- 从零到一:基于差分隐私决策树的客户购买预测系统实战开发
笙囧同学
决策树算法机器学习
作者简介:笙囧同学,中科院计算机大模型方向硕士,全栈开发爱好者联系方式:
[email protected]各大平台账号:笙囧同学座右铭:偷懒是人生进步的阶梯文章导航快速导航前言-项目背景与价值项目概览-系统架构与功能技术深度解析-核心算法原理️系统实现详解-工程实践细节性能评估与分析-实验结果分析Web系统开发-前后端开发部署与运维-DevOps实践完整复现指南-手把手教程️实践案例与故障排除-问
- 数据挖掘算法:KNN、SVM、决策树详解
大力出奇迹985
数据挖掘算法支持向量机
本文将详细解析数据挖掘领域中常用的三种经典算法:KNN(K近邻算法)、SVM(支持向量机)和决策树。首先分别阐述每种算法的核心原理、实现步骤,再分析它们的优缺点及适用场景,最后对这三种算法进行综合对比与总结。通过本文,读者能全面了解这三种算法的特性,为实际数据挖掘任务中算法的选择提供参考,助力提升数据处理与分析的效率和准确性。在当今信息爆炸的时代,数据挖掘技术在各行各业发挥着至关重要的作用,而算法
- 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
- 机器学习从入门到实践:算法、特征工程与模型评估详解
目录摘要1.引言2.机器学习概述2.1什么是机器学习?2.2机器学习的发展历史2.3机器学习的应用3.机器学习算法分类3.1监督学习(SupervisedLearning)3.2无监督学习(UnsupervisedLearning)3.3半监督学习(Semi-SupervisedLearning)4算法详解4.1分类算法详解(1)逻辑回归(LogisticRegression)(2)决策树(Dec
- 跨境电商 ai架构设计
Java程序员 拥抱ai
ai人工智能
一、核心理论基础AI生成知识库的本质是**“数据驱动的知识结构化与智能化生产”**,核心依赖三大理论支撑:知识工程理论将跨境电商业务中分散的“非结构化信息”(如产品参数、用户评价、物流规则、合规条款)转化为“结构化知识”(如实体关系、规则库、决策树),通过AI实现知识的自动提取、关联与更新。例:家具用品的“材质-环保标准-目标市场合规要求”(如欧盟E1级板材认证)可形成关联知识链。自然语言处理(N
- 深入详解:决策树在医学影像骨科分析中的应用与实现
深入详解:决策树在医学影像骨科分析中的应用与实现决策树(DecisionTree)是一种经典的机器学习算法,以其简单、直观和高可解释性的特点,在医学影像领域的骨科分析中应用广泛。骨科影像分析主要基于X光片、CT或MRI图像,用于骨折检测、骨关节炎分级、骨龄评估等任务。决策树通过构建树形结构,将复杂影像特征转化为清晰的决策规则,特别适合需要可解释性强的医疗场景。本文将从原理、实现细节到具体应用,深入
- 工业缺陷检测的计算机视觉方法总结
思绪漂移
计算机视觉人工智能缺陷检测
工业缺陷检测的计算机视觉方法总结传统方法特征提取方式:颜色:基于HSV/RGB空间分析,如颜色直方图、颜色矩等纹理:采用LBP、Haar、Gabor滤波器等算子提取纹理模式形状:基于Hu矩、Zernike矩等数学描述符刻画几何特性尺寸:通过连通域分析计算物体像素面积、周长等参数典型处理流程:手动设计特征提取算法建立规则分类器(如SVM、决策树)基于阈值分割目标区域深度学习方法核心特点:端到端学习:
- 《机器学习实战》笔记(03):决策树
巨輪
机器学习机器学习决策树
决策树kNN算法可以完成很多分类任务,但是它最大的缺点就是给出数据的内在含义,决策树的主要优势就在于数据形式非常容易理解决策树的构造优点:计算复杂度不高,输出结果易于理解,对中间值的缺失不敏感,可以处理不相关特征数据。缺点:可能会产生过度匹配问题。适用数据类型:数值型和标称型。创建分支的伪代码函数createBranch()Checkifeveryiteminthedatasetisinthesa
- 机器学习实战笔记(四):决策树(Python3 实现)
max_bay
机器学习实战笔记机器学习实战决策树python
1决策树的构造1.1决策树的特点优点:计算复杂度不高,输出结果易于理解,对中间值的缺失不敏感,可以处理不相关特征数据。缺点:可能会产生过度匹配问题。适用数据类型:数值型和标称型。在构造决策树时,我们需要解决的第一个问题就是,当前数据集上哪个特征在划分数据分类时起决定性作用。为了找到决定性的特征,划分出最好的结果,我们必须评估每个特征。完成测试之后,原始数据集就被划分为几个数据子集。这些数据子集会分
- 简单理解决策树
野原星月
决策树机器学习算法
简单理解决策树一、决策树学习简介决策树学习是一种逼近离散值目标函数的方法,决策树学习是通过某种手段对离散的目标函数的进行近似逼近的过程这种方法将从一组训练数据中学习到的函数表示为一棵决策树。该方法的基础是一组给定的样本数据,生成的函数表现为一棵决策树决策树叶子为类别名,其他的结点由实体的特征组成,每个特征的不同取值对应一个分枝。若要对一个实体分类,从树根开始进行测试,按特征的取值向下进入新结点,对
- 数据挖掘领域经典算法——CART算法
丨程序之道丨
简介CART与C4.5类似,是决策树算法的一种。此外,常见的决策树算法还有ID3,这三者的不同之处在于特征的划分:ID3:特征划分基于信息增益C4.5:特征划分基于信息增益比CART:特征划分基于基尼指数基本思想CART假设决策树是二叉树,内部结点特征的取值为“是”和“否”,左分支是取值为“是”的分支,右分支是取值为“否”的分支。这样的决策树等价于递归地二分每个特征,将输入空间即特征空间划分为有限
- python学习Day5打卡
WYH49
学习
day5离散特征的独热编码先按照示例代码过一遍,然后完成下列题目现在在py文件中一次性处理data数据中所有的连续变量和离散变量1.读取data数据importpandasaspddata=pd.read_csv(r"C:\Users\LENOVO\Desktop\daim\data.csv")fordesribe_featuresindata.columns:ifdata[desribe_fea
- 机器学习(一)KNN,K近邻算法(K-Nearest Neighbors)
星期天要睡觉
机器学习近邻算法人工智能
建议初学者掌握KNN作为理解其他复杂算法(如SVM、决策树、神经网络)的基石。K近邻算法(K-NearestNeighbors,KNN)详解:原理、实践与优化K近邻算法(K-NearestNeighboKrs,简称KNN)是一种经典、直观且易于实现的监督学习方法,既可用于分类,也可用于回归。它“懒惰”地存储所有训练样本,直到有新样本需要预测时才临时计算,因此也被称为“懒惰学习算法”。本文将系统介绍
- 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
- AI产品经理面试宝典第33天:AI+家居场景化解决方案问答技巧
TGITCIC
AI产品经理一线大厂面试题人工智能产品经理面试AI产品经理面试大模型产品经理面试大模型面试AI面试
智能家电AI技术应用:如何设计宠物喂食器解决方案?面试官提问"如果让你设计一款智能喂食器,你会如何结合AI技术实现差异化?"你的回答聚焦"精准营养管理"与"行为习惯分析"双引擎。采用YOLOv7算法构建宠物体型识别模型,通过毫米波雷达捕捉进食姿态特征,结合云端数据库分析历史喂食数据,动态生成卡路里摄入建议。例如当系统检测到柯基犬连续三天进食速度下降15%,会联动智能水碗监测饮水量,最终通过决策树模
- 玩具语音方案选型决策OTP vs Flash 的成本功耗与灵活性
唯创知音
语音识别人工智能
玩具语音芯片方案选型的选择有很多的,但是基于各方面的限制和功能上的需求,那么在OTP和FLASH语音芯片之间如何做抉择?一、决策树总览玩具语音方案选型可先考虑产品语音内容后期是否需要修改,如果不需要修改且追求低成本、低功耗,优先选择OTP语音芯片;如果需要修改或语音内容,再评估成本和功耗接受度,考虑Flash芯片。二、成本对比(一)OTP芯片OTP芯片采用一次性可编程技术,生产流程相对简单,无需复
- Vue3 业务落地全景:脚手架、权限、国际化、微前端、跨端与低代码 50 条实战心法
代码老y
前端低代码
写给架构师、TL、全栈工程师的“踩坑地图”(零)阅读指南•不贴源码,用伪代码+流程图+决策树。•50条心法分6大篇章,可跳跃阅读。(一)脚手架与工程化8条心法1:用create-vue而不是vue-cli开启新项目,Vite冷启动300msvsWebpack30s。心法2:eslint-config-prettier+@vue/eslint-config-typescript一键集成,团队争议减少
- 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
- Python打卡day6 描述性统计
荣582
python学习打卡python开发语言机器学习
@疏锦行针对其他特征绘制单特征图和特征和标签的关系图,并且试图观察出一些有意思的结论单特征可视化importmatplotlib.pyplotaspltimportseabornassnsimportpandasaspd#读取数据,这里假设数据文件名为data.csv,你需要根据实际情况修改文件名data=pd.read_csv('data.csv')#连续变量可视化示例plt.figure(fi
- 通俗易懂:什么是决策树?
淦暴尼
算法python决策树算法机器学习
1.引言:决策树就像“选择题”你是否曾经在生活中做过“选择题”?比如:今天要不要带伞?晚饭吃什么?该不该买那件心仪已久的商品?其实,我们的大脑经常会像“决策树”一样,通过一连串问题和判断,逐步缩小选择范围,最终做出决定。**决策树(DecisionTree)**就是这样一种模拟人类决策过程的机器学习模型。它通过“提问-分支-决策”的方式,把复杂问题拆解成一系列简单的判断,广泛应用于分类(如判断邮件
- 零基础学习性能测试第一章-性能测试和功能测试的区别
试着
性能测试学习功能测试性能测试零基础
目录零基础学习性能测试:性能测试与功能测试的核心区别一、核心概念对比(本质区别)1.测试目标差异2.测试方法对比3.工作流程差异二、实际工作场景应用指南1.何时使用功能测试?(适用场景)2.何时使用性能测试?(关键场景)3.协同应用模式三、工具链对比与实践1.工具选择矩阵2.工具使用对比(以用户登录为例)3.报告输出差异四、工作场景决策树决策指南:五、协同工作最佳实践1.项目各阶段配合2.协作工作
- 一元线性回归模型与最小二乘法
liuzx32
监督学习中,如果预测的变量是离散的,我们称其为分类(如决策树,支持向量机等),如果预测的变量是连续的,我们称其为回归。回归分析中,如果只包括一个自变量和一个因变量,且二者的关系可用一条直线近似表示,这种回归分析称为一元线性回归分析。如果回归分析中包括两个或两个以上的自变量,且因变量和自变量之间是线性关系,则称为多元线性回归分析。对于二维空间线性是一条直线;对于三维空间线性是一个平面,对于多维空间线
- 学习笔记(39):结合生活案例,介绍 10 种常见模型
宁儿数据安全
#机器学习学习笔记生活
学习笔记(39):结合生活案例,介绍10种常见模型线性回归只是机器学习的“冰山一角”!根据不同的任务场景(分类、回归、聚类等),还有许多强大的模型可以选择。下面我用最通俗易懂的语言,结合生活案例,介绍10种常见模型及其适用场景:一、回归模型(预测连续值,如房价)1.决策树(DecisionTree)原理:像玩“20个问题”游戏,通过一系列判断(如“面积是否>100㎡?”“房龄是否0.5就判为“会”
- 【机器学习|学习笔记】用 Python 结合 graphviz 生成 ID3、C4.5、CART 三种决策树的结构示意图。
【机器学习|学习笔记】用Python结合graphviz生成ID3、C4.5、CART三种决策树的结构示意图【机器学习|学习笔记】用Python结合graphviz生成ID3、C4.5、CART三种决策树的结构示意图文章目录【机器学习|学习笔记】用Python结合graphviz生成ID3、C4.5、CART三种决策树的结构示意图用Python结合graphviz生成ID3、C4.5、CART三种
- 使用Qlib基于LightGBM预测沪深300涨跌
DeepReinforce
量化投资
Qlib是一个专为量化金融和算法交易研究设计的开源库。本文配置一个基于LightGBM的梯度提升决策树(GBDT)模型,并使用金融数据集(包含158个技术指标特征)进行训练和预测。1.导入必要的模块pythonCollapseWrapRunCopyfromqlib.contrib.model.gbdtimportLGBModelfromqlib.contrib.data.handlerimport
- DAY 8 标签编码与连续变量处理
主要内容:字典的简单介绍标签编码连续特征的处理:归一化和标准化字典字典是Python中一种非常常用的数据结构,它是一种可变容器模型,可以存储任意类型的对象。字典中的每个元素都是一个键值对创建字典#空字典empty_dict={}empty_dict2=dict()#等同于empty_dict={}#带初始值的字典person={'name':'Alice','age':25,'city':'New
- Python机器学习与深度学习:决策树、随机森林、XGBoost与LightGBM、迁移学习、循环神经网络、长短时记忆网络、时间卷积网络、自编码器、生成对抗网络、YOLO目标检测等
WangYan2022
机器学习/深度学习Python机器学习深度学习随机森林迁移学习
融合最新技术动态与实战经验,旨在系统提升以下能力:①掌握ChatGPT、DeepSeek等大语言模型在代码生成、模型调试、实验设计、论文撰写等方面的实际应用技巧②深入理解深度学习与经典机器学习算法的关联与差异,掌握其理论基础③熟练运用PyTorch实现各类深度学习模型,包括迁移学习、循环神经网络(RNN)、长短时记忆网络(LSTM)、时间卷积网络(TCN)、自编码器、生成对抗网络(GAN)、YOL
- 机器学习知识点复习 上(保研、复试、面试)百面机器学习笔记
机器学习知识点复习上一、特征工程1.为什么需要对数值类型的特征做归一化?2.文本表示模型3.图像数据不足的处理方法二、模型评估1.常见的评估指标2.ROC曲线3.为什么在一些场景中要使用余弦相似度而不是欧氏距离?4.过拟合和欠拟合三、经典算法1.支持向量机SVM2.逻辑回归3.决策树四、降维1.主成分分析(PrinalComponentsAnalysis,PCA)降维中最经典的方法2.线性判别分析
- C#企业级API版本控制实战:构建可扩展的微服务架构
墨夶
C#学习资料架构c#微服务
第一章:企业级API版本控制的生死时速1.1版本控制的三重门//版本控制决策树publicenumVersionControlStrategy{[Description("URI路径版本控制")]UriPath=1,[Description("自定义HTTP头版本控制")]CustomHeader=2,[Description("Accept媒体类型版本控制")]MediaType=3}publi
- 医咖会免费STATA教程学习笔记——单因素方差分析
Unacandoit
stata单因素方差分析
单因素方差分析和单因素回归分析相同1.单因素方差分析需要满足的假设:(1)因变量为连续变量(2)至少有一个分类变量(大于等于2类)(3)观测值相互独立(4)没有异常值(5)服从正态分布(6)方差齐性2.准备工作(1)导入数据集:webusesystolic,clear(2)检验是否存在异常值:方法一:图形——箱线图——在变量中选择systolic——确定方法二:grahboxsystolic,ov
- 多线程编程之卫生间
周凡杨
java并发卫生间线程厕所
如大家所知,火车上车厢的卫生间很小,每次只能容纳一个人,一个车厢只有一个卫生间,这个卫生间会被多个人同时使用,在实际使用时,当一个人进入卫生间时则会把卫生间锁上,等出来时打开门,下一个人进去把门锁上,如果有一个人在卫生间内部则别人的人发现门是锁的则只能在外面等待。问题分析:首先问题中有两个实体,一个是人,一个是厕所,所以设计程序时就可以设计两个类。人是多数的,厕所只有一个(暂且模拟的是一个车厢)。
- How to Install GUI to Centos Minimal
sunjing
linuxInstallDesktopGUI
http://www.namhuy.net/475/how-to-install-gui-to-centos-minimal.html
I have centos 6.3 minimal running as web server. I’m looking to install gui to my server to vnc to my server. You can insta
- Shell 函数
daizj
shell函数
Shell 函数
linux shell 可以用户定义函数,然后在shell脚本中可以随便调用。
shell中函数的定义格式如下:
[function] funname [()]{
action;
[return int;]
}
说明:
1、可以带function fun() 定义,也可以直接fun() 定义,不带任何参数。
2、参数返回
- Linux服务器新手操作之一
周凡杨
Linux 简单 操作
1.whoami
当一个用户登录Linux系统之后,也许他想知道自己是发哪个用户登录的。
此时可以使用whoami命令。
[ecuser@HA5-DZ05 ~]$ whoami
e
- 浅谈Socket通信(一)
朱辉辉33
socket
在java中ServerSocket用于服务器端,用来监听端口。通过服务器监听,客户端发送请求,双方建立链接后才能通信。当服务器和客户端建立链接后,两边都会产生一个Socket实例,我们可以通过操作Socket来建立通信。
首先我建立一个ServerSocket对象。当然要导入java.net.ServerSocket包
ServerSock
- 关于框架的简单认识
西蜀石兰
框架
入职两个月多,依然是一个不会写代码的小白,每天的工作就是看代码,写wiki。
前端接触CSS、HTML、JS等语言,一直在用的CS模型,自然免不了数据库的链接及使用,真心涉及框架,项目中用到的BootStrap算一个吧,哦,JQuery只能算半个框架吧,我更觉得它是另外一种语言。
后台一直是纯Java代码,涉及的框架是Quzrtz和log4j。
都说学前端的要知道三大框架,目前node.
- You have an error in your SQL syntax; check the manual that corresponds to your
林鹤霄
You have an error in your SQL syntax; check the manual that corresponds to your MySQL server version for the right syntax to use near 'option,changed_ids ) values('0ac91f167f754c8cbac00e9e3dc372
- MySQL5.6的my.ini配置
aigo
mysql
注意:以下配置的服务器硬件是:8核16G内存
[client]
port=3306
[mysql]
default-character-set=utf8
[mysqld]
port=3306
basedir=D:/mysql-5.6.21-win
- mysql 全文模糊查找 便捷解决方案
alxw4616
mysql
mysql 全文模糊查找 便捷解决方案
2013/6/14 by 半仙
[email protected]
目的: 项目需求实现模糊查找.
原则: 查询不能超过 1秒.
问题: 目标表中有超过1千万条记录. 使用like '%str%' 进行模糊查询无法达到性能需求.
解决方案: 使用mysql全文索引.
1.全文索引 : MySQL支持全文索引和搜索功能。MySQL中的全文索
- 自定义数据结构 链表(单项 ,双向,环形)
百合不是茶
单项链表双向链表
链表与动态数组的实现方式差不多, 数组适合快速删除某个元素 链表则可以快速的保存数组并且可以是不连续的
单项链表;数据从第一个指向最后一个
实现代码:
//定义动态链表
clas
- threadLocal实例
bijian1013
javathreadjava多线程threadLocal
实例1:
package com.bijian.thread;
public class MyThread extends Thread {
private static ThreadLocal tl = new ThreadLocal() {
protected synchronized Object initialValue() {
return new Inte
- activemq安全设置—设置admin的用户名和密码
bijian1013
javaactivemq
ActiveMQ使用的是jetty服务器, 打开conf/jetty.xml文件,找到
<bean id="adminSecurityConstraint" class="org.eclipse.jetty.util.security.Constraint">
<p
- 【Java范型一】Java范型详解之范型集合和自定义范型类
bit1129
java
本文详细介绍Java的范型,写一篇关于范型的博客原因有两个,前几天要写个范型方法(返回值根据传入的类型而定),竟然想了半天,最后还是从网上找了个范型方法的写法;再者,前一段时间在看Gson, Gson这个JSON包的精华就在于对范型的优雅简单的处理,看它的源代码就比较迷糊,只其然不知其所以然。所以,还是花点时间系统的整理总结下范型吧。
范型内容
范型集合类
范型类
- 【HBase十二】HFile存储的是一个列族的数据
bit1129
hbase
在HBase中,每个HFile存储的是一个表中一个列族的数据,也就是说,当一个表中有多个列簇时,针对每个列簇插入数据,最后产生的数据是多个HFile,每个对应一个列族,通过如下操作验证
1. 建立一个有两个列族的表
create 'members','colfam1','colfam2'
2. 在members表中的colfam1中插入50*5
- Nginx 官方一个配置实例
ronin47
nginx 配置实例
user www www;
worker_processes 5;
error_log logs/error.log;
pid logs/nginx.pid;
worker_rlimit_nofile 8192;
events {
worker_connections 4096;}
http {
include conf/mim
- java-15.输入一颗二元查找树,将该树转换为它的镜像, 即在转换后的二元查找树中,左子树的结点都大于右子树的结点。 用递归和循环
bylijinnan
java
//use recursion
public static void mirrorHelp1(Node node){
if(node==null)return;
swapChild(node);
mirrorHelp1(node.getLeft());
mirrorHelp1(node.getRight());
}
//use no recursion bu
- 返回null还是empty
bylijinnan
javaapachespring编程
第一个问题,函数是应当返回null还是长度为0的数组(或集合)?
第二个问题,函数输入参数不当时,是异常还是返回null?
先看第一个问题
有两个约定我觉得应当遵守:
1.返回零长度的数组或集合而不是null(详见《Effective Java》)
理由就是,如果返回empty,就可以少了很多not-null判断:
List<Person> list
- [科技与项目]工作流厂商的战略机遇期
comsci
工作流
在新的战略平衡形成之前,这里有一个短暂的战略机遇期,只有大概最短6年,最长14年的时间,这段时间就好像我们森林里面的小动物,在秋天中,必须抓紧一切时间存储坚果一样,否则无法熬过漫长的冬季。。。。
在微软,甲骨文,谷歌,IBM,SONY
- 过度设计-举例
cuityang
过度设计
过度设计,需要更多设计时间和测试成本,如无必要,还是尽量简洁一些好。
未来的事情,比如 访问量,比如数据库的容量,比如是否需要改成分布式 都是无法预料的
再举一个例子,对闰年的判断逻辑:
1、 if($Year%4==0) return True; else return Fasle;
2、if ( ($Year%4==0 &am
- java进阶,《Java性能优化权威指南》试读
darkblue086
java性能优化
记得当年随意读了微软出版社的.NET 2.0应用程序调试,才发现调试器如此强大,应用程序开发调试其实真的简单了很多,不仅仅是因为里面介绍了很多调试器工具的使用,更是因为里面寻找问题并重现问题的思想让我震撼,时隔多年,Java已经如日中天,成为许多大型企业应用的首选,而今天,这本《Java性能优化权威指南》让我再次找到了这种感觉,从不经意的开发过程让我刮目相看,原来性能调优不是简单地看看热点在哪里,
- 网络学习笔记初识OSI七层模型与TCP协议
dcj3sjt126com
学习笔记
协议:在计算机网络中通信各方面所达成的、共同遵守和执行的一系列约定 计算机网络的体系结构:计算机网络的层次结构和各层协议的集合。 两类服务: 面向连接的服务通信双方在通信之前先建立某种状态,并在通信过程中维持这种状态的变化,同时为服务对象预先分配一定的资源。这种服务叫做面向连接的服务。 面向无连接的服务通信双方在通信前后不建立和维持状态,不为服务对象
- mac中用命令行运行mysql
dcj3sjt126com
mysqllinuxmac
参考这篇博客:http://www.cnblogs.com/macro-cheng/archive/2011/10/25/mysql-001.html 感觉workbench不好用(有点先入为主了)。
1,安装mysql
在mysql的官方网站下载 mysql 5.5.23 http://www.mysql.com/downloads/mysql/,根据我的机器的配置情况选择了64
- MongDB查询(1)——基本查询[五]
eksliang
mongodbmongodb 查询mongodb find
MongDB查询
转载请出自出处:http://eksliang.iteye.com/blog/2174452 一、find简介
MongoDB中使用find来进行查询。
API:如下
function ( query , fields , limit , skip, batchSize, options ){.....}
参数含义:
query:查询参数
fie
- base64,加密解密 经融加密,对接
y806839048
经融加密对接
String data0 = new String(Base64.encode(bo.getPaymentResult().getBytes(("GBK"))));
String data1 = new String(Base64.decode(data0.toCharArray()),"GBK");
// 注意编码格式,注意用于加密,解密的要是同
- JavaWeb之JSP概述
ihuning
javaweb
什么是JSP?为什么使用JSP?
JSP表示Java Server Page,即嵌有Java代码的HTML页面。使用JSP是因为在HTML中嵌入Java代码比在Java代码中拼接字符串更容易、更方便和更高效。
JSP起源
在很多动态网页中,绝大部分内容都是固定不变的,只有局部内容需要动态产生和改变。
如果使用Servl
- apple watch 指南
啸笑天
apple
1. 文档
WatchKit Programming Guide(中译在线版 By @CocoaChina) 译文 译者 原文 概览 - 开始为 Apple Watch 进行开发 @星夜暮晨 Overview - Developing for Apple Watch 概览 - 配置 Xcode 项目 - Overview - Configuring Yo
- java经典的基础题目
macroli
java编程
1.列举出 10个JAVA语言的优势 a:免费,开源,跨平台(平台独立性),简单易用,功能完善,面向对象,健壮性,多线程,结构中立,企业应用的成熟平台, 无线应用 2.列举出JAVA中10个面向对象编程的术语 a:包,类,接口,对象,属性,方法,构造器,继承,封装,多态,抽象,范型 3.列举出JAVA中6个比较常用的包 Java.lang;java.util;java.io;java.sql;ja
- 你所不知道神奇的js replace正则表达式
qiaolevip
每天进步一点点学习永无止境纵观千象regex
var v = 'C9CFBAA3CAD0';
console.log(v);
var arr = v.split('');
for (var i = 0; i < arr.length; i ++) {
if (i % 2 == 0) arr[i] = '%' + arr[i];
}
console.log(arr.join(''));
console.log(v.r
- [一起学Hive]之十五-分析Hive表和分区的统计信息(Statistics)
superlxw1234
hivehive分析表hive统计信息hive Statistics
关键字:Hive统计信息、分析Hive表、Hive Statistics
类似于Oracle的分析表,Hive中也提供了分析表和分区的功能,通过自动和手动分析Hive表,将Hive表的一些统计信息存储到元数据中。
表和分区的统计信息主要包括:行数、文件数、原始数据大小、所占存储大小、最后一次操作时间等;
14.1 新表的统计信息
对于一个新创建
- Spring Boot 1.2.5 发布
wiselyman
spring boot
Spring Boot 1.2.5已在7月2日发布,现在可以从spring的maven库和maven中心库下载。
这个版本是一个维护的发布版,主要是一些修复以及将Spring的依赖提升至4.1.7(包含重要的安全修复)。
官方建议所有的Spring Boot用户升级这个版本。
项目首页 | 源