- 博客(41)
- 资源 (1)
- 收藏
- 关注
RSS订阅
原创 面试算法题目
将最近遇到的一些难题整理一下，以供参考，持续更ing~目录数据结构 字母分离，小写在前，大写在后，顺序不变，空间复杂度为O（1） 求逆序对（递归调用，O（n*logn）） 二叉树前、中、后非递归遍历最大子数组和（滴滴）最小两个连续子数组和最长重复子串（阿里）加密解密（头条）分糖果（头条）最长无重复字符子串（头条...
2019-05-12 16:22:49
276
原创 http状态码解释
xmlhttp.readyState的值及解释：0：请求未初始化（还没有调用 open()）。1：请求已经建立，但是还没有发送（还没有调用 send()）。2：请求已发送，正在处理中（通常现在可以从响应中获取内容头）。3：请求在处理中；通常响应中已有部分数据可用了，但是服务器还没有完成响应的生成。4：响应已完成；您可以获取并使用服务器的响应了。xmlhttp.status的值及解释：100——客户必须继续发出请求101——客户要求服务器根据请求转换HTTP协议版本200——交易成功201
2020-12-30 10:16:01
177
转载 Cookie与Session区别
转载链接：https://www.zhihu.com/question/19786827/answer/287521441. 由于HTTP协议是无状态的协议，所以服务端需要记录用户的状态时，就需要用某种机制来识具体的用户，这个机制就是Session.典型的场景比如购物车，当你点击下单按钮时，由于HTTP协议无状态，所以并不知道是哪个用户操作的，所以服务端要为特定的用户创建了特定的Session，用用于标识这个用户，并且跟踪用户，这样才知道购物车里面有几本书。这个Session是保存在服务端的，有一个.
2020-12-22 18:43:33
148
1
原创 解决IntelliJ IDEA 创建Maven项目速度慢问题 DarchetypeCatalog
原因IDEA根据maven archetype的本质，其实是执行mvn archetype:generate命令，该命令执行时，需要指定一个archetype-catalog.xml文件。该命令的参数-DarchetypeCatalog，可选值为：remote，internal ，local等，用来指定archetype-catalog.xml文件从哪里获取。默认为remote，即从 http://repo1.maven.org/maven2/archetype-catalog.xml路径下载arc
2020-11-09 14:35:23
212
转载 spring配置文件详解
转自：http://book.51cto.com/art/201004/193743.htmSpring配置文件是用于指导Spring工厂进行Bean生产、依赖关系注入（装配）及Bean实例分发的"图纸"。Java EE程序员必须学会并灵活应用这份"图纸"准确地表达自己的"生产意图"。Spring配置文件是一个或多个标准的XML文档，applicationContext.xml是Spring的默认配置文件，当容器启动时找不到指定的配置文档时，将会尝试加载这个默认的配置文件。下面列举的是一份比较完整的
2020-11-05 16:08:19
81
原创 Spring常用注解
Spring共有三大核心：IOC,DI,AOP。其中IOC就是将Bean初始化加载到容器中，Bean是如何加载到容器的，可以使用Spring注解方式或者Spring XML配置方式，还有注解与xml混合开发方式（推荐）。Spring注解方式减少了配置文件内容，更加便于管理，并且使用注解可以大大提高了开发效率！下面按照分类讲解Spring中常用的一些注解。一： 创建对象的注解相当于xml配置文件中编写一个<‘bean’>标签实现的功能 1. 思考：Spring怎么知道应该把哪些Java
2020-11-05 15:31:44
168
原创 spring 中 bean标签的作用范围和scope属性
bean标签scope属性：作用：用于指定bean的作用范围取值：常用的是单例和多例 singleton 单例(默认) prototype 多例 request 作用于web应用的请求范围 session 作用于web应用的会话范围 global-session：作用于集群环境的会话范围（全局会话范围），当不是集群环境时，他就是session<?xml version="1.0" encoding="UTF-8"?><beans.
2020-10-26 21:50:29
760
原创 Spring-IOC 解耦详解
前言耦合性(Coupling)，也叫耦合度，是对模块间关联程度的度量。耦合的强弱取决于模块间接口的复杂性、调用模块的方式以及通过界面传送数据的多少。模块间的耦合度是指模块之间的依赖关系，包括控制关系、调用关系、数据传递关系。模块间联系越多，其耦合性越强，同时表明其独立性越差( 降低耦合性，可以提高其独立性)。 耦合性存在于各个领域，而非软件设计中独有的，但是我们只讨论软件工程中的耦合。 在软件工程中， 耦合指的就是就是对象之间的依赖性。对象之间的耦合越高，维护成本越高。因此对象的设计应使类...
2020-10-22 23:09:29
1240
转载 SpringMVC如何从默认的index.jsp页面跳转到其他页面
SpringMVC在Tomcat服务器默认进入的页面是index.jsp，查询资料发现如果修改默认页面，还需要修改Tomcat文件目录，所有打算不修改默认页面，而是采用从默认页面"index.jsp"跳转到登录页面"Login.jsp"的方式。方法一：<%-- 内嵌java代码--%><% pageContext.forward("/WEB-INF/pages/Login.jsp"); %>index.jsp<%@ page contentType="text
2020-07-31 23:07:29
1468
原创 springmvc入门bug--＜url-pattern＞/＜/url-pattern＞
最近学习springmvc入门程序中遇到了一个小问题，就是编写web.xml时，<url-pattern>/</url-pattern>这句话缺少了中间的那个/，看似不起眼，但是致命伤害。servlet-mapping作用：如果url－pattern定义的是路径，那么以后所有对这个路径下资源的请求都会由servlet－name中定义的servlet处理；如果url－pattern定义的是资源格式例如*.do等，那么对于所有符合这种格式的资源的请求都由指定的servle
2020-07-31 16:48:38
657
原创 Spring系列之Spring常用注解总结
传统的Spring做法是使用.xml文件来对bean进行注入或者是配置aop、事物，这么做有两个缺点：1、如果所有的内容都配置在.xml文件中，那么.xml文件将会十分庞大；如果按需求分开.xml文件，那么.xml文件又会非常多。总之这将导致配置文件的可读性与可维护性变得很低。2、在开发中在.java文件和.xml文件之间不断切换，是一件麻烦的事，同时这种思维上的不连贯也会降低开发的效率。为...
2020-04-19 19:23:42
197
原创 Python
分别从前端、后端、数据库阐述web项目的性能优化前端优化：1、减少http请求、例如制作精灵图2、html和CSS放在页面上部，javascript放在页面下面，因为js加载比HTML和Css加载慢，所以要优先加载html和css,以防页面显示不全，性能差，也影响用户体验差后端优化：1、缓存存储读写次数高，变化少的数据，比如网站首页的信息、商品的信息等。应用程序读取数据时，一般...
2019-10-04 17:15:27
129
原创 JAVA面经
目录数据库索引怎么实现的B_TREE1.定义2、B_TREE的查找B+树1、b+树，是b树的一种变体，查询性能更好。m阶的b+树的特征：█2、b+树相比于b树的查询优势：红黑树(一)之 原理和算法详细介绍SQL题目哈希冲突：内存泄漏的情况有哪些？http ，https区别一、HTTP和HTTPS的基本概念二、HTTP与HTTPS有什么区...
2019-09-28 21:27:35
241
原创 机器学习——深入理解K-means,KNN算法的区别
K-means方法是一种非监督学习的算法，它解决的是聚类问题。1、算法简介：K-means方法是聚类中的经典算法，数据挖掘十大经典算法之一；算法接受参数k,然后将事先输入的n个数据对象划分为k个聚类以便使得所获得的聚类满足聚类中的对象相似度较高，而不同聚类中的对象相似度较小。2、算法思想：以空间中k个点为中心进行聚类，对最靠近他们的对象归类，通过迭代的方法，逐次更新各聚类中心的值，直到得到...
2019-08-15 11:22:46
979
翻译 Xgboost调参--针对过拟合和非平衡数据
调参须知：在机器学习中，调参是一项dark art(可以理解为一项优美而道不明的事情)。一个模型的最优参数取决于很多因素。因此不可能建立一个完备的调参说明书去获取最优参数。理解 Bias-Variance tradeoff(先说一下tradeoff的意思：就是折中的意思，这里是说)如果你上过机器学习或者统计学课程，这是一个非常重要的概念。当我们允许一个模型非常复杂的时候（比如，增加每一棵树...
2019-08-14 10:55:31
2331
原创 JAVA基础
JVM的垃圾收集（GC)原理https://blog.csdn.net/strawqqhat/article/details/83627594设计模式https://blog.csdn.net/strawqqhat/article/details/84680240static特点1，随着类的加载。静态会随着类的消失而消失。说明他的周期最长2，优先于对象的存在，静态是先存在，...
2019-07-31 11:19:38
85
转载 Python 学习 —— Numpy 、Pandas 傻傻分不清楚
之前的文章里面谈到过，我从R转到Python上，一个很大的不习惯就是R的数据结构比较简单，但是Python的数据类型比较多，很容易就令人头脑混乱。但是今天学习了一下Udacity的课程，顿时就清楚多了。 Python最基础的数据类型包括数组、列表、字典比较常见的。而Numpy和Pandas的数据类型是在基础数据类型上建立，彼此相关，又彼此不同。 Numpy里面最基本的就是...
2019-07-29 11:04:47
647
转载 Python 调试器之pdb
Python 调试器之pdb使用PDB的方式有两种:1. 单步执行代码,通过命令 python -m pdb xxx.py 启动脚本，进入单步执行模式pdb命令行：1）进入命令行Debug模式，python-mpdb xxx.py2）h：（help）帮助3）w：（where）打印当前执行堆栈4）d：（down）执行跳转到在当前堆栈的...
2019-07-28 20:29:49
255
原创 机器学习——随机森林（Random Forest）
目录1 什么是随机森林？2 随机森林的特点3 随机森林的相关基础知识4 随机森林的生成5 随机森林的随机性体现：6 袋外错误率（oob error）7 随机森林的Python实现1 什么是随机森林？ 随机森林就是通过集成学习的思想将多棵树集成的一种算法，它的基本单元是决策树，而它的本质属于机器学习的一大分支——集成学习（Ensemble Learning）方法...
2019-07-24 14:43:33
2455
1
原创 与老杨交流
7/15 朴素贝叶斯优缺点https://www.cnblogs.com/pinard/p/6069267.html6/30 优化方法https://www.cnblogs.com/guoyaohua/p/8542554.html6/29pandas，五中回归损失函数再看6/27时间序列模型预测方法https://zhuanlan.zhihu.com/p/544138136...
2019-06-23 23:16:48
193
原创 机器学习——LDA
步骤：1 计算类内散度矩阵2 计算类间散度矩阵3 计算矩阵4计算矩阵的最大值的d个特征值5 计算d个特征值对应的d个特征向量，计算投影矩阵为W6 输出新样本集={(p1,y1),(p2,y2)...(pm,ym)}具体推导：定义：j 类样本个数 j 类样本集合 j 类样本均值j 类协方差矩阵均值 ...
2019-06-22 11:45:59
1219
原创 推荐系统——基于邻域的算法
基于用户的协同过滤算法（UserCF）步骤：（1）找到和目标用户兴趣相似的用户集合 （2）找到这个集合中用户喜欢却没听过的物品推荐 ...
2019-05-26 11:11:44
820
原创 机器学习——L1、L2正则化
正则化的本质是一种回归的形式，它将系数估计朝零的方向进行约束、调整或缩小，它可以在学习过程中降低模型复杂度和不稳定程度，从而避免过拟合的危险。范数是衡量某个向量空间（或矩阵）中的每个向量以长度或大小。范数的一般化定义：对实数p>=1， 范数定义如下：L1范数当 p=1时，是L1范数，其表示某个向量中所有元素绝对值的和L2范数当p=2时，是L2范数， 表示某个向量中...
2019-05-08 17:33:58
333
原创 机器学习——逻辑回归(logistics regression)
目录一.分类和回归任务的区别二.逻辑回归不是回归三.如果是你,你要怎么做四.把回归函数掰弯五.选定阈值六.最大似然估计七.求解交叉熵损失函数八.总结一.分类和回归任务的区别我们可以按照任务的种类,将任务分为回归任务和分类任务.那这两者的区别是什么呢?按照较官方些的说法,输入变量与输出变量均为连续变量的预测问题是回归问题,输出变量为有...
2019-05-05 20:58:32
303
原创 Linux 简单教程
文章目录Linux基本指令ls和cd cd指令 ls指令 Linux基本指令touch,cp和mv touch指令(新建文件) cp指令(复制文件) mv指令(移动文件) Linux基本指令mkdir,rmdir和rm mkdir建立文件夹 rmdir移除文件夹 rm移除文件 Linux基本指令nano和cat nano cat Linux文件权限 ls查看权限...
2019-04-30 10:47:36
310
原创 机器学习——Xgboost原理阐述
1. AbstractBoosting tree是一种有广泛应用的技术。听到boosting一词都知道它是一种迭代的更新的逐步降低模型整体的误差的办法如Adboost，当年Adboost跟SVM统治了整个机器学习界。最近我阅读了XGboost（下面简称XGB）论文，想跟大家分享一下自己的读后感，也自己的学习做个笔记。首先先说说XGB在实战上面的成就吧。以机器学习竞赛网站Kaggle举办的挑战...
2019-04-25 11:46:25
632
原创 机器学习 “距离” “相似度”相关总结
在机器学习中，往往通过计算距离、相似度来进行两类别之间的判别，尤其是在自然语言处理领域有着重要应用，这些概念大多源于数学领域的度量、测量等概念。英文名 中文名 公式 说明 Euclidean Distance 欧式距离 以古希腊数学家欧几里得命名的距离；也就是我们直观的两点之间直线最短的直线距离 Manhattan Distance 曼哈顿距...
2019-04-23 10:33:04
590
转载 从Inception 结构 到 Xception 结构算法详解
论文：Xception: Deep Learning with Depthwise Separable Convolutions论文链接：https://arxiv.org/abs/1610.02357算法详解：Xception是google继Inception后提出的对Inception v3的另一种改进，主要是采用depthwise separable convolution来...
2019-04-15 16:17:27
1157
原创 机器学习——(SVM)支持向量机
该算法属于监督学习的一种，并且svm是最好的现成的分类器，这就意味着，在数据上应用基本形式的svm分类器就可以得到低错误率的结果。svm能对训练集以外的数据做出很好的分类决策在吴恩达机器学习视频中，首先通过逻辑回归中的0,1类所对应的损失函数开始，演变成支持向量机：支持向量机在我理解的：演变过程就是将内部的log函数替换成cos函数，其他的1/m不影响θ值，则直接可以换成一个...
2019-04-13 19:13:32
222
原创 牛顿迭代算法求根
公式推导：f（Xn）+f‘（Xn）*（X-Xn）(切线方程)让求解的切线方程为0，即：f（Xn）+f‘（Xn）*（Xn+1 - Xn）=0进而推导出：Xn+1 = Xn -f（Xn）/f‘（Xn）当Xn+1与Xn之间差值无限接近时，即得到最终解。例如求取方根，令f（Xn）= Xn^2 - n代入即可python3.5代码实现：#coding:__utf-8_...
2019-04-09 11:33:22
1347
转载 特征工程——定义，数据筛选
使用sklearn做单机特征工程目录1 特征工程是什么？2 数据预处理 2.1 无量纲化 2.1.1 标准化 2.1.2 区间缩放法 2.1.3 标准化与归一化的区别 2.2 对定量特征二值化 2.3 对定性特征哑编码 2.4 缺失值计算 2.5 数据变换 2.6 回顾3 特征选择 3.1 Filter 3.1.1 方差选择法...
2019-03-20 13:30:49
341
原创 机器学习——梯度下降法
梯度下降（Gradient Descent）算法是机器学习中使用非常广泛的优化算法。当前流行的机器学习库或者深度学习库都会包括梯度下降算法的不同变种实现。接下来我将介绍三种梯度下降算法：随机梯度下降算法、批量梯度下降算法、小批量梯度下降算法梯度下降梯度下降原理：将函数比作一座山，我们站在某个山坡上，往四周看，从哪个方向向下走一小步，能够下降的最快，很明显从起始点出发最陡的地方下降最快，这...
2018-11-03 22:20:18
853
转载 Linux 解压文件详解
Linux下的压缩解压缩命令详解及实例实例：压缩服务器上当前目录的内容为xxx.zip文件zip -r xxx.zip ./*解压zip文件到当前目录unzip filename.zip============================另：有些服务器没有安装zip包执行不了zip命令，但基本上都可以用tar命令的，实例如下： tar -zcvf /home/z...
2018-10-26 10:08:00
153
转载 linux 快捷方式创建命令
Linux 下快速创建桌面快捷方式方便以后可以快速的在 Linux 下创建桌面快捷键，特此记录下。一 在Linux 中桌面快捷键都放在哪在 Linux 下所有的桌面快捷方式都放在/usr/share/applications/文件夹中快捷方式二 创建一个桌面快捷方式demo：创建 微信 的快捷方式1.创建一个wechat.desktop文件并打开进入...
2018-10-26 09:55:42
6191
原创 python——索引和切片
索引和切片：python当中数组的索引和其他语言一样，从0~n-1，使用索引的方法也是中括号，但是python中的切片的使用简化了代码索引：取出数组s中第3个元素：x=s[2]切片：用极少的代码将数组元素按需处理的一种方法。切片最少有1个参数，最多有3个参数，演示如下：我们假设下面所用的数组声明为array=[2,3,4,5,6]1个参数：array[1:]——从下标为1的元素...
2018-10-24 19:50:55
5018
2
转载 学习数据挖掘资源
转载地址：https://www.cnblogs.com/Leo_wl/p/4928924.html数据挖掘的学习资源数据挖掘（Data Mining）作为一个领域，比机器学习要大，偏应用。互联网公司也大量使用数据挖掘技术，作为即将毕业进入互联网公司从事机器学习算法开发的我，最近计划系统了解一下这方面的理论和技术。作为一个习惯，学习一个东西之前总要上网找找学习资源（网站，书籍，学术期刊会议...
2018-09-29 19:28:35
293
转载 进程与线程最好的诠释
进程（process）和线程（thread）是操作系统的基本概念，但是它们比较抽象，不容易掌握。最近，我读到一篇材料，发现有一个很好的类比，可以把它们解释地清晰易懂。计算机的核心是CPU，它承担了所有的计算任务。它就像一座工厂，时刻在运行。假定工厂的电力有限，一次只能供给一个车间使用。也就是说，一个车间开工的时候，其他车间都必须停工。背后的含义就是，单个CPU一次只能运行一个任务。...
2018-09-16 10:34:09
120
原创 MATLAB分析曲线相关性
有很多种方法，比如相关：corrcoef(y1, y2)示例代码：>> corrcoef(a,b)ans = 1.0000 0.6440 0.6440 1.0000其中（1,1）与（2,2）为aa和bb相关系数，（1,2）为a，b相关系数，（2,1）为b，a相关系数比如R-square (VAF):norm(y1 - mean(y2...
2018-09-13 11:33:20
13528
1
转载 关于Anaconda中PackageNotFoundError: Package not found: &apos;&apos; Package missing in current
摘要：一、Anaconda作为一个工具包集成管理工具,下载python工具包是很方便的,直接敲:condainstallpackage_name但是有时候安装一个工具包(如xmltodict)的时候,在当前的channels中找不到这个包,会提示:condainstallpydotFetchingpackagemetadata.......Solvingpackagespecifications:...
2018-03-13 14:39:25
29450
1
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人