tony_513
tony_513

贝叶斯线性回归

Bayesian Linear Regression youtube video

  • Why not use MLE?  Overfitting!
  • How to solve?
    • Why not use MAP? NO representation of our uncertenty in w and Y
贝叶斯线性回归_第1张图片 MLE, blue one is the predict point
贝叶斯线性回归_第2张图片 baesian linear regression, green line mean uncertenty
  •  Why Bayesian? Optimize loss fn.
    • predicive distribution: Given us p(y|x,D)=what we really want

Setup problem

D=((x_{1},y_{1}),...,(x_{n},y_{n})),x_{i}\in \mathbb{R}^{d},y_{i}\in \mathbb{R}

Model: y_{1},...,y_{n} indep given w, y_{i}\sim N(w^{T}x_{i},a^{-1})    a = \frac{1}{\sigma^{2}}  \sigma means variance

w\sim N(0,b^{-1}I),b>0. (w=(w_{1},...,w_{d})) Assume a, b are known (\theta=w)

Remark, repalce x_{i} by \varphi _{i}(x_{i}) = (\varphi _{1}(x_{1}),...,\varphi _{i}(x_{i}))  ---> Non-linearilites in x by basis function

Likelihood:

p(D|w)\propto exp(-\frac{1}{2}(y-Aw)^{T}(y-Aw))

其中， A = \left ( x_{1}^{T},...,x_{n}^{T} \right )  "Design Matrix"

 

你可能感兴趣的:(概率论)

  • 人工智能之数学基础：概率论之韦恩图的应用 每天五分钟玩转人工智能 概率论韦恩图
    韦恩图的应用由于事件的计算有时候太过于抽象了，此时我们可以使用韦恩图的方式来进行验证，我们下面来举一个例子，A∪B）-C=A∪(B-C)是否成立？我们可以通过韦恩图来完成这个任务：我们通过这种方式来一点一点的比较，我们可以看到二者根本就不相等。AB杠和A杠B杠之间的区别？AB表示AB同时发生，AB杠表示AB不同时发生（覆盖范围大）A杠B杠表示A、B都不发生（覆盖范围小）我们也可以通过韦恩图的方式来
  • 统计学①——概率论基础及业务实战 数据小斑马 统计学统计学基础概率分布随机变量期望和方差转盘
    统计学系列目录（文末有超级大礼）：统计学②——概率分布（几何，二项，泊松，正态分布）统计学③——总体与样本统计学④——置信区间统计学⑤——假设验证一、统计学是什么？统计学分为两类，一类是描述性统计学，通过对数据的集中趋势和变异趋势的刻画来描述数据的分布情况，集中趋势有平均值，中位数和众数三个指标，变异趋势则有全距，四分位距，百分位距，方差，标准差等指标来衡量另一类是推断统计学，通过对样本的统计来推
  • 统计学07：概率论基础 夜雨声烦yyy 统计学概率论
    一、基础概念概率p代表事件发生的可能性大小，在0-1范围内ab测试中的p值，就代表一种概率（在零假设成立的前提下，观察当前数据或者比当前数据更加极端的数据的概率，p值越小，意味着在零假设成立的情况下，观察到当前结果的概率越小）二、基本性质非负性：P(A)>=0规范性：整个样本空间发生的概率是1加法公式：两个事件A和B的概率之和是P(A∪B)=P(A)+P(B)−P(A∩B)（非互斥事件）P(A∪B
  • 数学专业转型数据分析竞争力发展报告 Re_Yang09 数据分析数据挖掘
    一、核心优势拆解（1）数学能力与数据分析对应关系数学课程数据分析应用场景比较优势说明概率论假设检验设计能准确判断统计显著性阈值实变函数数据质量评估异常值检测的严格性更高线性代数特征工程构建矩阵运算优化模型训练效率（2）典型优势案例金融风控场景：数学背景者构建的违约预测模型AUC值平均高0.15用户画像分析：数学系毕业生提出的分层抽样方案降低30%调研成本二、技能补全路线图三、转型学习路径（1）阶段
  • 人工智能之数学基础:概率论和数理统计在机器学习的地位 每天五分钟玩转人工智能 机器学习深度学习之数学基础人工智能概率论机器学习神经网络线性代数
    概率和统计的概念概率统计是各类学科中唯一一门专门研究随机现象的规律性的学科，随机现象的广泛性决定了这一学科的重要性。概率论是数学的分支，它研究的是如何定量描述随机现象及其规律。我们之前经常在天气软件上看到：“今天下雨的概率是95%”，这个95%就是概率，概率就是描述可能性的一个数值。概率在机器学习中的地位概率论在机器学习中至关重要，因为我们可以将机器学习的输入数据看作是随机变量，当机器学习中的输出
  • 概率论基础：公理、定律与贝叶斯定理 偏偏无理取闹 概率论公理贝叶斯定理条件概率随机变量
    背景简介概率论是数学的一个分支，主要研究随机事件和随机变量的概率。它是现代统计学、经济学、保险学、金融学、密码学等多个领域不可或缺的理论基础。本文将通过介绍概率论的三大公理，推导出重要的概率法则，并探讨贝叶斯定理及其应用。概率的三大公理概率论的基础在于一套明确的公理系统，这些公理为计算和理解概率提供了数学上的框架。公理1：概率值的范围每个事件A的概率值介于0和1之间，即0≤Pr[A]≤1。这意味着
  • 机器学习之——认识机器学习 -睡到自然醒~ golang重构开发语言
    首先，什么是机器学习？参照百度百科的讲解，“机器学习是一门多领域交叉学科，设计概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习能力，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。”什么意思呢？也就是说，机器学习是一门跨领域的学科，是一种能够让机器模仿人类学习能力的一种学科。在Andrew的课程中，提到了几个机器学习的定义：1，A
  • 学习人工智能开发的详细指南 Ws＿ 学习人工智能python
    一、引言人工智能（AI）开发是一个充满挑战与机遇的领域，它融合了数学、计算机科学、统计学、认知科学等多个学科的知识。随着大数据、云计算和深度学习技术的快速发展，AI已经成为推动社会进步和产业升级的关键力量。本文将为初学者提供一份详细的学习指南，帮助大家逐步掌握AI开发的核心技能。二、基础知识准备数学基础：线性代数：理解向量、矩阵、线性变换等基本概念，掌握矩阵运算和特征值分解等技巧。概率论与统计学：
  • 大学专业科普 | 计算智能、信息学与大数据 鸭鸭鸭进京赶烤 大数据
    一、专业背景随着信息技术的飞速发展，数据的产生速度呈爆炸式增长，传统数据处理技术已经无法满足如此庞大的数据量和复杂的数据类型，大数据专业应运而生，旨在培养能够应对大数据挑战的专业人才。二、主要课程内容数学基础课程高等数学、概率论与数理统计、线性代数是大数据分析的核心数学基础，为数据处理、算法优化和模型构建提供必要的理论支持。计算机基础课程数据结构与算法、计算机网络、操作系统是大数据技术的重要支撑，
  • 大学专业科普 | 人工智能、物联网和云计算技术 鸭鸭鸭进京赶烤 人工智能物联网云计算5G信号处理信息与通信网络
    一、专业概述人工智能专业是一门融合计算机科学、数学、信息学等多学科知识的交叉学科。它旨在培养学生掌握人工智能领域的基本理论、方法和技能，以应对人工智能在各个领域的应用需求和发展挑战。二、主要课程基础课程：包括高等数学、线性代数、概率论与数理统计、离散数学等数学基础课程，为人工智能算法提供理论支撑；以及数据结构、算法设计与分析、计算机组成原理、操作系统、计算机网络等计算机科学基础课程，帮助学生理解人
  • 条件概率：不确定性决策的基石 大千AI助手 人工智能Python#OTHER决策树算法机器学习人工智能条件概率概率论
    条件概率是概率论中的核心概念，用于描述在已知某一事件发生的条件下，另一事件发生的概率。它量化了事件之间的关联性，是贝叶斯推理、统计建模和机器学习的基础。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，一起撕掉过度包装，学习真实的AI技术！一、定义与公式设(A)和(B)是两个随机事件，且(P(B)>0)：条件概率(P(A\midB))表示
  • 人工智能-基础篇-2-什么是机器学习？（ML，监督学习，半监督学习，零监督学习，强化学习，深度学习，机器学习步骤等） weisian151 人工智能人工智能机器学习学习
    1、什么是机器学习？机器学习（MachineLearning,ML）是人工智能的一个分支，是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析等数学理论。其核心目标是让计算机通过分析数据，自动学习规律并构建模型，从而对未知数据进行预测或决策，而无需依赖显式的程序指令。基本思想：通过数据驱动的方式，使系统能够从经验（数据）中改进性能，形成对数据模式的抽象化表达。基本概念：模型：模型是对现实世界现
  • 概率密度基本概念 Summer_Anny 概率论
    概率密度（ProbabilityDensity）是概率论中用于描述随机变量分布的一种方式，特别适用于连续随机变量。它并不是一个概率值，而是表示单位范围内的概率大小或“浓度”。更具体地说，概率密度表示在某个特定值附近，随机变量可能取到某个值的相对可能性。概率密度的几个关键点：概率密度与概率的关系：概率密度函数（PDF）本身并不能直接给出某个特定值发生的概率。因为对于连续随机变量，单一值的概率是零。然
  • 线性代数和c语言先学哪个,线性代数和哪个更有用？ 段丞博 线性代数和c语言先学哪个
    一、从数学与应用数学这个专业来分析下“线性代数”和“高等数学”这两块的内容，无论哪块知识在“考研究生数学科目中的考试”都会涉汲到的，而且有些专业的考试也包括概率论与数理统计这块知识。线性代数和哪个更有用?1、线性代数内容：行列式、矩阵、向量、线性方程组、特征值和特征向量、二次型。2、高等数学内容：函数·极限·连续、导数与微分、不定积分、定积分及广义积分、中值定理的证明、常微分方程、一元微积分的应用
  • ICBDDM2025：大数据与数字化管理前沿峰会 鸭鸭鸭进京赶烤 学术会议大数据图像处理计算机视觉AI编程人工智能机器人考研
    在选择大学专业时，可以先从自身兴趣、能力和职业规划出发，初步确定几个感兴趣的领域。然后结合外部环境因素，如专业前景、教育资源和就业情况等，对这些专业进行深入的分析和比较。大数据专业：是一个热门且前沿的学科领域，它涉及到数据的收集、存储、处理、分析和应用等多个方面。课程设置基础课程数学基础：高等数学、线性代数、概率论与数理统计等。这些课程为大数据分析提供了必要的数学工具，例如线性代数在机器学习算法中
  • 第九课：大白话教你朴素贝叶斯 顽强卖力 机器学习-深度学习-神经网络算法python大数据数据分析
    这节课咱们来聊聊朴素贝叶斯（NaiveBayes），这个算法名字听起来像是个“天真无邪的数学小天才”，但其实它是个超级实用的分类工具！我会用最接地气的方式，从定义讲到代码实战，保证你笑着学会，还能拿去忽悠朋友！一：朴素贝叶斯是啥？——当概率论遇上“天真”假设1.1定义：贝叶斯定理的“偷懒版”问题：你想判断一封邮件是不是垃圾邮件，或者一条评论是不是好评。贝叶斯定理（原版）：[P(A|B)=\frac
  • 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)
  • 清风数学建模个人笔记--模糊综合评价 fvdj0 数学建模笔记
    目录一、量二、分类三、模糊函数的三种表示方法四、应用：模糊综合评价（评判）一、量①确定性：经典数学（几何、代数）②不确定性：随机性（概率论、随机过程）灰性（灰色系统）模糊性（模糊数学）二、分类：偏小型：年轻、小、冷中间型：中年、中、暖偏大型：年老、大、热三、模糊函数的三种表示方法（1）模糊统计法（设计调查问卷，不推荐，主观性最弱）（2）借助已有的尺度（需要已有的指标，并能收集到数据）论域模糊集隶属
  • 【西瓜书】机器学习（周志华）学习问题记录 _linyu__ 基础知识机器学习周志华西瓜书
    简述西瓜书的鼎鼎大名早有耳闻，于是毫无疑问买来入门。写此文章的时候刚要做完第二章的练习题。在看的时候有一些感慨：需要一定的数理基础，尤其是概率论的内容。但是如果没学过也不建议直接去啃概率论，只要把相关的部分看看即可。周老师默认我们能力很强，所以有些地方说得不够详细，仅靠此书无法理解，需要自己另行查阅。有一些疑似谬误的地方，但是我自己能力较差，又苦于没有人佐证，所以并不敢说周老师一定错了。在看的过程
  • 数学中的泛函分析与算子理论 AI天才研究院 计算AI大模型应用入门实战与进阶ChatGPT实战大数据人工智能语言模型AILLMJavaPython架构设计AgentRPA计算AI大模型应用
    1.背景介绍1.1数学的发展与泛函分析的产生数学作为一门科学，自古以来就在不断地发展和演变。从最初的算术、几何，到后来的微积分、线性代数，再到现代的拓扑学、概率论等，数学的研究领域不断扩展。泛函分析作为一门现代数学的分支，起源于20世纪初，它主要研究无限维空间中的函数和算子，为许多现代科学和工程问题提供了理论基础。1.2泛函分析与算子理论的关系泛函分析与算子理论密切相关。泛函分析主要研究无限维空间
  • 【图像处理入门】8. 数学基础与优化：线性代数、概率与算法调优实战 小米玄戒Andrew 图像处理：从入门到专家图像处理线性代数算法python计算机视觉概率论算法调优
    摘要图像处理的核心离不开数学工具的支撑。本文将深入解析线性代数、概率论在图像领域的应用，包括矩阵变换与图像几何操作的关系、噪声模型的数学描述，以及遗传算法、粒子群优化等智能算法在参数调优中的实践。通过理论结合代码案例，帮助读者掌握从数学原理到工程优化的完整链路。一、线性代数：图像变换的数学基石1.矩阵运算与图像几何变换在图像处理入门3中，我们通过仿射变换矩阵实现图像平移、旋转与缩放。其本质是线性代
  • 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，
  • 大数定律与中心极限定理：概率论的双子星 Algo-hx 概率论与数理统计概率论
    目录引言5大数定律与中心极限定理5.1大数定律：频率的稳定性5.1.1辛钦大数定律定理内容5.1.2伯努利大数定律定理内容5.1.3切比雪夫大数定律定理内容对比总结表5.2中心极限定理：正态分布的普适性5.2.1独立同分布情形定理内容图释5.2.2李雅普诺夫定理定理内容核心思想图释5.2.3棣莫弗-拉普拉斯定理定理内容应用条件图释对比总结表5.3定理对比：LLNvsCLT引言当随机现象的个体行为无
  • （十七）深度学习之线性代数：核心概念与应用解析 只有左边一个小酒窝 深度学习深度学习线性代数人工智能
    1线性代数在深度学习中的定位1.1深度学习的数学基础支柱线性代数是深度学习的核心数学工具之一，与微积分、概率论共同构成深度学习的理论基础。深度学习本质上是对高维数据的处理与建模，而线性代数提供了描述和操作高维空间中数据与变换的语言和方法。1.2从数据表示到模型运算的桥梁数据结构化表示：深度学习处理的图像、文本、音频等数据，通常被转化为向量、矩阵或张量（多维数组）。例如：图像：RGB图像可表示为三维
  • （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
  • 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
  • 为什么计算机不用e进制，按道理说e进制难道不是最高效的吗？e进制理论上为何被认为信息编码更优，但实际却难以实现？ 前端
    在现代计算机科学中，二进制无疑是计算机体系结构的根基，这一选择深刻影响了计算机的设计、性能以及发展方向。然而，数字系统的底层进制理论却远远不止二进制一种可能性。从数学的角度来看，常用进制中有一个特殊的数——数学常数e（自然对数的底，约等于2.71828），它在无数数学和物理领域扮演着极其重要的角色。e的独特性质使得很多数学函数的表达变得简洁自然，且e在连续复利、概率论、信息论等领域都有着独特的优势
  • 【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
  • 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
  • Java常用排序算法/程序员必须掌握的8大排序算法 cugfy java
    分类： 1）插入排序（直接插入排序、希尔排序） 2）交换排序（冒泡排序、快速排序） 3）选择排序（直接选择排序、堆排序） 4）归并排序 5）分配排序（基数排序） 所需辅助空间最多：归并排序 所需辅助空间最少：堆排序 平均速度最快：快速排序 不稳定：快速排序，希尔排序，堆排序。 先来看看8种排序之间的关系：   1.直接插入排序 （1
  • 【Spark102】Spark存储模块BlockManager剖析 bit1129 manager
    Spark围绕着BlockManager构建了存储模块，包括RDD，Shuffle，Broadcast的存储都使用了BlockManager。而BlockManager在实现上是一个针对每个应用的Master/Executor结构，即Driver上BlockManager充当了Master角色，而各个Slave上(具体到应用范围，就是Executor)的BlockManager充当了Slave角色
  • linux 查看端口被占用情况详解 daizj linux端口占用netstatlsof
    经常在启动一个程序会碰到端口被占用，这里讲一下怎么查看端口是否被占用，及哪个程序占用，怎么Kill掉已占用端口的程序   1、lsof -i:port port为端口号   [root@slave /data/spark-1.4.0-bin-cdh4]# lsof -i:8080 COMMAND   PID USER   FD   TY
  • Hosts文件使用 周凡杨 hostslocahost
         一切都要从localhost说起，经常在tomcat容器起动后，访问页面时输入http://localhost:8088/index.jsp，大家都知道localhost代表本机地址，如果本机IP是10.10.134.21，那就相当于http://10.10.134.21:8088/index.jsp，有时候也会看到http: 127.0.0.1:
  • java excel工具 g21121 Java excel
    直接上代码，一看就懂，利用的是jxl： import java.io.File; import java.io.IOException; import jxl.Cell; import jxl.Sheet; import jxl.Workbook; import jxl.read.biff.BiffException; import jxl.write.Label; import
  • web报表工具finereport常用函数的用法总结（数组函数） 老A不折腾 finereportweb报表函数总结
    ADD2ARRAY ADDARRAY(array,insertArray, start):在数组第start个位置插入insertArray中的所有元素，再返回该数组。 示例： ADDARRAY([3,4, 1, 5, 7], [23, 43, 22], 3)返回[3, 4, 23, 43, 22, 1, 5, 7]. ADDARRAY([3,4, 1, 5, 7], "测试&q
  • 游戏服务器网络带宽负载计算 墙头上一根草 服务器
    家庭所安装的4M，8M宽带。其中M是指，Mbits/S 其中要提前说明的是： 8bits = 1Byte 即8位等于1字节。我们硬盘大小50G。意思是50*1024M字节，约为 50000多字节。但是网宽是以“位”为单位的，所以，8Mbits就是1M字节。是容积体积的单位。 8Mbits/s后面的S是秒。8Mbits/s意思是 每秒8M位，即每秒1M字节。 我是在计算我们网络流量时想到的
  • 我的spring学习笔记2-IoC（反向控制 依赖注入） aijuans Spring 3 系列
    IoC（反向控制 依赖注入）这是Spring提出来了，这也是Spring一大特色。这里我不用多说，我们看Spring教程就可以了解。当然我们不用Spring也可以用IoC，下面我将介绍不用Spring的IoC。 IoC不是框架，她是java的技术，如今大多数轻量级的容器都会用到IoC技术。这里我就用一个例子来说明： 如：程序中有 Mysql.calss 、Oracle.class 、SqlSe
  • 高性能mysql 之 选择存储引擎(一) annan211 mysqlInnoDBMySQL引擎存储引擎
    1 没有特殊情况，应尽可能使用InnoDB存储引擎。   原因：InnoDB 和 MYIsAM 是mysql 最常用、使用最普遍的存储引擎。其中InnoDB是最重要、最广泛的存储引擎。她   被设计用来处理大量的短期事务。短期事务大部分情况下是正常提交的，很少有回滚的情况。InnoDB的性能和自动崩溃   恢复特性使得她在非事务型存储的需求中也非常流行，除非有非常
  • UDP网络编程 百合不是茶 UDP编程局域网组播
      UDP是基于无连接的,不可靠的传输   与TCP/IP相反       UDP实现私聊,发送方式客户端,接受方式服务器 package netUDP_sc; import java.net.DatagramPacket; import java.net.DatagramSocket; import java.net.Ine
  • JQuery对象的val()方法执行结果分析 bijian1013 JavaScriptjsjquery
            JavaScript中，如果id对应的标签不存在（同理JAVA中，如果对象不存在），则调用它的方法会报错或抛异常。在实际开发中，发现JQuery在id对应的标签不存在时，调其val()方法不会报错，结果是undefined。        
  • http请求测试实例（采用json-lib解析） bijian1013 jsonhttp
            由于fastjson只支持JDK1.5版本，因些对于JDK1.4的项目，可以采用json-lib来解析JSON数据。如下是http请求的另外一种写法，仅供参考。 package com; import java.util.HashMap; import java.util.Map; import
  • 【RPC框架Hessian四】Hessian与Spring集成 bit1129 hessian
    在【RPC框架Hessian二】Hessian 对象序列化和反序列化一文中介绍了基于Hessian的RPC服务的实现步骤，在那里使用Hessian提供的API完成基于Hessian的RPC服务开发和客户端调用，本文使用Spring对Hessian的集成来实现Hessian的RPC调用。   定义模型、接口和服务器端代码 |---Model    &nb
  • 【Mahout三】基于Mahout CBayes算法的20newsgroup流程分析 bit1129 Mahout
    1.Mahout环境搭建  1.下载Mahout http://mirror.bit.edu.cn/apache/mahout/0.10.0/mahout-distribution-0.10.0.tar.gz    2.解压Mahout  3. 配置环境变量 vim /etc/profile export HADOOP_HOME=/home
  • nginx负载tomcat遇非80时的转发问题 ronin47
    　　nginx负载后端容器是tomcat（其它容器如WAS,JBOSS暂没发现这个问题）非８０端口，遇到跳转异常问题。解决的思路是：$host:port        详细如下： 　　 该问题是最先发现的，由于之前对nginx不是特别的熟悉所以该问题是个入门级别的： ? 1 2 3 4 5
  • java-17-在一个字符串中找到第一个只出现一次的字符 bylijinnan java
    public class FirstShowOnlyOnceElement { /**Q17.在一个字符串中找到第一个只出现一次的字符。如输入abaccdeff，则输出b * 1.int[] count:count[i]表示i对应字符出现的次数 * 2.将26个英文字母映射：a-z <--> 0-25 * 3.假设全部字母都是小写 */ pu
  • mongoDB 复制集 开窍的石头 mongodb
    mongo的复制集就像mysql的主从数据库，当你往其中的主复制集(primary)写数据的时候，副复制集(secondary)会自动同步主复制集(Primary)的数据,当主复制集挂掉以后其中的一个副复制集会自动成为主复制集。提供服务器的可用性。和防止当机问题             mo
  • [宇宙与天文]宇宙时代的经济学 comsci 经济
        宇宙尺度的交通工具一般都体型巨大，造价高昂。。。。。      在宇宙中进行航行，近程采用反作用力类型的发动机，需要消耗少量矿石燃料，中远程航行要采用量子或者聚变反应堆发动机，进行超空间跳跃，要消耗大量高纯度水晶体能源      以目前地球上国家的经济发展水平来讲，
  • Git忽略文件 Cwind git
         有很多文件不必使用git管理。例如Eclipse或其他IDE生成的项目文件，编译生成的各种目标或临时文件等。使用git status时，会在Untracked files里面看到这些文件列表，在一次需要添加的文件比较多时（使用git add . / git add -u），会把这些所有的未跟踪文件添加进索引。 ==== ==== ==== 一些牢骚
  • MySQL连接数据库的必须配置 dashuaifu mysql连接数据库配置
    MySQL连接数据库的必须配置   1.driverClass：com.mysql.jdbc.Driver   2.jdbcUrl：jdbc:mysql://localhost:3306/dbname   3.user：username   4.password：password   其中1是驱动名；2是url，这里的‘dbna
  • 一生要养成的60个习惯 dcj3sjt126com 习惯
    一生要养成的60个习惯 第1篇 让你更受大家欢迎的习惯 1 守时，不准时赴约,让别人等,会失去很多机会。 如何做到： ①该起床时就起床， ②养成任何事情都提前15分钟的习惯。 ③带本可以随时阅读的书，如果早了就拿出来读读。 ④有条理，生活没条理最容易耽误时间。 ⑤提前计划：将重要和不重要的事情岔开。 ⑥今天就准备好明天要穿的衣服。 ⑦按时睡觉，这会让按时起床更容易。 2 注重
  • [介绍]Yii 是什么 dcj3sjt126com PHPyii2
    Yii 是一个高性能，基于组件的 PHP 框架，用于快速开发现代 Web 应用程序。名字 Yii （读作 易）在中文里有“极致简单与不断演变”两重含义，也可看作 Yes It Is! 的缩写。 Yii 最适合做什么？ Yii 是一个通用的 Web 编程框架，即可以用于开发各种用 PHP 构建的 Web 应用。因为基于组件的框架结构和设计精巧的缓存支持，它特别适合开发大型应
  • Linux SSH常用总结 eksliang linux sshSSHD
    转载请出自出处：http://eksliang.iteye.com/blog/2186931 一、连接到远程主机   格式： ssh name@remoteserver 例如： ssh [email protected]   二、连接到远程主机指定的端口   格式： ssh name@remoteserver -p 22 例如： ssh i
  • 快速上传头像到服务端工具类FaceUtil gundumw100 android
    快速迭代用 import java.io.DataOutputStream; import java.io.File; import java.io.FileInputStream; import java.io.FileNotFoundException; import java.io.FileOutputStream; import java.io.IOExceptio
  • jQuery入门之怎么使用 ini JavaScripthtmljqueryWebcss
    jQuery的强大我何问起（个人主页：hovertree.com）就不用多说了，那么怎么使用jQuery呢？   首先，下载jquery。下载地址：http://hovertree.com/hvtart/bjae/b8627323101a4994.htm，一个是压缩版本，一个是未压缩版本，如果在开发测试阶段，可以使用未压缩版本，实际应用一般使用压缩版本(min)。然后就在页面上引用。
  • 带filter的hbase查询优化 kane_xie 查询优化hbaseRandomRowFilter
    问题描述 hbase scan数据缓慢，server端出现LeaseException。hbase写入缓慢。   问题原因 直接原因是： hbase client端每次和regionserver交互的时候，都会在服务器端生成一个Lease,Lease的有效期由参数hbase.regionserver.lease.period确定。如果hbase scan需
  • java设计模式-单例模式 men4661273 java单例枚举反射IOC
             单例模式1，饿汉模式 //饿汉式单例类.在类初始化时，已经自行实例化 public class Singleton1 { //私有的默认构造函数 private Singleton1() {} //已经自行实例化 private static final Singleton1 singl
  • mongodb 查询某一天所有信息的3种方法，根据日期查询 qiaolevip 每天进步一点点学习永无止境mongodb纵观千象
    // mongodb的查询真让人难以琢磨，就查询单天信息，都需要花费一番功夫才行。 // 第一种方式： coll.aggregate([ {$project:{sendDate: {$substr: ['$sendTime', 0, 10]}, sendTime: 1, content:1}}, {$match:{sendDate: '2015-
  • 二维数组转换成JSON tangqi609567707 java二维数组json
    原文出处：http://blog.csdn.net/springsen/article/details/7833596 public class Demo {     public static void main(String[] args) {        String[][] blogL
  • erlang supervisor wudixiaotie erlang
    定义supervisor时，如果是监控celuesimple_one_for_one则删除children的时候就用supervisor:terminate_child (SupModuleName, ChildPid)，如果shutdown策略选择的是brutal_kill，那么supervisor会调用exit(ChildPid, kill)，这样的话如果Child的behavior是gen_
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他