原创 編程思想之多線程與多進程(1):以操作系統的角度述說線程與進程

什麼是線程 什麼是線程?線程與進程與有什麼關係?這是一個非常抽象的問題,也是一個特別廣的話題,涉及到非常多的知識。我不能確保能把它講的話,也不能確保講的內容全部都正確。即使這樣,我也希望儘可能地把他講通俗一點,講的明白一點,因爲這是個

原创 線程池學習筆記1

概念:線程池是一種多線程處理形式,處理過程中將任務添加到隊列,然後在創建線程後自動啓動這些任務。線程池線程都是後臺線程。每個線程都使用默認的堆棧大小,以默認的優先級運行,並處於多線程單元中。如果某個線程在託管代碼中空閒(如正在等待某個事件

原创 IOCP編程之基本原理

在我的博客之前寫了很多關於IOCP的“行雲流水”似的看了讓人發狂的文章,尤其是幾篇關於IOCP加線程池文章,更是讓一些功力不夠深厚的初學IOCP者,有種吐血的感覺。爲了讓大家能夠立刻提升內力修爲,並且迅速的掌握IOCP這個Windows平

原创 Windows多線程探究

原文出處: luoweifu   歡迎分享原創到伯樂頭條 《編程思想之多線程與多進程(1)——以操作系統的角度述說線程與進程》一文詳細講述了線程、進程的關係及在操作系統中的表現,《編程思想之多線程與多進程(2)——線程優先級與線程

原创 編程思想之多線程與多進程(2):線程優先級與線程安全

上文詳細講述了線程、進程的關係及在操作系統中的表現,這是多線程學習必須瞭解的基礎。本文將接着講一下線程優先級和線程安全。   線程優先級 現在主流操作系統(如Windows、Linux、Mac OS X)的任務調度除了具有前面提到

原创 學習筆記:神祕的 IOCP 完成端口

【什麼是IOCP】 是WINDOWS系統的一個內核對象。通過此對象,應用程序可以獲得異步IO的完成通知。 這裏有幾個角色: 角色1:異步IO請求者線程。簡單的說,就是調用WSAxxx()函數(例如函數WSARecv,WSASend)的某個

原创 今我來思,堆棧泛化(Stacked Generalization)

原文地址:https://www.jianshu.com/p/46ccf40222d6 感謝作者,講的很透徹 在集成學習(Ensemble Learning)中除了Bagging和Boosting對數據的橫向劃分劃分之外,還有一個縱向劃分

原创 數據挖掘比賽通用框架

1. 前言 Kaggle上有篇名爲「Approaching (Almost) Any Machine Learning Problem」的博客(點擊底部閱讀原文),作者是Kaggle比賽的專業戶,博客是他參加Kaggle比賽的經驗總結。在

原创 主動學習與半監督算法結合在支付寶風控的應用

以下內容均來自互聯網,系筆者彙總並總結 2018螞蟻金服ATEC大賽 1 、賽題任務描述 在金融行業中,風控系統與黑產的攻防幾乎是無時不刻的存在着,風控系統中用來實時識別風險的機器學習模型需要在黑產攻擊的手法改變的時候能夠及時的對其進行重

原创 使用深度學習的三維點雲分類的介紹

 在過去的這些年裏,對二維圖像已經有了大量深入的研究,並且有着長足的發展。它在分類任務上取得了極好的結果主要得益於一下兩個關鍵因素: 1.卷積神經網絡。 2.數據 - 大量圖像數據可用。    但是對於3D點雲,數據正在迅速增長。大有從2

原创 簡單又實用的pandas技巧:如何將內存佔用降低90%

pandas 是一個 Python 軟件庫,可用於數據操作和分析。數據科學博客 Dataquest.io 發佈了一篇關於如何優化 pandas 內存佔用的教程:僅需進行簡單的數據類型轉換,就能夠將一個棒球比賽數據集的內存佔用減少了近 90

原创 機器學習算法GBDT的面試要點總結-上篇

1.簡介    gbdt全稱梯度下降樹,在傳統機器學習算法裏面是對真實分佈擬合的最好的幾種算法之一,在前幾年深度學習還沒有大行其道之前,gbdt在各種競賽是大放異彩。原因大概有幾個,一是效果確實挺不錯。二是即可以用於分類也可以用於迴歸。三

原创 如何在 Kaggle 首戰中進入前 10%

Introduction本文采用署名 - 非商業性使用 - 禁止演繹 3.0 中國大陸許可協議進行許可。著作權由章凌豪所有。Kaggle 是目前最大的 Data Scientist 聚集地。很多公司會拿出自家的數據並提供獎金,在 Kagg

原创 邏輯迴歸的常見面試點總結

1.簡介      邏輯迴歸是面試當中非常喜歡問到的一個機器學習算法,因爲表面上看邏輯迴歸形式上很簡單,很好掌握,但是一問起來就容易懵逼。所以在面試的時候給大家的第一個建議不要說自己精通邏輯迴歸,非常容易被問倒,從而減分。下面總結了一些平

原创 關於梯度下降算法

前邊博文說了關於MNIST手寫字體的識別,現在專門記錄下使用梯度下降算法進行學習的方法: 我們將⽤符號 x 來表⽰⼀個訓練輸⼊。爲了⽅便,把每個訓練輸⼊ x 看作⼀個 28 *28 = 784維的向量。每個向量中的項⽬代表圖像中單個像素的