C/C++图片或文件的读写
bitcarter
写图片
先看代码:
/*strTmpResult是文件或图片字符串
* filePath文件需要写入的地址或路径
*/
int writeFile(std::string &strTmpResult,std::string &filePath)
{
int i,len = strTmpResult.length();
unsigned cha
- nginx自定义指定加载配置
ronin47
进入 /usr/local/nginx/conf/include 目录,创建 nginx.node.conf 文件,在里面输入如下代码:
upstream nodejs {
server 127.0.0.1:3000;
#server 127.0.0.1:3001;
keepalive 64;
}
server {
liste
- java-71-数值的整数次方.实现函数double Power(double base, int exponent),求base的exponent次方
bylijinnan
double
public class Power {
/**
*Q71-数值的整数次方
*实现函数double Power(double base, int exponent),求base的exponent次方。不需要考虑溢出。
*/
private static boolean InvalidInput=false;
public static void main(
- Android四大组件的理解
Cb123456
android四大组件的理解
分享一下,今天在Android开发文档-开发者指南中看到的:
App components are the essential building blocks of an Android
- [宇宙与计算]涡旋场计算与拓扑分析
comsci
计算
怎么阐述我这个理论呢? 。。。。。。。。。
首先: 宇宙是一个非线性的拓扑结构与涡旋轨道时空的统一体。。。。
我们要在宇宙中寻找到一个适合人类居住的行星,时间非常重要,早一个刻度和晚一个刻度,这颗行星的
- 同一个Tomcat不同Web应用之间共享会话Session
cwqcwqmax9
session
实现两个WEB之间通过session 共享数据
查看tomcat 关于 HTTP Connector 中有个emptySessionPath 其解释如下:
If set to true, all paths for session cookies will be set to /. This can be useful for portlet specification impleme
- springmvc Spring3 MVC,ajax,乱码
dashuaifu
springjquerymvcAjax
springmvc Spring3 MVC @ResponseBody返回,jquery ajax调用中文乱码问题解决
Spring3.0 MVC @ResponseBody 的作用是把返回值直接写到HTTP response body里。具体实现AnnotationMethodHandlerAdapter类handleResponseBody方法,具体实
- 搭建WAMP环境
dcj3sjt126com
wamp
这里先解释一下WAMP是什么意思。W:windows,A:Apache,M:MYSQL,P:PHP。也就是说本文说明的是在windows系统下搭建以apache做服务器、MYSQL为数据库的PHP开发环境。
工欲善其事,必须先利其器。因为笔者的系统是WinXP,所以下文指的系统均为此系统。笔者所使用的Apache版本为apache_2.2.11-
- yii2 使用raw http request
dcj3sjt126com
http
Parses a raw HTTP request using yii\helpers\Json::decode()
To enable parsing for JSON requests you can configure yii\web\Request::$parsers using this class:
'request' =&g
- Quartz-1.8.6 理论部分
eksliang
quartz
转载请出自出处:http://eksliang.iteye.com/blog/2207691 一.概述
基于Quartz-1.8.6进行学习,因为Quartz2.0以后的API发生的非常大的变化,统一采用了build模式进行构建;
什么是quartz?
答:简单的说他是一个开源的java作业调度框架,为在 Java 应用程序中进行作业调度提供了简单却强大的机制。并且还能和Sp
- 什么是POJO?
gupeng_ie
javaPOJO框架Hibernate
POJO--Plain Old Java Objects(简单的java对象)
POJO是一个简单的、正规Java对象,它不包含业务逻辑处理或持久化逻辑等,也不是JavaBean、EntityBean等,不具有任何特殊角色和不继承或不实现任何其它Java框架的类或接口。
POJO对象有时也被称为Data对象,大量应用于表现现实中的对象。如果项目中使用了Hiber
- jQuery网站顶部定时折叠广告
ini
JavaScripthtmljqueryWebcss
效果体验:http://hovertree.com/texiao/jquery/4.htmHTML文件代码:
<!DOCTYPE html>
<html xmlns="http://www.w3.org/1999/xhtml">
<head>
<title>网页顶部定时收起广告jQuery特效 - HoverTree<
- Spring boot内嵌的tomcat启动失败
kane_xie
spring boot
根据这篇guide创建了一个简单的spring boot应用,能运行且成功的访问。但移植到现有项目(基于hbase)中的时候,却报出以下错误:
SEVERE: A child container failed during start
java.util.concurrent.ExecutionException: org.apache.catalina.Lif
- leetcode: sort list
michelle_0916
Algorithmlinked listsort
Sort a linked list in O(n log n) time using constant space complexity.
====analysis=======
mergeSort for singly-linked list
====code======= /**
* Definition for sin
- nginx的安装与配置,中途遇到问题的解决
qifeifei
nginx
我使用的是ubuntu13.04系统,在安装nginx的时候遇到如下几个问题,然后找思路解决的,nginx 的下载与安装
wget http://nginx.org/download/nginx-1.0.11.tar.gz
tar zxvf nginx-1.0.11.tar.gz
./configure
make
make install
安装的时候出现
- 用枚举来处理java自定义异常
tcrct
javaenumexception
在系统开发过程中,总少不免要自己处理一些异常信息,然后将异常信息变成友好的提示返回到客户端的这样一个过程,之前都是new一个自定义的异常,当然这个所谓的自定义异常也是继承RuntimeException的,但这样往往会造成异常信息说明不一致的情况,所以就想到了用枚举来解决的办法。
1,先创建一个接口,里面有两个方法,一个是getCode, 一个是getMessage
public
- erlang supervisor分析
wudixiaotie
erlang
当我们给supervisor指定需要创建的子进程的时候,会指定M,F,A,如果是simple_one_for_one的策略的话,启动子进程的方式是supervisor:start_child(SupName, OtherArgs),这种方式可以根据调用者的需求传不同的参数给需要启动的子进程的方法。和最初的参数合并成一个数组,A ++ OtherArgs。那么这个时候就有个问题了,既然参数不一致,那