- 综合排序
- 最热优先
- 最新优先
- 来自专栏mysql
hhdb数据库介绍(9-4)
，可以登录计算节点的3325端口，可执行管理端的所有SQL语句；否则，不能登录管理端与执行管理端的SQL语句。 权限范围分为全局权限、逻辑库权限及表权限： 全局权限：拥有全局权限的user对所有逻辑库下的所有对象都拥有指定的权限。 拥有表允许权限的用户对该表拥有勾选的权限；拥有表拒绝权限的用户将拒绝勾选的权限，对于没有勾选的权限，需要在表允许权限下勾选后方能拥有。 表，只拥有id大于60的行的权限。 "，这可能是该版本的动态链接库不兼容，需要将其目录下的libmysql.dll替换为MySQL Workbench中的同名文件，或者更新到更高的版本，参考链接。
34310编辑于 2025-03-10 - 来自专栏AI机器学习与深度学习算法
机器学习入门 9-4 实现逻辑回归算法
把现在的工作做好，才能幻想将来的事情，专注于眼前的事情，对于尚未发生的事情而陷入无休止的忧虑之中，对事情毫无帮助，反而为自己凭添了烦恼。 全文字数：864字 阅读时间：8分钟 前言 本系列是《玩转机器学习教程》一个整理的视频笔记。本小节主要依据sklearn的设计理念封装我们自己的逻辑回归算法，最后在jupyter中调用并实现。 a 实 现 逻 辑 回 归 算 法 在之前的小节中详细推导了逻辑回归算法的损失函数。 接下来就具体的实现我们自己的逻辑回归算法： 导入相应的模块 由于逻辑回归算法解决的是分类问题，所以通过accuracy_score准确率来评估模型的好坏。 相对于线性回归来说，添加了私有的Sigmoid函数，更改了计算损失函数的J函数以及计算梯度值的dJ函数。
82720发布于 2020-02-26 - 来自专栏算法工程师的学习日志
C++代码编程的一个小插曲
方程组为：x^9-4*x^5-5*x^3-270000=0，范围为0~10； C++代码方式： #include <iostream> #include "math.h" #include <iomanip 便于实时看看结果 输出结果可以看到为4.02057 为了验证我的结果是否正确，我在用matlab自带的fsolve函数来求解一遍 >> x = fzero("x^9-4*x^5-5*x^3-270000 ",2); >> x x = 4.0206 >> x^9-4*x^5-5*x^3-270000 ans = -5.8208e-11 和我的结果很接近，而且这个误差符合要求，但我把C ++的计算结果4.02057带入方程组去计算，发现这个误差值为1.897，和预计的相差较大， >> x = 4.02057 x = 4.0206 >> x^9-4*x^5-5*x^3-270000 为：4.020566884828，在matlab中计算一下 >> x = 4.020566884828 x = 4.0206 >> x^9-4*x^5-5*x^3-270000 ans
46120编辑于 2022-07-27 - 来自专栏IT技术圈（CSDN）
浙大版《C语言程序设计（第3版）》题目集 习题9-4 查找书籍
习题9-4 查找书籍 给定n本书的名称和定价，本题要求编写程序，查找并输出其中定价最高和最低的书的名称和定价。 输入格式: 输入第一行给出正整数n（<10），随后给出n本书的信息。 每本书在一行中给出书名，即长度不超过30的字符串，随后一行中给出正实数价格。题目保证没有同样价格的书。 输出格式: 在一行中按照“价格, 书名”的格式先后输出价格最高和最低的书。价格保留2位小数。
2.4K30发布于 2020-09-15 - 来自专栏Python小屋
微课|《Python编程基础与案例集锦（中学版）》第9章例题讲解（2）
例9-4 使用turtle绘制图形，响应鼠标左键、中键、右键的单击事件。
43220发布于 2020-05-08 - 来自专栏数据安全架构与治理
《数据安全架构设计与实战》勘误表
自2019年10月底《数据安全架构设计与实战》出版 以来，受到安全圈各位同行的大力支持，目前已印刷2次。其“从源头打造安全的产品，保障数据安全”的理念也不断获得大家认可。 本着为读者负责的原则，现将勘误表发布出来： 2019年12月第1版第2次印刷勘误 P102（9.3节）图9-4第四个方框应为“乙方私钥解密” P149（12.4.4节）“HIDS需要针对以上口风险”应为 ，能够征得用户同意的，首选“同意”。 欧盟的电子隐私法也有“营销活动需要获得用户的明示同意”的要求。 P261（16.6节）第7个小标题下面的文字介绍应为：隐私管理体系认证，其重要性相当于信息安全管理体系的ISO 27001。 2019年10月第1版第1次印刷勘误 P98（9.1节）图9-1右下侧编号⑧应为编号⑤ P102（9.3节）图9-4第四个方框应为“乙方私钥解密” P126（11.3节）“访问使用临时随机口令”应为“访客使用临时随机口令
52720编辑于 2022-06-02 - 来自专栏全栈程序员必看
体验vSphere 6之7-为虚拟机启用容错
（1）选中要启用FT的虚拟机，右击在弹出的对话框中选择”Fault Tolerance→打开Fault Tolerance”，如图9-1所示。 图9-1 打开容错功能 （2）由于我们是在虚拟机中做的这个测试，在打开FT时会有个故障提示”与主机关联的虚拟网卡宽带不足，无法用于FT日志记录”，如图9-2所示。实际上这个提示不影响后期的测试。 在新版本的FT中，主虚拟机与辅助虚拟机可以放置在不同的数据存储中，这进一步提高了”容错”的安全性，如图9-3所示。在此为辅助虚拟机选择另一个共享存储。 图9-3 为辅助虚拟机选择数据存储 （4）在”选择主机”对话框，为辅助虚拟机选择主机，如图9-4所示。辅助虚拟机、主机要运行在不同的主机上。 图9-4 为辅助虚拟机选择主机 （5）在”即将完成”对话框，显示辅助虚拟机详细信息，这包括辅助虚拟机所在主机、配置文件位置、硬盘位置等，如图9-5所示。
1.5K40编辑于 2021-12-23 - 来自专栏A周立SpringCloud
Config Server——使用Spring Cloud Bus自动刷新配置
前文我们讨论了使用/refresh 端点手动刷新配置，但是如果所有微服务节点的配置都需要手动去刷新的话，那必然是一个繁琐的工作，并且随着系统的不断扩张，会变得越来越难以维护。 因此，实现配置的自动刷新是很有必要的，本节我们讨论使用Spring Cloud Bus实现配置的自动刷新。 Spring Cloud Bus提供了批量刷新配置的机制，它使用轻量级的消息代理（例如RabbitMQ、Kafka等）连接分布式系统的节点，这样就可以通过Spring Cloud Bus广播配置的变化或者其他的管理指令 原因如下： (1) 打破了微服务的职责单一性。微服务本身是业务模块，它本不应该承担配置刷新的职责。 (2) 破坏了微服务各节点的对等性。 (3) 有一定的局限性。 图9-4 使用Spring Cloud Bus的架构图 如图9-4，我们将Config Server也加入到消息总线中，并使用Config Server的/bus/refresh端点来实现配置的刷新。
1.9K50发布于 2018-04-02 - 来自专栏跟着小郑学JAVA
数电模电（三） 时序电路触发器 基本RS触发器 同步RS触发器 主从RS触发器 JK触发器 主从D触发器
---- 一：基本RS触发器 PS:我的目标是记住各个触发器的真值表，学会各个触发器的波形画法，下同。 以上是基本RS触发器的电路结构和逻辑结构，了解一下即可。 ，不然看S，S是1，输出就是1，反之就是0 波形： ---- 三：主从RS触发器 真值表： CP=1 保持 CP=0 R S Q 0 0 不变 0 1 1 1 0 0 1 1 不定 波形见例题9- ---- 四:JK触发器 真值表： ---- 五:D触发器 真值表: 波形见例题9-6 ---- 作业是我用钢笔做的，书写墨汁方面比较尴尬。
4.3K30编辑于 2023-07-31 - 来自专栏机器学习与自然语言处理
Stanford机器学习笔记-9. 聚类(Clustering)
image.png 上述算法中，第一个循环对应了簇分配的步骤：我们构造向量c，使得c(i)的值等于x(i)所属簇的索引，即离x(i)最近簇中心的索引。用数学的方式表示如下： ? 第二个循环对应移动簇中心的步骤，即移动簇中心到该簇的平均值处。更数学的方式表示如下： ? 其中 ? 都是被分配给簇 ? 的样本。 例如根据人的身高和体重划分T恤的大小码，如图9-4所示。 ? 图9-4 K-means for non-separated clusters 9.3 Optimization objective image.png 9.4 Random Initialization The elbow method : 画出代价J关于簇数K的函数图，J值应该随着K的增加而减小，然后趋于平缓，选择当J开始趋于平衡时的K的取值。如图9-5的(1)所示。
1.5K110发布于 2018-03-13 - 来自专栏算法微时光
Java学习之算术运算符
image.png Java 中的算术运算符主要用来组织数值类型数据的算术运算，按照参加运算的操作数的不同可以分为一元运算符和二元运算符。 首先计算赋值符号（=）右边配对的括号内的值，其次按从左向右的结合方向计算乘法，最后做求余运算，表达式的结果为 2， 然后把 2 赋值给 d。 "); // 整数的加、减、乘、除和取余 System.out.printf("9+4=%d \n", 9 + 4); System.out.printf("9-4=%d \n", 9 ", 'A' + 32); System.out.printf("'a'-'B'=%d \n", 'a' - 'B'); } 执行结果： 整数的算术运算 9+4=13 9-4=5 9*4=36 算术运算符的结合方向都是“从左至右”，即先左后右。因此 b 先与减号结合，执行“a-b”的运算，再执行加 c 的运算。
92820编辑于 2022-03-21 数据存储（整型）与打印
，接下来先给大家讲一下整型家族的数据存储。 注：char本质是ASCll码值，划分为整型家族。 1.补码的理解 我们都知道计算机是只能识别二进制的，也就是1和0(分别是高电平和低电平)。 而这些数据类型最终都会被转化为二进制的补码存储，使用补码存储的好处在于，使CPU在对这些数据进行运算时得到了简化，要知道CPU是不能进行减法运算的，那么它是怎么实现两个数相减呢？ 举个例子2-1，可以转化为2+（-1）结果是相同的 也就是2和-1的二进制的补码相加，那么补码是怎样实现这样的运算，用到了一个溢出原理，我们想象一个时钟， 一共有12个点，11点加2得到的是1而不是13 ，那么比如9-4可以写为9+8. 2.整型提升 讲了存储，接下来是如何打印的问题，如何存储是由计算机来决定的，而怎样打印是由程序员自己来决定的，一个数，我们比如可以打印%o,%d,%x,%c,%s,%f...但这个过程总会出现一些问题，
21210编辑于 2025-11-15- 来自专栏信息技术智库
《画解算法》1.两数之和【python实现】
，也就是O(n^2) 分析暴力求解，我们发现存在重复搜索的情况，也就是对数组中的部分数据搜索了多次。 那如何只对数组中的数据搜索1次（或常数级），然后求解呢？ 我们知道，寻找一个数是否存在，最快的方法是通过hash表，在O(1)的时间复杂度之内就可以判断是否存在某个数。 题目要求我们返回数组的下标，那么我们的hash表的key是数组元素的值，value是下标。 这种方法在最坏的情况下，对数组遍历了2次，也就是算法的时间复杂度是O(2n)，去掉前导系数是O(n)，虽然是相比暴力求解，算法的时间复杂度降低了，但是还有优化的空间。 find(9-4), 存在那返回这两个数的下标，如果不存在，那么将 4 放入hash表。 find(9-6), 存在那返回这两个数的下标，如果不存在，那么将 6 放入hash表。
38330编辑于 2022-07-29 - 来自专栏冰河技术
《Spring核心技术》第9章：一个@Lazy注解也能写上万字？
但是在程序运行的过程中，这些对象或者配置文件使用的频率并不是很频繁，甚至是只有个别很少使用的功能在使用这些配置文件。 此时，为了优化应用的启动性能，我们就可以对这些对象的创建和配置文件的加载进行延迟处理。 具体的源码执行细节参见源码解析部分。 4.2 调用Bean后置处理器的源码时序图 @Lazy注解涉及到的调用Bean工厂后置处理器的源码时序图如图9-2~9-4所示。 由图9-2~9-4可以看出，@Lazy注解涉及到的调用Bean工厂后置处理器的流程涉及到LazyTest类、AnnotationConfigApplicationContext类、AbstractApplicationContext 5.2 调用Bean后置处理器的源码流程 @Lazy注解在Spring源码层面调用Bean工厂后置处理器的执行流程，结合源码执行的时序图，会理解的更加深刻，本节的源码执行流程可以结合图9-2~9-4进行理解
52920编辑于 2023-05-24 - 来自专栏Hadoop数据仓库
维度模型数据仓库（十四） —— 杂项维度
简单地说，杂项维度就是一种包含的数据具有很少可能值的维度。 图（五）- 9-1显示了增加杂项维度表后的数据仓库模式（这里只显示了和销售订单属性相关的表）。 图（五）- 9-2 图（五）- 9-3 图（五）- 9-4 图（五）- 9-5 测试修改后的定期装载 现在使用清单（五）- 9-3里的脚本添加八个销售订单 可以使用清单（五）- 9-4里的分析性查询确认装载正确。该查询分析出检查了信用状态的新用户有多少销售订单。查询结果如图（五）- 9-6所示。 credit_check_flag = 'N' AND a.sales_order_attribute_sk = b.sales_order_attribute_sk) y; 清单（五）- 9-
1K20编辑于 2022-12-02 - 来自专栏机器学习算法与Python学习
机器学习(7) -- k-means 聚类
用数学的方式表示如下： ? 第二个循环对应移动簇中心的步骤，即移动簇中心到该簇的平均值处。更数学的方式表示如下： ? 其中 ? 都是被分配给簇 的样本。 例如根据人的身高和体重划分T恤的大小码，如图9-4所示。 ? 图9-4 K-means for non-separated clusters 9.3 Optimization objective 重新描述在K均值算法中使用的变量： = index of cluster The elbow method : 画出代价J关于簇数K的函数图，J值应该随着K的增加而减小，然后趋于平缓，选择当J开始趋于平衡时的K的取值。如图9-5的(1)所示。 图9-5 代价J关于簇数K的曲线图 注意：随着K的增加J应该总是减少的，否则，一种出错情况可能是K均值陷入了一个糟糕的局部最优。 一些其他的方法参见wikipedia。
1.4K50发布于 2018-04-04 - 来自专栏张叔叔讲互联网
如何建设一个类似神策的平台
画像平台功能只是神策所有服务模块中的一部分，本节根据神策对外提供的技术资料，按照个人理解描述一个类似神策平台的构建过程。 除了使用完整的产品方案，神策还提供可以单独购买使用的服务，表9-4中简要介绍了各服务的主要应用场景。 表9-4 神策数据相关产品及适用场景 产品名称 主要功能点 应用场景 神策分析 报表（配置数据形成报表）概览（数据看板）分析（事件、留存、漏洞）书签智能预警分析 基于全渠道采集的数据，可以实现各类分析功能 ，不同数据的来源不同，但是需要有统一的数据接入层，为了满足不同量级的数据接入需求，接入层需要支持横向扩展；收集到的数据需要按照业务要求经过清洗和整理之后存储起来；为了提供高效的分析功能，数据要配合性能要求写入到合适的查询引擎中 前端应该关注功能的可用性与结果的有用性，用户可以简便高效地使用平台功能并满足自身诉求，页面展示出的各类结果需要明确且易理解。 为了保证系统的可靠性与稳定性，需要提供完善的系统监控能力。
1.1K30编辑于 2023-11-05 - 来自专栏微光点亮星辰
JAVA程序第四期
但是会有一个问题，还是会涉及数据导入的问题，虽然代码并不复杂，集合和数组之间提供比较好的互相转换，但是看过源码的同学都知道，list的一个add就是重新new一个数组，导一遍数据，一个add，就是重新new 那么小朱在这里要介绍的方法就是用Array本身提供的方法，创建一个新的数组，长度可以动态指定，封装成工具类还是很好用的哦。 ? ，就是要增加的长度，在本例中我们默认用了5，对于一些不确定参数增加个数的场景也是很适用的，我们可以把新增加的参数的个数动态传递进去，这样可以更方便的使用。 首先，对于Calendare的初始化也比较简单，可以直接通过getTime来获取当前时间，也可以通过格式化之后的Date类型来赋值，最重要的是其中提供了比较丰富的时间计算和显示，拿日期来说，分为四种，一年中的第几天 ，一个月中的第几天，一周中的第几天，一月中的第几周，但是大家注意，有些因为时间统计规则的差异，结果会有不同，比如9-4日应该是周日，输出应为7，但是结果为1，是因为认定周日为第一天，解决这个问题可以用Locale.setDefault
38741发布于 2020-06-15 - 来自专栏智能大数据分析
分类规则挖掘（二）
树的叶子结点表示类别标号，即分类属性的取值，对应一个数据对象的子集；树的内部结点为条件属性，它是一个数据对象子集合的标识符；一个内部结点为每个条件属性值或组合的条件属性值构成一个树枝，连接到树的下一层结点 定义9-4 设 S 是有限个样本点的集合，其条件属性 A 划分 S 所得子集为 \{S_1,S_2,\cdots,S_v\} ，则定义 A 划分样本集 S 的信息熵 (简称属性 A 的分类信息熵) 为 E(S,A)=-\sum_{j=1}^{v}\frac{|S_j|}{|S|}\log_2\frac{|S_j|}{|S|}\tag{9-4} 其中 |S_j|/|S| 也称为 自下而上的剪枝算法首先从最底层的内部结点开始，剪去满足一定条件的内部结点，并在生成的新决策树上递归调用这个算法，直到没有可以剪枝的结点为止。 gainRatio(S, A)= gain(S, A|C)/E(S,A)\tag{9-8} 其中， gain(S, A|C) 由公式 (9-7) 计算， E(S,A) 由公式 (9-4) 给出
32010编辑于 2025-01-22 - 来自专栏数据 学术 商业 新闻
Python-joypy和 R-ggridges 峰峦图制作
引言 有时写较多的处理过程反倒让读者没法耐着性子读完，本期推文及以后，关于可视化的推文，我直接明了给出教程和关键步骤解释下，若想详细了解，大家可进群讨论和在文末读者讨论中进行。 colors, ) ax = plt.gca() #设置x刻度为时间形式 x = np.arange(6) xlabel=['8-21','8-28','9- R-ggridges 绘制 借助于R语言丰富且强大的第三方绘图包，在应对不同类型图表时，机会都会有对应的包进行绘制。 上述所涉及到的函数都是基本，在熟悉ggpot2 绘图体系后可以轻松理解。更多有趣的可视化作品，大家可以去官网查看。 04. 总结 本期分别介绍了使用Python 和R 绘制峰峦图的结果，将主要的代码及对用结果展示出来，以便于大家快速阅读。当然，如果对此感兴趣和获取对应的数据，都可以在 读者讨论 或者加群进行交流。
1.5K10发布于 2021-02-22
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号