08 2019 档案
摘要：从CNN到GCN的联系与区别： https://www.zhihu.com/question/54504471/answer/332657604 更加详解Laplacian矩阵： https://www.zhihu.com/question/54504471/answer/630639025 GCN
阅读全文
摘要：风控算法大纲： 风控建模： https://zhuanlan.zhihu.com/p/79097788
阅读全文
摘要：有用的链接： 文档下载：http://wenku.baiduvvv.com/……百度文库下载：http://www.hiwenku.com/ 商品历史价格查询：http://item.jdvvv.com/……商品历史价格查询：http://www.hisprice.cn/
阅读全文
摘要：PCA 实现： 参考博客：https://blog.csdn.net/u013719780/article/details/78352262 kPCA 1、核主成份分析 Kernel Principle Component Analysis:1）现实世界中，并不是所有数据都是线性可分的2）通过LDA
阅读全文
摘要：转自github: https://github.com/heucoder/dimensionality_reduction_alo_codes 网上关于各种降维算法的资料参差不齐，同时大部分不提供源代码；在此通过借鉴资料实现了一些经典降维算法的Demo(python)，同时也给出了参考资料的链接。
阅读全文
摘要：胶囊网络是 vector in vector out的结构，最后对每个不同的类别，输出不一个向量，向量的模长表示属于该类别的概率。 例如，在数字识别中，两个数字虽然重叠在一起，Capsule中的两个向量能完整表达两个数字的特征，虽然有些特征重叠在一起导致难以分辨。 因为胶囊网络中：用向量模的大小衡量
阅读全文
摘要：1. this指针的用处: 一个对象的this指针并不是对象本身的一部分，不会影响sizeof(对象)的结果。this作用域是在类内部，当在类的非静态成员函数中访问类的非静态成员的时候，编译器会自动将对象本身的地址作为一个隐含参数传递给函数。也就是说，即使你没有写上this指针，编译器在编译的时候也
阅读全文
摘要：第一: private,public,protected的访问范围: private: 只能由该类中的函数、其友元函数访问,不能被任何其他访问，该类的对象也不能访问. protected: 可以被该类中的函数、子类的函数、以及其友元函数访问,但不能被该类的对象访问public: 可以被该类中的函数、
阅读全文
摘要：1. 引入inline关键字的原因 在c/c++中，为了解决一些频繁调用的小函数大量消耗栈空间（栈内存）的问题，特别的引入了inline修饰符，表示为内联函数。 栈空间就是指放置程序的局部数据（也就是函数内数据）的内存空间。 在系统下，栈空间是有限的，假如频繁大量的使用就会造成因栈空间不足而导致程序
阅读全文
摘要：一、为什么使用命名空间 考虑一种情况，当我们有两个同名的人，Zara，在同一个班里。当我们需要对它们进行区分我们必须使用一些额外的信息和它们的名字，比如这个区域，如果它们生活在不同的区域或者它们的母亲或父亲的名字，等等。 在您的C++应用程序中也会出现同样的情况。例如，您可能正在编写一些具有名为xy
阅读全文
摘要：首先, C++中的explicit关键字只能用于修饰只有一个参数的类构造函数, 它的作用是表明该构造函数是显示的, 而非隐式的, 跟它相对应的另一个关键字是implicit, 意思是隐藏的,类构造函数默认情况下即声明为implicit(隐式). 那么显示声明的构造函数和隐式声明的有什么区别呢? 我们
阅读全文
摘要：一、virtual 修饰基类中的函数，派生类重写该函数： #include using namespace std; class A{ public: virtual void display(){ cout<<"A"<<ENDL; } }; class B : public A{ public:
阅读全文
摘要：在 shell 中我们会见到 $0、$1、$2这样的符号，这是什么意思呢? 简单来说 $0 就是你写的shell脚本本身的名字，$1 是你给你写的shell脚本传的第一个参数，$2 是你给你写的shell脚本传的第二个参数 比如你新建了一个shell脚本 Test.sh, 内容如下： 保存退出后，你
阅读全文
摘要：官方代码结构解析，README.MD XGboost 回归时，损失函数式平方误差损失 分类时，是对数自燃损失； XGBoost: eXtreme Gradient Boosting An optimized general purpose gradient boosting library. The
阅读全文
摘要：原文地址：http://blog.csdn.net/f_zyj/article/details/51735416 .hpp，本质就是将.cpp的实现代码混入.h头文件当中，定义与实现都包含在同一文件，则该类的调用者只需要include该.hpp文件即可，无需再将cpp加入到project中进行编译。
阅读全文
摘要：建议参考SparkSQL官方文档：http://spark.apache.org/docs/latest/sql-programming-guide.html 一、前述 1、SparkSQL介绍 Hive是Shark的前身，Shark是SparkSQL的前身,SparkSQL产生的根本原因是其完全脱
阅读全文
摘要：RDD 介绍 RDD，全称Resilient Distributed Datasets（弹性分布式数据集），是Spark最为核心的概念，是Spark对数据的抽象。 RDD是分布式的元素集合，每个RDD只支持读操作，且每个RDD都被分为多个分区存储到集群的不同节点上。除此之外，RDD还允许用户显示的指
阅读全文
摘要：1.RDD介绍： RDD，弹性分布式数据集，即分布式的元素集合。在spark中，对所有数据的操作不外乎是创建RDD、转化已有的RDD以及调用RDD操作进行求值。在这一切的背后，Spark会自动将RDD中的数据分发到集群中，并将操作并行化。 Spark中的RDD就是一个不可变的分布式对象集合。每个RD
阅读全文
摘要：List to Array List 提供了toArray的接口，所以可以直接调用转为object型数组 上述方法存在强制转换时会抛异常，下面此种方式更推荐：可以指定类型 Array to List 最简单的方法似乎是这样 解决方案： 1、运用ArrayList的构造方法是目前来说最完美的作法，代码
阅读全文
摘要：很多人不是特别明白并发编程和并行编程的区别所在，有很多人很容易搞混淆，觉得二者近似相等，本文将用几个浅显易懂的例子，来说明一下什么是并发和并行。 1、任务与多任务 关于什么是进程，什么是线程，这里不打算多说，关于每一种开发语言的多线程处理技术语法上有所区别，原理很多类似，可以查阅相关的参考书。什么是
阅读全文
摘要：类库选择 Java中并没有内置JSON的解析，因此使用JSON需要借助第三方类库。 下面是几个常用的 JSON 解析类库： Gson: 谷歌开发的 JSON 库，功能十分全面。 FastJson: 阿里巴巴开发的 JSON 库，性能十分优秀。 Jackson: 社区十分活跃且更新速度很快。 以下教程
阅读全文
摘要：package com.example.demo; import java.util.ArrayList; import java.util.Arrays; import java.util.HashMap; import java.util.List; import java.util.Map; import org.apache.spark.api.java.JavaRDD; import o
阅读全文
摘要：任何Spark程序都是SparkContext开始的，SparkContext的初始化需要一个SparkConf对象，SparkConf包含了Spark集群配置的各种参数。 初始化后，就可以使用SparkContext对象所包含的各种方法来创建和操作RDD和共享变量。 Scala： val conf
阅读全文
摘要：本文链接：https://blog.csdn.net/TsuiXh/article/details/87879004在开发中在使用Map时，如果需要将Map作为临时的数据存储和处理，可以不用每次都去新建一个Map，可以使用clear方法来进行清空Map。 输出如下：
阅读全文
摘要：There is no royal road to learning. 博主：JavaPanda https://www.cnblogs.com/LearnAndGet/p/10009646.html 目录 1.创建json对象 1.1 创建JSONObject对象 1.2 创建JSONArray对
阅读全文
摘要：“Presto是Facebook最新研发的数据查询引擎，可对250PB以上的数据进行快速地交互式分析。据称该引擎的性能是 Hive 的 10 倍以上。”，亲身用过之后，觉得比hive快了10倍不止。 hive中查询日期间隔的函数是datediff: 结果是2。 presto中我们需要达到相同的目的，
阅读全文
摘要：本书到目前为止都是在讨论TopN推荐，即给定一个用户，如何给他生成一个长度为N的推荐列表，使该推荐列表能够尽量满足用户的兴趣和需求。 本书之所以如此重视TopN推荐，是因为它非常接近于满足实际系统的需求，实际系统绝大多数情况下就是给用户提供一个包括N个物品的个性化推荐列表。 评分预测问题最基本的数据
阅读全文
摘要：前面几章介绍了各种各样的数据和基于这些数据的推荐算法。在实际系统中，前面几章提到的数据大都存在，因此如何设计一个真实的推荐系统处理不同的数据，根据不同的数据设计算法，并将这些算法融合到一个系统当中是本章讨论的主要问题。本章将首先介绍推荐系统的外围架构，然后介绍推荐系统的架构，并对架构中每个模块的设计
阅读全文
摘要：基于社交网络的推荐可以很好地模拟现实社会。在现实社会中，很多时候我们都是通过朋友获得推荐。 美国著名的第三方调查机构尼尔森调查了影响用户相信某个推荐的因素。调查结果该调查可以看到，好友的推荐对于增加用户对推荐结果的信任度非常重要。 尼尔森测试了同一个品牌的3种不同形式的广告。第一种广告和第二种广告都
阅读全文
