背景 項(xiàng)目中需要用到oracle數(shù)據(jù)庫，原本框架是用的mysql。對配置進(jìn)行了修改，如下： 但是啟動時(shí)報(bào)錯(cuò)，報(bào)錯(cuò)信息如下： 查了下網(wǎng)上的做法，說換個(gè)版本，但是我換了還是報(bào)錯(cuò)，...
發(fā)簡信
IP屬地：河北
-
DruidDataSource加載數(shù)據(jù)源遇到：java.sql.SQLException: not support oracle driver 5.1
-
數(shù)據(jù)結(jié)構(gòu)與算法
目錄 時(shí)間復(fù)雜度和空間復(fù)雜度分析 數(shù)組、鏈表、跳表的基本實(shí)現(xiàn)和特性 棧、隊(duì)列、優(yōu)先隊(duì)列、雙端隊(duì)列 哈希表、映射、集合 樹 二叉樹的遍歷 二叉搜索樹 字典樹Trie 分治...
-
常見的Java故障排除-jcmdjcmd實(shí)用工具用于向JVM發(fā)送診斷命令請求，這些請求主要用于控制 Java Flight Recordings，診斷和排除JVM和JAVA應(yīng)用程序故障。該命令必須在JVM運(yùn)...
-
常見的Java故障排除-故障排除準(zhǔn)備
Java8官方文檔 設(shè)置Java來進(jìn)行故障排除 1.更新Java版本：第一步，使用最新的Java版本，避免花時(shí)間在已經(jīng)解決的Bug上面。往往，Java最新版本會修復(fù)運(yùn)行時(shí)出現(xiàn)...
-
Java SE8結(jié)構(gòu)與新增功能Java8簡介 摘自官文文檔Oracle的Java SE8包含了兩個(gè)產(chǎn)品：Java SE開發(fā)套件（JDK）8和Java SE運(yùn)行環(huán)境（JRE）8。JDK8是JRE8的超集，它...
-
數(shù)據(jù)結(jié)構(gòu)與算法365天特訓(xùn)營-線性表
線性表 線性表是由個(gè)相同類型的數(shù)據(jù)元素組成的有限序列，它是最基本、最常用的一種線性結(jié)構(gòu)。顧名思義，線性表就像是一條線，不會分叉。線性表有唯一的開始和結(jié)束，除了第一個(gè)元素外，每...
-
-
數(shù)據(jù)結(jié)構(gòu)與算法365天特訓(xùn)營-算法基礎(chǔ)算法復(fù)雜性 算法是指對特定問題求解步驟的一種描述。算法具有以下特性。(1)有窮性：算法是由若干條指令組成的有窮序列，總是在執(zhí)行若干次后結(jié)束，不可能永不停止。(2)確定性：每條...
-
16.gitchat訓(xùn)練營-SVR——一種“寬容”的回歸模型
1.寬容的支持向量回歸（SVR） 一種“寬容的”回歸模型：支持向量回歸（Support Vector Regression，SVR）。 支持向量回歸模型的模型函數(shù)也是一個(gè)線性...
-
12.gitchat訓(xùn)練營-SVM——直觀理解拉格朗日乘子法
可視化函數(shù)及其約束條件 我們用二元函數(shù)——也就是自變量為2維的函數(shù)——來做個(gè)例子（為了看著更習(xí)慣一點(diǎn)，我們直接用，作為自變量的兩個(gè)維度）。 （被約束的）函數(shù) 我們之前有過可視...
-
11.gitchat訓(xùn)練營-SVM——線性可分 SVM 原理
線性可分和超平面 二分類問題 在機(jī)器學(xué)習(xí)的應(yīng)用中，至少現(xiàn)階段，分類是一個(gè)非常常見的需求。特別是二分類，它是一切分類的基礎(chǔ)。而且，很多情況下，多分類問題可以轉(zhuǎn)化為二分類問題來解...
-
10.gitchat訓(xùn)練營-決策樹——既能分類又能回歸的模型
1.什么是決策樹 決策樹是一種非?；A(chǔ)又常見的機(jī)器學(xué)習(xí)模型。一棵決策樹（Decision Tree）是一個(gè)樹結(jié)構(gòu)（可以是二叉樹或非二叉樹），每個(gè)非葉節(jié)點(diǎn)對應(yīng)一個(gè)特征，該節(jié)點(diǎn)的...
-
9.gitchat訓(xùn)練營-邏輯回歸
1.非線性邏輯函數(shù)的由來 邏輯回歸Logistic Regression（LR）是一種簡單、高效的常用分類模型。LR 的模型函數(shù)記作：，具體形式如下：對應(yīng)到一元自變量的形式為...
-
8.gitchat訓(xùn)練營-樸素貝葉斯分類器——條件概率的參數(shù)估計(jì)
不再簡單地將頻率當(dāng)作概率 已知樸素貝葉斯公式：其中，表示樣本的第個(gè)特征，為類別標(biāo)簽。表示樣本被判定為類別前提下，第個(gè)特征的條件概率?，F(xiàn)在采用另外一種方式，通過該特征在數(shù)據(jù)樣本...
-
7.gitchat訓(xùn)練營-樸素貝葉斯分類器——從貝葉斯定理到分類模型
1.分類VS回歸 2.貝葉斯定理 貝葉斯公式如下：用語言解釋就是：在 B 出現(xiàn)的前提下 A 出現(xiàn)的概率，等于 A 和 B 都出現(xiàn)的概率除以 B 出現(xiàn)的概率。一般化的貝葉斯公式...
-
6.gitchat訓(xùn)練營-線性回歸——梯度下降法求解目標(biāo)函數(shù)
1.的目標(biāo)函數(shù) 前面已知，線性回歸的目標(biāo)函數(shù)為：是一個(gè)二元函數(shù)。我們要求的是：兩個(gè)參數(shù)和的值。要滿足的條件是：和取這個(gè)值的時(shí)候，的值達(dá)到最小。這里使用梯度下降法進(jìn)行求解。 2...
-
5.gitchat訓(xùn)練營-線性回歸——從模型函數(shù)到目標(biāo)函數(shù)
1.從數(shù)據(jù)反推公式 假設(shè)獲得下面一張表格，列舉了美國紐約若干程序員職位的年薪。 根據(jù)表格中的特征，我們把Experience與Salary抽取出來，用x和y來分別指代它們。 ...
-
4.gitchat訓(xùn)練營-最常用的優(yōu)化算法——梯度下降法
4.1.凸函數(shù) 什么叫做凸函數(shù)？這個(gè)有一套嚴(yán)格的數(shù)學(xué)定義：某個(gè)向量空間的凸子集（區(qū)間）上的實(shí)值函數(shù)，如果在其定義域上的任意兩點(diǎn)，有，則稱其為該區(qū)間上的凸函數(shù)。 注意：此處說得...
-
3.gitchat訓(xùn)練營-原理
3.1.機(jī)器是如何學(xué)習(xí)的？ 什么是機(jī)器學(xué)習(xí)？機(jī)器學(xué)習(xí)就是：讓計(jì)算機(jī)程序（機(jī)器），不是通過人類直接指定的規(guī)則，而是通過自身運(yùn)行，習(xí)得（學(xué)習(xí)）事物的規(guī)律，和事物間的關(guān)聯(lián)。計(jì)算機(jī)能...
-
Markdown基本語法Markdown是一種純文本格式的標(biāo)記語言。通過簡單的標(biāo)記語法，它可以使普通文本內(nèi)容具有一定的格式。 相比WYSIWYG編輯器 優(yōu)點(diǎn)：1、因?yàn)槭羌兾谋?，所以只要支持Markd...
