- 博客(11)
- 资源 (1)
- 收藏
- 关注
RSS订阅原创 Laravel Echo| 广播消息实时通知
【开发环境】PHP:7.4Laravel:5.8redis:6.2.2配置过程1、修改.env文件BROADCAST_DRIVER=redisCACHE_DRIVER=redisQUEUE_CONNECTION=redis2、安装predis/prediscomposer require predis/predis3、取消config/app.php下BroadcastServiceProvider的注释App\Providers\BroadcastServiceProv
2021-06-03 16:26:06
683
原创 001--PHP常用函数总结-编/解码篇
编/解码篇base64_encode ( string $data ) : string使用 MIME base64 对数据进行编码设计此种编码是为了使二进制数据可以通过非纯 8-bit 的传输层传输，例如电子邮件的主体。<?php$str = 'This is an encoded string';echo base64_encode($str);?>VGhpcyBpcyBhbiBlbmNvZGVkIHN0cmluZw==base64_decode ( str
2021-05-07 15:37:49
158
原创 HDFS入门
1.分布式文件系统HDFS 认识HDFS 当单台服务器的存储容量和计算性能已经无法处理超大文时，分布式文件系统应运而生。为了存储超大文件，可以将文件切分成很多小“块”，将这些块均匀的存储在多台服务器上，然后，通过一套系统来维护这些文件数据块。当用户需要访问这些超大文件时，该系统将后台多台服务器上存储的“块”进行临时拼装，并返回给统一的客户端，用户就像操作一台计算机一样，自然地访问该超大文件。这套系统就是“分布式文件系统”。 HDFS是基于流式访问模式，为处理超大文件的需求而设计的。HDSF中存
2021-04-04 21:45:10
253
2
原创 搭建Hadoop分布式集群
搭建Hadoop分布式集群【系统配置说明】1）系统环境：CentOS-7-x86-Minimal2）集群部署：一主三从（master/slave1/slave2/slave3）3）Java环境：jdk-7u79-linux-x864）Hadoop ：hadoop-2.6.2.tar.gz【配置Linux系统环境】（1）网络环境配置 1) 首先配置四台虚拟机的网络环境，设置为静态IP，IP地址分别如下： – master：192.168.216.101 – slave
2021-03-28 15:35:15
190
原创 高斯判别分析（GDA）
高斯判别分析建立高斯模型【假设】：y∼Bernouli(Φ)y\sim Bernouli(\Phi)y∼Bernouli(Φ)x∣y=0∼N(μ0,Σ)x|y=0\sim N(\mu_0,\Sigma)x∣y=0∼N(μ0,Σ)x∣y=1∼N(μ1,Σ)x|y=1\sim N(\mu_1,\Sigma)x∣y=1∼N(μ1,Σ)由贝叶斯公式可得： P(y∣x)=p(x∣y)p(y)p(x)P(y|x)=\frac{p(x|y)p(y)}{p(x)}P(y∣x)=p(x)p(x∣y)p(y)则
2021-01-23 17:04:23
347
2
原创 机器学习数学基础之四多维高斯分布
多维高斯分布概率密度函数首先给出多维高斯分布的概率密度函数：p(x∣μ,Σ)=1(2π)p2∣Σ∣12exp{−12(x−μ)TΣ−1(x−μ)}p(x|\mu,\Sigma)=\frac{1}{(2\pi)^{\frac{p}{2}}|\Sigma|^{\frac{1}{2}}}exp\{-\frac{1}{2}(x-\mu)^T\Sigma^{-1}(x-\mu)\}p(x∣μ,Σ)=(2π)2p∣Σ∣211exp{−21(x−μ)TΣ−1(x−μ)}其中，x⃗∈Rp,μ\vec{x}\i
2021-01-23 14:30:01
1213
原创 机器学习数学基础之三奇异值分解（SVD）
奇异值分解（Singular Value Decomposition，SVD）引入在上一节中我们回顾了矩阵的特征分解，但是特征分解只能对方阵进行（当然有的方阵可能也无法进行特征分解），那对于任意的一个矩阵 A∈Rm×nA\in{R^{m\times{n}}}A∈Rm×n 是否也能进行矩阵分解呢？答案是肯定的，那就是本节我们要介绍的奇异值分解（SVD）。在正式介绍SVD之前，我们先来思考一下： y⃗=Ax⃗\vec{y}=A\vec{x}y=Ax 代表什么意义？我们可以认为，矩阵 AAA 代表了一种线
2021-01-23 10:26:37
283
原创 机器学习数学基础之二方阵的特征分解
机器学习数学基础之二方阵的特征分解方阵的特征分解特征分解的内容在《线性代数》这门课程里边讲过，现在算是对相关内容做一下简单回顾。【特征值&特征向量】：对于方阵 AAA，若存在一个数 λ\lambdaλ 和一个向量 v⃗\vec{v}v 使得 Av⃗=λv⃗A\vec{v}=\lambda\vec{v}Av=λv 成立，那么我们称 λ\lambdaλ 为矩阵 AAA 的特征值， 向量 v⃗\vec{v}v 称为矩阵 AAA 的特征向量。【特征向量的求解】：关于如何求解特征向量和对应的特征值，在
2021-01-22 12:26:01
304
原创 线性判别分析（Fisher）
线性判别分析（Fisher）Fisher线性判别分析【符号约定】：训练数据集 T={(x1⃗,y1),(x2⃗,y2)...(xN⃗,yN)},xi⃗∈Rp,yi∈{−1,1},i=1,2,3，...，NT=\{ (\vec{x_1},y_1),(\vec{x_2},y_2)...(\vec{x_N},y_N)\},\vec{x_i}\in{R^{p}},y_i\in{\{-1,1\}},i=1,2,3，...，NT={(x1,y1),(x2,y2)...(xN,yN)},xi∈
2021-01-21 22:36:03
2049
原创 线性回归之最小二乘法
线性回归之最小二乘法最小二乘法的矩阵表达【符号约定】：训练数据集 T={(x1⃗,y1),(x2⃗,y2)...(xN⃗,yN)}T=\{ (\vec{x_1},y_1),(\vec{x_2},y_2)...(\vec{x_N},y_N)\}T={(x1,y1),(x2,y2)...(xN,yN)}xi⃗∈Rp,yi∈{−1,1},i=1,2,3...N\vec{x_i}\in{R^p},y_i\in{\{-1,1\}},i=1,2,3...Nxi∈Rp,yi∈{−1,1},i
2021-01-21 17:11:56
267
原创 机器学习数学基础之一矩阵求导
机器学习数学基础之一（矩阵求导）矩阵求导【注】：本文采用分子布局（numerator layout）【符号约定】：y⃗∈Rm;x⃗∈Rn;x,y∈Rm×n;X,Y∈Rm×n;\vec{y}\in{R^m};\vec{x}\in{R^n};x,y\in{R^{m\times{n}}};X,Y\in{R^{m\times{n}}};y∈Rm;x∈Rn;x,y∈Rm×n;X,Y∈Rm×n;I 第一部分 基本求导公式一、向量对标量求导dy⃗dx=[dy1dx,dy2dx,...,dymdx]T\fra
2021-01-21 15:24:13
279
xfeature2d.tar.gz
2019-09-17
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人