原创 微博記錄

1 //@phunter_lau:太厲害了//@愛可可-愛生活: //@塵繩聾: 在Ensemble大行其道的環境下,如何single model,10個特徵,2000+隊伍,進入Top31 @愛可可-愛生活 《Home De

原创 Git使用指令筆記

git add ./* git status git commit -m "add some update" git push origin master 第一次推送分支必須加--set-upstream git push --s

原创 Nginx函數ngx_single_process_cycle學習筆記

ngx_cycle_t=ngx_cycle_s ngx_cycle_s的定義如下,下面介紹的函數中有一個重要的ngx_cycle_t類型的參數cycle,所一寫介紹下它的類型結構。 struct ngx_cycle_s {

原创 機器學習基礎 第一章 機器學習概述

一 機器學習概述 1.1 統計學習 1 學習方法 監督學習,非監督學習,半監督學習 2 統計學習三要素 模型,策略,算法 1.2 監督學習 1 基本概念 輸入、輸出空間,特徵空間,假設空間 2 監督學習過程 1.3 模型評估

原创 筆記本

@酷勤網-程序員的那點事 《「理解HTTP」之常見的狀態碼》狀態碼的職責是當客戶端向服務器端發送請求時,描述返回請求結果。藉助狀態碼,用戶可以知道服務器端是正常處理了請求,還是出現了什麼錯誤:http://www.kuqin.com/

原创 More Effective C++在leveldb中的體現

2 構造/析構/賦值運算 條款7:爲多態基類聲明virtual析構函數 在leveldb中只要是基類的聲明中,都把析構函數聲明成virtual的,如MemTableIterator的基類Iterator中將析構函數聲明成virtual ~

原创 Xgboost安裝

1 基本環境配置 Xgboost安裝需要基本的環境支持,gcc,cmake,Python,它們的版本要求如下 gcc>=4.8,因爲需要C++11支持 cmake,安裝最新的即可 Python,安裝2.7版本 2 各個環境安裝 gc

原创 Java併發編程-2 對共享資源的訪問控制

如果有多個任務同時對同一個資源進行操作,如讀寫。那麼就會存在對共享資源的訪問控制問題。例如在火車購票系統中,有多個用戶同時購買同一班次的火車票,如果不進行控制,就會出現提交訂單時有票,付款時票被別人買走了,所以要在某個用戶提交訂單到交易完

原创 Xgboost中需要注意的點

1 簡介 Xgboost是目前非常流行的機器學習模型,它屬於集成學習中的boosting方法,在多種競賽場合取得非常好的成績,在工業界也有廣泛應用。它和一般教科書上的講解的梯度樹在理論推導上有較大不同,陳天奇在其分享的ppt《Introd

原创 如何將C++編譯好的so文件打包到jar包中

gcc/g++命令參數中文幫助手冊: http://blog.csdn.net/zc02051126/article/details/48678983 Linux下so動態庫查看與運行時搜索路徑的設置: http://blog.csd

原创 筆記本

Protocol Buffer 序列化原理解析:https://mp.weixin.qq.com/s/YLQKkH_bV99o5U65iOGFpQ 從構造函數看線程安全: https://mp.weixin.qq.com/s/O_k-o

原创 筆記本

Deep Learning System: http://dlsys.cs.washington.edu/

原创 Spring教程

Spring教程:http://www.yiibai.com/spring/spring-tutorial-for-beginners.html

原创 Xgboost C++預測模塊線程安全修復

1 背景 Xgboost在各種排序場景中有廣泛的應用,離線訓練一般在Spark平臺或者單機環境執行。訓練好的模型用到線上預測時一般要根據自己的環境重新開發預測代碼,例如,如果時Java環境,則需要用Java開發預測代碼。主要原因是Xgbo

原创 梯度下降法概述

ref:http://sebastianruder.com/optimizing-gradient-descent/index.html#gradientdescentvariants 1 三種梯度下降法 2 梯度下降法存在的問題 3 幾