【基于SSH框架的个人博客系统05】ajax异步通讯技术与json交互
版权声明：本文为博主原创文章，未经博主允许不得转载。 https://blog.csdn.net/Hemk340200600/article/details/71437161 注意：本项目为博主初学Web开发时所写，所使用的方法都比较笨，不符合主流开发方法。例如，包管理应该使用Maven进行管理而不是手动导入，对前端后端代码的架构也并不是很清晰。大家学习思想即可，可以不用浪费时间在将这个项目跑起来。目前主流的技术应当是Spring+SpringMVC+Mybatis的SSM框架，配合Shiro
Linux 基础总结---MS****
Sblime ctrl+n 新建文件 ctrl+ 滚轴 ctrl+shift+n 新建目录 系统管理 <1>查看当前日历：cal
<2>显示或设置时间：date
<3>查看进程信息：ps
<4>动态显示进程：top
<5>终止进程：kill
<6>关机重启：reboot、shutdown、init
关机：showdown-h now , init0
重启：reboot ,shutdown-r now, init6
<7>检测磁盘空间：df
<8>检测目录所占磁
机器学习中的基础知识（入门中篇）
版权声明：系CDA数据分析师原创作品,转载需授权 https://blog.csdn.net/yoggieCDA/article/details/87450947 机器学习涉及到的知识有很多，我们在前面的文章中也给大家列举了大量的机器学习的概念，想要了解这些概念不是一个十分简单的事情，但是我们只要理解了这些我们就能够更好地去做机器学习工作，从而为人工智能服务。下面我们就给大家介绍一下机器学习中另外一部分的基础知识。 （1）标签就是在监督式学习中，样本的答案或结果。标注数据集中的每个样本包含一或
【基于SSH框架的个人博客系统06】头像文件上传与前后端分页机制
版权声明：本文为博主原创文章，未经博主允许不得转载。 https://blog.csdn.net/Hemk340200600/article/details/71437225 注意：本项目为博主初学Web开发时所写，所使用的方法都比较笨，不符合主流开发方法。例如，包管理应该使用Maven进行管理而不是手动导入，对前端后端代码的架构也并不是很清晰。大家学习思想即可，可以不用浪费时间在将这个项目跑起来。目前主流的技术应当是Spring+SpringMVC+Mybatis的SSM框架，配合Shiro
机器学习中的基础知识（深入中篇）
版权声明：系CDA数据分析师原创作品,转载需授权 https://blog.csdn.net/yoggieCDA/article/details/87457606 在上一篇文章中我们给大家介绍了很多机器学习中深层次的基础知识，看起来这是一句十分矛盾的话，但是我们不难发现越往后介绍的知识的理解难度逐渐加大，所以就需要我们对前面的文章提到的知识做到掌握才行，我们在这篇文章中继续为大家介绍机器学习中的其他部分的知识。 （1）归一化就是将值的实际区间转化为标准区间的过程，标准区间通常是-1 到+1 或
【机器学习】潜在语义分析LSA和PLSA
版权声明：本文为博主原创文章，未经博主允许不得转载。 https://blog.csdn.net/Hemk340200600/article/details/86246410 文章目录 1.词袋模型(BOW) 2.潜在语义分析 (LSA) 2.1 LSA的优点 2.2 LSA的不足 3. PLSA(基于概率的LSA) 1.词袋模型(BOW) 在自然语言处理NLP领域中，词袋模型（bag of words,BOW）是经典的模型之一。它考虑所有的词汇都装在一个袋子中，任何一篇文档中的单词都可以
机器学习中的基础知识（深入下篇）
版权声明：系CDA数据分析师原创作品,转载需授权 https://blog.csdn.net/yoggieCDA/article/details/87458045 我们都知道，机器学习是人工智能中十分重要的内容，所以在前面的文章中我们给大家介绍了很多关于机器学习的知识，这些知识只是概念，还不是机器学习中更加深入的内容，不过要想学习深入知识就需要了解基础知识，下面我们就给大家介绍一下机器学习中的基础知识。 （1）正类，在二元分类中，有两种类别：正类和负类。正类是我们测试的目标。 （2）精度就是分
详解机器学习中的K近邻算法（上）
版权声明：系CDA数据分析师原创作品,转载需授权 https://blog.csdn.net/yoggieCDA/article/details/87459552 在人工智能中，机器学习是一个十分重要的内容，而在机器学习中，k近邻算法是一个十分容易理解的机器学习算法。正因为容易理解，并且k近邻算法也是一个十分重要的内容，所以我们在这几篇文章中给大家介绍一下k近邻算法的具体内容，希望这篇文章能够帮助到大家。 不少朋友问，k近邻算法能够给我们带来什么呢？我们就从几个方面解答一下这个问题。在评估算法
【机器学习算法推导】高斯混合模型GMM与EM算法
版权声明：本文为博主原创文章，未经博主允许不得转载。 https://blog.csdn.net/Hemk340200600/article/details/86498601 文章目录 1.高斯混合模型（GMM） 2.Jensen不等式 3.EM算法及推导过程 1.高斯混合模型（GMM） 极大似然估计是一种应用很广泛的参数估计方法。在已有某个地区身高数据以及知道身高服从高斯分布的情况下，利用极大似然估计的方法可以估计出高斯分布 μ,σ\mu,\sigmaμ,σ两个参数。 如果是多组数据
大数据结构的使用攻略（一）
版权声明：系CDA数据分析师原创作品,转载需授权 https://blog.csdn.net/yoggieCDA/article/details/87541454 我们在进行大数据使用的时候需要了解大数据的结构，了解这些结构我们会让我们学习大数据更加得心应手。下面我们给大家介绍一下大数据结构在什么时候使用，大数据怎么使用，希望这篇文章能够给大家带来帮助。 首先我们说一下什么时候就是用大数据结构，大数据的结构数据源、数据存储、批处理、实时消息引入、流处理、分析数据储存、分析和报告、业务流程，而当
【机器学习算法推导】隐马尔科夫模型HMM及相关算法
版权声明：本文为博主原创文章，未经博主允许不得转载。 https://blog.csdn.net/Hemk340200600/article/details/86528437 文章目录 1.隐马尔可夫模型HMM 1.1 简介 1.2 定义 1.3 实例 1.4 生成观测序列 1.5 HMM的三个基本问题 2.前向后向算法 2.1 暴力求法 2.2 前向算法 2.3 后向算法 3.鲍勃-韦尔奇算法 3.1 对$\pi_i$求导 3.2 对$a_{ij}$求导 3.3 对$b_j$求导 3.4 算
【机器学习算法推导】隐狄利克雷模型LDA
版权声明：本文为博主原创文章，未经博主允许不得转载。 https://blog.csdn.net/Hemk340200600/article/details/86599119 文章目录 1.统计学基础 1.1 二项分布 1.2 多项式分布 1.3 Gamma分布 1.4 Beta分布 1.5 狄利克雷分布Dirichlet 2.概率论基础 2.1 马氏链及其收敛性 2.2 MCMC算法 2.3 Metropolis-Hastings算法 2.4 吉布斯采样(Gibbs Sampling) 3.
常见的大数据架构都有哪些（二）
版权声明：系CDA数据分析师原创作品,转载需授权 https://blog.csdn.net/yoggieCDA/article/details/87542863 我们在上一篇文章中给大家介绍了传统的大数据架构的内容，以及传统大数据架构的优缺点、流式架构和适用场景，如果我们学习大数据的时候一定要掌握这些大数据知识。今天再这篇文章中我们给大家介绍一下大数据架构的其他架构。 首先我们给大家介绍一下流式架构，流式架构在大数据中应用十分广泛，在传统大数据架构的基础上，流式架构非常激进，直接取消了批处理
【机器学习降维】拉普拉斯矩阵与谱聚类
版权声明：本文为博主原创文章，未经博主允许不得转载。 https://blog.csdn.net/Hemk340200600/article/details/86687630 文章目录 1.拉普拉斯矩阵 1.1 简介 1.2 性质 2. 瑞利熵 3.谱聚类 4. Laplacian Eigenmaps 1.拉普拉斯矩阵 1.1 简介 拉普拉斯矩阵（Laplacian matrix），也称为基尔霍夫矩阵, 是表示图的一种矩阵。给定一个有n个顶点的图G=(V,E),其拉普拉斯矩阵定义为： L=
常见的大数据架构都有哪些（三）
版权声明：系CDA数据分析师原创作品,转载需授权 https://blog.csdn.net/yoggieCDA/article/details/87543563 在大数据的发展下，很多的企业也开始重视大数据的应用。而在生活中，大数据也开始变得十分流行了，这些都得益于大数据的架构生态圈打通。我们在这篇文章中重点给大家介绍一下大数据的架构实例，希望能够帮助大家更好地理解大数据架构。 说到大数据的结构我们需要先介绍一下大数据，大数据指无法在一定时间范围内用常规软件工具进行捕捉、管理和处理的数据集合
【机器学习传统算法】感知机模型
版权声明：本文为博主原创文章，未经博主允许不得转载。 https://blog.csdn.net/Hemk340200600/article/details/87540695 1. 感知机模型 感知机模型是一个二分类的模型，它通过形如 y=wx+by=wx+by=wx+b的式子将实例x转换为类别，取+1和-1表示，从而将实例进行划分。它是简单并且容易实现的一个模型。 感知机模型主要用来将平面上线性可分的数据集进行划分，对于线性不可分的数据集，感知机无法收敛。 感知机模型的输入输出由
大数据的架构实例（一）
版权声明：系CDA数据分析师原创作品,转载需授权 https://blog.csdn.net/yoggieCDA/article/details/87544649 在大数据的发展下，很多的企业也开始重视大数据的应用。而在生活中，大数据也开始变得十分流行了，这些都得益于大数据的架构生态圈打通。我们在这篇文章中重点给大家介绍一下大数据的架构实例，希望能够帮助大家更好地理解大数据架构。 说到大数据的结构我们需要先介绍一下大数据，大数据指无法在一定时间范围内用常规软件工具进行捕捉、管理和处理的数据集合
过年了，就别再背电脑回家
Facebook提高工作效率10法 Only plan for 4 hours of real work per day. 每天只规划4个小时专心编码，因为还有很多扯皮的会要开。 Work more when you’re in the zone. Relax when you’re not. 在状态时，就多干一些，不在状态时，就去做个大保健。 Stop multi-tasking. It merely kills your focus. 程序员要单核，一次只干一件事。 Doing is be
模块化UPS与数据中心供配电架构的发展方向
站在行业的角度，模块化UPS有哪些特性尤其深受用户喜欢？模块化UPS在逐步成为应用主流的过程中，用户有哪些或深或浅的顾虑？未来十年，UPS、HVDC和低压直流是否会在数据中心的供配电系统里三足鼎立? “随需扩容”、“易维护”成为模块化UPS最大优势 根据300多位行业用户、专家、学者票选的结果来看，在数据中心建设中，随需扩容、易维护、高效率、高可用性以及占地小成为模块化UPS最大的优势。 近年来随着云计算等IT业务的飞速发展，机房服务器、计算机类设备供电需求不断提高，现代数据中心的建设越来越多
Springboot面试问题集锦
Q: 什么是spring boot？ A： 多年来，随着新功能的增加，spring变得越来越复杂。只需访问页面https://spring.io/projects，我们将看到所有在应用程序中使用的不同功能的spring项目。如果必须启动一个新的spring项目，我们必须添加构建路径或maven依赖项，配置application server，添加spring配置。因此，启动一个新的spring项目需要大量的工作，因为我们目前必须从头开始做所有事情。Spring Boot是这个问题的解决方案。S
今日推荐
周排行