- 博客(13)
- 资源 (3)
- 收藏
- 关注
RSS订阅原创 《Web前端开发修炼之道》笔记四：高质量JavaScript(一)
1.如何避免js冲突1.切忌全局变量泛滥，可以用匿名函数把脚本包起来。比如：2.为了解决匿名函数之间的通信问题，我们可以在window作用域下定义一个全局变量，把它作为一个桥梁，完成各匿名函数之间的通信。为了控制全局变量的数量，可以使用如下方法：但是这种方法里，GLOBAL的属性很容易被不同的工程师覆盖，所以，我们可以使用命名空间
2016-01-27 17:18:25
1121
原创 《Web前端开发修炼之道》笔记三：高质量CSS(二)
还需要深入了解的：浏览器兼容文档流，z-index1.低权重原则——避免滥用子选择器CSS的选择符是有权重的，当不同选择符的样式设置有冲突时，会选用权重高的选择符设置的样式。权重规则：HTML标签的权重是1，class的权重是10，id的权重是100。所以上图1234567890的颜色是red。如果CSS选择符权重
2016-01-26 20:26:18
585
原创 《Web前端开发修炼之道》笔记二：高质量CSS(一)
还需要深入了解的知识点：1.CSS Reset2.怪异模式1.怪异模式和DTD为了向后兼容，浏览器会有怪异模式和标准模式这两种方法来解析网页。怪异模式的解析方法是不符合W3C标准的，所以一般情况下要避免（通过在html文件开头声明文件的DTD类型）。关于这个，之后要找更详细的资料阅读，再单独整理成文。2.如何组织CSS可以有多种方式，比如：按功能
2016-01-26 10:13:50
679
原创 《Web前端开发修炼之道》笔记一：高质量HTML
一、标签语义化HTML标签专注于结构，标签的职能只限于告诉你，“这是一个标题”、”这是一个段落“，并不告诉你，“这是红色的“。CSS布局弱化了标签的“布局能力”，将布局完全放到样式中进行控制。与table布局相比，css布局代码量少，结构精简，语义清晰。（代码量少，浏览器的下载时间更短；结构清晰，对搜索引擎更友好。）正确的做法是：先确定HTML,确定语义的标签，再来选用合适的C
2016-01-25 11:41:15
609
转载 机器学习（十一）：FP-Tree算法
原文来自:博客园（华夏35度）http://www.cnblogs.com/zhangchaoyang 作者:Orisun个人觉得这篇文章写的挺好的，前面大半部分都很好理解，到了最后根据FP-tree获取频繁项集那里有点费劲。不过多看两遍就好了，第一遍看不懂的同学不要轻易放弃。======================＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝在关联规则挖掘领域最经典的算法法
2016-01-19 11:25:53
1052
原创 机器学习（十）：Apriori算法
一、基础概念支持度：一个项集的支持度被定义为数据集中包含该项集的记录所占的比例置信度：比如{尿布，啤酒}的支持度为3/5,｛尿布｝的支持度为4/5,那么“尿布－>啤酒”的可信度为3/4.二、算法详情Apriori原理：如果一个项集不是频繁项集，那么它的所有超集都不是频繁项集。关联分析的目标包括两个：发现频繁项集和发现关联规则。首先需要找到频繁项集，然后才能获得关
2016-01-18 21:03:59
1087
原创 机器学习（九）：K-均值聚类算法
一、工作流程首先，随机确定k个初始点作为质心。然后为数据集里的每个点找到与它距离最近的质心，将其分配到该质心所对应的簇。这一步完成后，每个簇的质心都更新为该簇所有点的平均值。伪代码如下：创建k个点作为起始质心当任意一个点的簇分配结果发生改变时对数据集中的每个数据点对每个质心计算质心与数据点之间的距离将数据点分配到距其最近的簇对每一个簇，计算簇中所
2016-01-16 16:55:40
1041
转载 机器学习（八）：AdaBoost算法与实现
本文转载自http://blog.csdn.net/suipingsp/article/details/41722435?utm_source=tuicool&utm_medium=referral＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝第一节，元算法略述遇到罕见病例时，医院会组织专家团进行临床会诊共同分析病例以判定结果。如同专家团临床会
2016-01-12 20:28:02
2021
转载 机器学习（七）：SVM
转载自http://blog.csdn.net/passball/article/details/7661887，写的很好，虽然那人也是转了别人的做了整理（最原始文章来自http://www.blogjava.net/zhenandaci/archive/2009/02/13/254519.html，分了太多篇，读起来不太方便）。================================
2016-01-10 17:15:27
1056
转载 机器学习（六）：线性回归及梯度下降
上一篇转载的文章Logistic回归里有一些基础没有讲到，在这一篇里面会有详细讲解。所以推荐先阅读这一篇。本文转载自http://blog.csdn.net/xiazdong/article/details/7950084。＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝本文会讲到：(1)线性回归的定义(2)单变量线性回
2016-01-10 12:22:20
751
转载 机器学习（五）：Logistic回归
《机器学习实战》上这一章真心看不懂，在网上找到了不错的讲解，转载自http://blog.csdn.net/dongtingzhizi/article/details/15962797。＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝ Logistic回归总结
2016-01-09 21:14:28
890
原创 机器学习（四）：分类算法之朴素贝叶斯
本文整理自《机器学习实战》以及http://write.blog.csdn.net/postedit一、原理数学基础:很简单，就是贝叶斯公式：思想基础：对于一个待分类的事物X，求该事物属于各个类别y1,y2的概率，哪个概率最大，就认为该事物属于哪个类别。算法过程：1.假设某个待分类的事物x，它有a1,a2,...am这m个特征属性
2016-01-04 21:34:16
1161
4
原创 机器学习（三）：分类算法之决策树算法
一、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：数值型和标称型二、原理与实现根据某个特征，划分数据集。如果某个分支下的数据属于同一类型，则无需进一步分割；否则需要重复划分数据子集。而其中最重要的问题就是，选取哪个特征进行数据划分。选取哪个特征进行划分？划分数据集的最大原
2016-01-03 18:06:05
1394
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人