其他

         Adaboost也是一種原理簡單，但很實用的有監督機器學習演算法，它是daptive boosting的簡稱。說到boosting演算法，就不得提一提bagging演算法，他們兩個都是把一些弱分類器組合起來來進行分類的方法，統稱為整合方法（ensemble

在前面已經講到了，變數安全問題。1.盡量不讓線程運行在同一個對象執行個體上，這是效率比較低的方式，而且在有的場合下，線程之間共用對象是不可避免的。2.把可能被共用的變數封裝在方法內部，使其成為方法的內部變數，這樣即使多線程並發執行到此方法，各個線程都擁有屬於自己的私人變數值。  相對來說第二種方法還是比較推薦的。下面就介紹ThreadLocal變數 ：一個ThreadLocal變數只能存放一個專有對象，如果線程需要多個專有對象的話。則需要設計多個ThreadLocal變數。下面就通過代碼來理解T

線程同步輔助類CyclicBarrierjava.uril.concurrent.CyclicBarrier是一個同步輔助類，不過這裡所指的同步不是本章前面一直強調的“線程同步”，而是指隸屬於同一個線程組中的線程必須在指定的“集合點”上到齊。這種同步就類似於士兵野外拉練，教官要求必須在幾個地點集合，再繼續分頭行動，然後再在某個地點集合....這幾個地點就稱為“集合點”CyclicBarrier 類的構造方法要求傳入要求同步的線程數量。CyclicBarrier 類最重要的方法是await()方法

       前一節的迴歸是一種全域迴歸模型，它設定了一個模型，不管是線性還是非線性模型，然後擬合資料得到參數，現實中會有些資料很複雜，肉眼幾乎看不出符合那種模型，因此構建全域的模型就有點不合適。這節介紹的樹迴歸就是為瞭解決這類問題，它通過構建決策節點把資料資料切分成地區，然後局部地區進行迴歸擬合。先來看看分類迴歸樹吧（CART:Classification And Regression

         01 簡單介紹         機率圖模型是圖論和機率論結合的產物，它的開創者是鼎鼎大名的Judea

阻塞隊列在應用開發領域，生產者——消費者模式代表了一種非同步通訊模式，基於這種模式發展出來的訊息傳遞機制更上一種應用架構模式。基於訊息傳遞機制的應用系統，既可能是傳統的Clinet/Servier架構，也可能打破這種格局，而形成P2P架構。 隊列(Queue)因為其"先進先出（FIFO）"的特點，成為經常應用於生產者-消費者模式的資料結構。在Java中java.uril.Queue介面定義的便是隊列這一資料結構，而並發工具包中的java.util.concurrent.BlockingQueue

        接下來就要說下無監督機器學習方法，所謂無監督機器學習前面也說過，就是沒有標籤的情況，對樣本資料進行群集、關聯性分析等。主要包括K均值聚類（K-means clustering）和關聯分析，這兩大類都可以說的很簡單也可以說的很複雜，學術的東西本身就一直在更新著。比如K均值聚類可以擴充一下形成層次聚類（Hierarchical

BlockingQueue 可以是限定容量的。它在任意給定時間都可以有一個 remainingCapacity，超出此容量，便無法無阻塞地 put 附加元素。沒有任何內部容量約束的 BlockingQueue 總是報告 Integer.MAX_VALUE 的剩餘容量。BlockingQueue 實現主要用於生產者-使用者隊列，但它另外還支援 Collection 介面。因此，舉例來說，使用 remove(x) 從隊列中移除任意一個元素是有可能的。然而，這種操作通常不

          《機器學習實戰》的最後的兩個演算法對我來說有點陌生，但學過後感覺蠻好玩，瞭解了一般的商品資料關聯分析和搜尋引擎智能提示的工作原理。先來看看關聯分析（association analysis）吧，它又稱關聯規則學習（association rule

 /** * */package com.huaxia.bank.test;import java.awt.Color;import java.awt.Dimension;import java.awt.Font;import java.awt.Toolkit;import java.awt.event.WindowAdapter;import java.awt.event.WindowEvent;import java.text.DateFormat;import

本文主要通過Itext jar包對已有資料進行封裝並匯出rtf文檔。rtf也可以用office開啟。代碼中包含了設定頁首頁尾、添加table等詳細見源碼：內含注釋說明/** * WordServer.java * 著作權(C) 2012 * 建立:cuiran 2012-11-07 13:20:40 */package com.cayden.web.base;import java.awt.Color;import java.io.FileOutputStream;import

       神經網路又火了，因為深度學習火了，所以必須增加個傳統神經網路的介紹,尤其是back propagation演算法。很簡單，俺也就不舞文弄墨的說複雜咯，神經網路模型如（圖一）所示：（圖一）         （圖一）中的神經網路模型是由多個感知器（perceptron）分幾層組合而成，所謂感知器就是單層的神經網路（準確的說應該不叫神經網路咯），它只有一個輸出節點，如（圖二）所示：(圖二)  感知器       

/** * */package org.eclipse.swt.snippets;import org.eclipse.swt.SWT;import org.eclipse.swt.events.SelectionAdapter;import org.eclipse.swt.events.SelectionEvent;import org.eclipse.swt.layout.FillLayout;import

 首先需要下載jfreechart對應的jar包：http://sourceforge.net/projects/jfreechart/ 目前最新的是jfreechart-1.0.14.zip下載後解壓，： 目前版本已經支援了SWT.下面我們建立一個SWT的工程： 一直選擇Next最後可以看到工程下所依賴的jar包為： 然後建立一個lib，把jfreechart裡面的jar包複製到工程的lib下面，然後再引用。然後把SWT檔案夾下的代碼複製到工程的src目錄下：  我們運行demo中的類 ：  

       最近公司在項目中提了個需求想自動表單,然後發送給服務端.我就看了下抓屏的例子,在此基礎上進行了修改達到了項目中所要求的.思路就是擷取當前表單的座標,然後進行,抓屏是通過滑鼠的按下和釋放,來擷取開始座標和結束座標. 首先擷取表單的位置,項目用的SWT./** * 擷取表單的位置 */ Rectangle rectangle=shell.getBounds(); java.awt.Rectangle rct = new

     html中的checkbox標籤有一個特殊的地方，如果一個checkbox未被選中，那麼它將不會出現在請求參數中。比如如下的例子：<form action="#">    <input type="checkbox" name="options" value="option1"/>    <input type="checkbox" name="options" value="option2"/>    <button

從官方文檔 http://wiki.eclipse.org/M2E_plugin_execution_not_covered 可以瞭解到，最好的解決方案是交給專門針對該外掛程式的project configurator去處理，比如項目中常用到的aspectj-maven-plugin就用專門的configurator,使用者可以使用eclipse線上尋找和安裝。但是有些外掛程式是沒有對應project configurator的，這時候我們只能手動設定，告訴m2e在eclipse

Java擷取螢幕解析度：  package com.yinzhijie.sms.appclient.base;import org.eclipse.swt.widgets.Display;/** * 擷取螢幕解析度 * * @author cuiran * @version 1.0.0 */public class ScreenSize {public static int getScreenWidth() {int screenWidth = 0;try {screenWidth =

本文原文串連: http://blog.csdn.net/bluishglc/article/details/7622286 ,轉載請註明出處！1.為什麼使用exec？現在的工程往往依賴眾多的jar包，不像war包工程，對於那些打包成jar包形式的本地java應用來說，通過java命令啟動將會是一件極為繁瑣的事情，原因很簡單，太多的依賴讓參數-classpath變得異常的恐怖。為此，在發布應用時，一般使用兩種方法來啟動應用程式：一種是通過工具將工程及其所有依賴的jar包打包成一個獨立的jar包（

 簡單說，分布式是以縮短單個任務的執行時間來提升效率的，而叢集則是通過提高單位時間內執行的任務數來提升效率。例如：如果一個任務由10個子任務組成，每個子任務單獨執行需1小時，則在一台伺服器上執行改任務需10小時。採用分布式方案，提供10台伺服器，每台伺服器只負責處理一個子任務，不考慮子任務間的依賴關係，執行完這個任務只需一個小時。(這種工作模式的一個典型代表就是Hadoop的Map/Reduce分散式運算模型）而採用叢集方案，同樣提供10台伺服器，每台伺服器都能獨立處理這個任務。假設有10個任務