其他

https://www.packtpub.com/mootools-1-2-beginners-guide/book一如既往的是pucktpub出版社，一如既往的是前端，一如既往的是開源。公司內部KM統計大家最喜歡使用的AJAX架構，還是jQuery佔了主流，但有不少筒靴選擇了MooTools，並且是傳說的OO，於是勾起學習MooTools的慾望，在pucktpub搜了一下，正好有一本《MooTools 1.2 Beginner's

決策樹是個極其易懂的演算法，建好模型後就是一連串嵌套的if..else...或嵌套的switch。優點：計算複雜度不高，輸出結果易於理解，對中間值的缺失不敏感，可以處理不相關特徵資料；缺點：可能會產生過度匹配的問題；適用資料類型：數值型和標稱型。決策樹的Python實現：（一）先實現幾個工具函數：計算熵函數，劃分資料集工具函數，計算最大機率屬性；（1）計算熵：熵代表集合的無序程度，集合越無序，熵越大；def entropy(dataset):from math import log log2

https://www.packtpub.com/learning-jquery-1.3/book這是一本好書！！！終於斷斷續續看完了這本書，剛看完還想再看一遍，由於前後拉的時間比較長，看到後面的時候感覺前面一些東西有點遺忘。最好配合jQuery API一起看，會很有收穫。前六章講的是jQuery的基礎知識，最好配合jQuery

廣告代理商：可以代表各種不同的廣告主或銷售商去購買各種媒體的廣告時間和空間，以確定客戶產品和服務的目標消費者；廣告客戶是廣告活動的直接投資者，是廣告代理商的收入來源；兩者關係實質上是一種經濟關係。不斷髮展的廣告代理業成為廣告客戶重要的營銷渠道，成熟的廣告代理制也能促動廣告客戶廣告意識的提高。  廣告代理商1．按照社會的分工，企業不可能都有自己的廣告公司。要想創造高品位廣告，選擇最恰當的媒體推銷自己的產品，廣告投資者就會找廣告經營者為自己的廣告做企劃方案，通過媒體分析的詳細資料，來選擇最佳方案。

http://oreilly.com/catalog/9780596001193由於項目對外提供API的需要，今天看了Dave Winer的《Programming Web Services with XML-RPC》，他是XML-RPC的發起者（之一）。先說這本書：英語沒過六級的最好看翻譯版的（不知道有沒有），其中句式複雜，詞彙詭異，過了6級的硬著頭皮看應該還應付的過去；書的內容不錯，<Foreword>講了XML_RPC的起源和發展，<Preface>隨便看看就成，&

1.Erlang的互動式環境 安裝：下載並安裝Erlang，在OS的環境變數中添加pathErlangHOME\bin目錄啟動：linux 環境：erl，windows: 開始-程式-erlang表徵圖啟動（或像linux輸入erl在CMD模式下啟動） 當然也可以在表徵圖模式下啟動，把原始碼放在另一個目錄中，要調用則要更改目錄，例如：1> cd("d:/program/Erlang").d:/program/Erlang ok .退出：Ctrl+C 或者 halt().

Microsoft uaa bus driver for high definition audio解決辦法：打上微軟的HD Audio補丁就行了KB888111.exe 下載1:http://blog.dhc.net.cn/batch.download.php?aid=17296KB888111.exe 下載2:http://www.htcath.org/Soft/ShowSoft.asp?SoftID=5KB835221.exe

打算從這篇開始，一邊學習一邊寫些資料採礦的東西，主要是督促自己學習和總結。我最開始的網購是從china-pub買了一本《Unix/Linux編程實踐教程》，書好，便宜，並且可以貨到付款，很是吸引我這種懶窮學生，於是一發不可收拾買了很多書，後來轉戰dangdang，再後來就是amazon，現在基本都在jd買了，除了書，還會在yihaodian買一些日用品。後來發現這幾家都會有推薦，dangdang和china-pub的推薦沒什麼印象，jd的推薦離我的興趣點差的挺遠，印象深刻的就是amazon，有次

1.準備開發環境1.1安裝JDK1.61.2下載Eclipse IDE for Java EE developers1.3下載JBoss Tools安裝到Eclipse，http://downloads.sourceforge.net/jboss/JBossTools-Update-3.1.0.v201003050540R-H56-GA.zip1.4到Apress 上下載rcbook-templates.zip1.5下載安裝Tomcat61.6下載Richfaces,

有句話這麼說“物以類聚，人以群分”，說的很有道理，有些人就完全融入不了一些團隊，我覺得這裡面不只是氣場的問題，我也一直在苦苦思索這個問題，每個人有自己的生活習慣和思維習慣，相同生活習慣和思維習慣的人很容易聚在一起；反之則比較難了。目標很明確，給你一堆電子書，怎麼把其中一些書歸為一類，其中另一些書歸為另一類······，我會先看書的厚度，太厚的書（超過800頁）我歸為和我沒什麼關係這一類（偶爾會有例外），下來我會按照我的愛好細分，專業類、經濟類、心理類、攝影類和其他類。如果書很多了，我一本一本的分

轉載：http://www.mingyuanfeng.co.cc/search/label/%E5%80%92%E6%8E%92%E7%B4%A2%E5%BC%95%EF%BC%8C%E5%BC%80%E6%BA%90%EF%BC%8C%E6%90%9C%E7%B4%A2%E5%BC%95%E6%93%8E搜尋引擎的底層索引使用一種叫“倒排索引”(inverted

網路廣告今後發展的趨勢是：　　（1）追求精準和效果　　（2）以群體為目標　　（3）以消費者行為屬性為主　　|行為廣告（Behavior

最佳化系統的想法真不好簡單地說的明白，這樣吧，我爸在陝西西安，我媽在安徽的合肥，我弟弟在深圳，打算坐飛機到北京我這裡玩。家人都比較節省，打算到了機場後互相等對方，然後一起坐車租車到我住的地方。我查了qunar，一天從西安，合肥，深圳到北京有很多航班，怎麼樣讓總的票價最少，並且在機場互相等待的時間降到最低。這裡假設一個人等1分鐘相當於1塊錢，這樣我們的目標就是讓成本schedulcost=(父親機票錢+母親機票錢+弟弟機票錢+父親等候分鐘+母親等候分鐘+弟弟等候時間)最小，這裡面有可能父親，或者母

轉載：http://m.gfan.com/redirect.php?tid=3144704&goto=lastpost此辦法目前只針對wifi的802.11G，由於我手頭沒有11N的router，沒法實驗，所以僅供11n的機油們參考用Root Explorer將/etc/wifi/tiwlan.ini檔案拷到sd卡，並傳到pc上用notepad++編輯該檔案首先找到dot11PowerMode = 0              將0改成1                  

在前面《集體智慧編程學習之聚類系統》中，我對收藏的一些電子書做了聚類。當時是在沒有任何前驗知識的情況下，採用K-均值聚類的演算法將書籍分為經濟類，心理類，攝影類等等。今天，我打算手工給書籍分類，我先把特別特別特別喜歡的書整理出來，然後分好類。分好搞得我精疲力盡，卻發現還有大量的特別特別喜歡的，特別喜歡的，喜歡的，還好的，不喜歡的。。。就這麼手工分了一小部分，我已經完全不想再手工分下去了。我已經分了一小部分，能不能根據已經分好的這部分去區分其他的書籍呢？也就是我現在有了一些前驗知識，能不能把這些知

轉載：http://www.dnkb.com.cn/archive/community/20110928/152824795.shtml東南快報訊（見習記者

大學時我的線性代數老師壽繼麟，當時六十多歲帶著一副金絲眼鏡精神矍鑠，傳說是我最尊敬的餘德鴻副校長的老師。上課的課本是壽老師寫的列印出來給大家，很便宜。我雖然不好好學習，但是在好老師的帶領下，也不至於學的太差。餘校長隔段時間總會給我們上一堂課，雖然沒有說過我們什麼，但總能讓我們慚愧進而刻苦上一段時間。記得他說過這樣一個問題，會場人聲嘈雜，給你兩個麥克風，怎麼在一無所知的情況下分離出你想聽到的那個人的聲音。十年後的今年我才真正開始考慮這個問題，餘校長提出的問題，原來壽老師當時就幫我們解決了。非負矩陣

Ubuntu有一個很方便的功能就是一鍵安裝LAMP Server，對於學習使用PHP非常實用。首先要安裝一個小工具，在Ubuntu 10.04及以前的版本中，這個小工具都是預設安裝的。但是Ubuntu 10.10預設沒有安裝，所以我們要手動先把它裝好。$ sudo apt-get install tasksel$ sudo tasksel install lamp-server 能用tasksel安裝的模組名稱可以在 /usr/share/tasksel/ubuntu-tasks.desc

這個演算法真是不太好懂，看了好幾遍終於有點入門的感覺，就趕緊記錄下這點感覺。我從複習線性分類開始，然後複習點積的含義，再引出核方法。線性分類是最容易理解的分類方法，兩組資料A和B，分別求出A和B的平均值，比如M和N，當判斷新資料X是屬於A還是屬於B呢，就看新資料X到M近還是N近，X屬於距離近的那個。為了實現這個演算法，我們需要計算出各分類的均值點：def lineartrain(rows): averages={} counts={} for row in rows: #

kNN演算法算是機器學習入門級絕佳的素材。書上是這樣詮釋的：“存在一個樣本資料集合，也稱作訓練樣本集，並且樣本集中每個資料都有標籤，即我們知道樣本集中每一條資料與所屬分類的對應關係。輸入沒有標籤的新資料後，將新資料的每個特徵與樣本集中資料對應的特徵比較，演算法提取樣本集中特徵最相似資料（最近鄰）的分類標籤。一般來說，我們只選擇樣本資料集中前K個最相似的資料，這就是k-近鄰演算法中k的出處，通常k是不大於20的整數。最後，選擇k個最相似資料中出現次數最多的分類，作為新資料的分類”。優點：精度高、對