上一页 1 ··· 7 8 9 10 11 12 13 14 15 ··· 32 下一页
摘要: 一,问题描述 搭建的用来测试的单节点Kafka集群(Zookeeper和Kafka Broker都在同一台Ubuntu上),在命令行下使用: 创建了一个3个分区的Topic如下:(Topic名称为 topicForTest) 使用 Console producer/consumer都能够正常地向to 阅读全文
posted @ 2017-08-19 15:35 大熊猫同学 阅读(76813) 评论(3) 推荐(5) 编辑
摘要: 本文记录使用Intellij创建Maven Web工程搭建Spring MVC + Mybatis 的一个非常简单的示例。关于Mybatis的入门使用可参考这篇文章,本文在该文的基础上,引入了Spring MVC功能。首先是创建项目: 打开Intellij,File-->new Project >选 阅读全文
posted @ 2017-08-12 19:37 大熊猫同学 阅读(1019) 评论(1) 推荐(1) 编辑
摘要: 在实际应用中经常会比较两个对象是否相等,比如下面的Address类,它有两个属性:String province 和 String city。 在现实生活中我们认为若两个 Address 的 province 和 city 属性相同,则它们应该是同一个地址(省市都一样,当然就是同一个地区啦)。但下面 阅读全文
posted @ 2017-08-09 21:35 大熊猫同学 阅读(3759) 评论(0) 推荐(0) 编辑
摘要: 本文记录第一次使用Mybatis时碰到的一些错误和简单理解,采用的示例是Eclipse中的JAVA工程,采用XML文件定义数据库连接。 可以使用Java JDBC API直接操作数据库,但使用框架会更便捷、高效而且还可以利用框架提供的某些强大的功能(比如事务管理),而Mybatis就是这样的一个框架 阅读全文
posted @ 2017-08-05 17:35 大熊猫同学 阅读(1837) 评论(0) 推荐(0) 编辑
摘要: 一,问题描述 给定100万个区间对,假设这些区间对是互不重叠的,如何判断某个数属于哪个区间? 首先需要对区间的特性进行分析:区间是不是有序的?有序是指:后一个区间的起始位置要大于前一个区间的终点位置。如:[0,10],[15,30],[47,89],[90,100]…..就是有序的区间[15,30] 阅读全文
posted @ 2017-07-28 22:22 大熊猫同学 阅读(7115) 评论(0) 推荐(1) 编辑
摘要: 一,几个基本概念 ①JSONArray 相当于 JAVA中的List<Object>,如:['a','b','c'....] ②JSONObject相当于JAVA中的Map<String, Object>,如:{'1':'a', '2':'b'...} ③对于具有结构层次的JSON格式的数据,可以一 阅读全文
posted @ 2017-07-26 21:50 大熊猫同学 阅读(30039) 评论(0) 推荐(1) 编辑
摘要: PCA(Principal Components Analysis),它是一种“投影(projection)技巧”,就是把高维空间上的数据映射到低维空间。比如三维空间的一个球,往坐标轴方向投影,变成了一个圆。球是3维的,圆是2维的。在球变成圆的这个投影过程中,丢失了原来物体(球)的一部分“性质” 圆 阅读全文
posted @ 2017-04-18 17:55 大熊猫同学 阅读(14709) 评论(0) 推荐(1) 编辑
摘要: 一,感知机模型 1,超平面的定义 令w1,w2,...wn,v都是实数(R) ,其中至少有一个wi不为零,由所有满足线性方程w1*x1+w2*x2+...+wn*xn=v 的点X=[x1,x2,...xn]组成的集合,称为空间R的超平面。 从定义可以看出:超平面就是点的集合。集合中的某一点X,与向量 阅读全文
posted @ 2017-04-15 19:39 大熊猫同学 阅读(21037) 评论(5) 推荐(2) 编辑
摘要: 在前面两篇文章中: 机器学习中的贝叶斯方法 先验概率、似然函数、后验概率的理解及如何使用贝叶斯进行模型预测(1) 机器学习中的贝叶斯方法 先验概率、似然函数、后验概率的理解及如何使用贝叶斯进行模型预测(2) 我们以抛硬币作为示例,介绍了如何使用概率论的方法来构造机器学习中的预测模型 通过概率论理论来 阅读全文
posted @ 2017-04-05 16:43 大熊猫同学 阅读(5136) 评论(0) 推荐(0) 编辑
摘要: 在 机器学习中的贝叶斯方法 先验概率、似然函数、后验概率的理解及如何使用贝叶斯进行模型预测(1) 文章中介绍了先验分布和似然函数,接下来,将重点介绍后验概率,即通过贝叶斯定理,如何根据先验分布和似然函数,求解后验概率。 在这篇文章中,我们通过最大化似然函数求得的参数 r 与硬币的抛掷次数(抛掷次数是 阅读全文
posted @ 2017-04-01 20:59 大熊猫同学 阅读(6614) 评论(0) 推荐(1) 编辑
上一页 1 ··· 7 8 9 10 11 12 13 14 15 ··· 32 下一页