Linux多命令协作：管道及重定向•不要重复发明轮子◦开源文化的核心理念之一就是不要重复发明轮子，很多的开源软件都是现有软件、代码、功能的重新组合，就好像通过零件装配机器一样，源代码的开放和共享让这成为了可能，同时也大大的提高了效率和生产力。•管道和重定向◦在Linux系统当中，大多数命令都很简单，很少出现复杂功能的命令，每个命令往往只实现和一个或几个很简单的功能，我们可以通过将不同功能的命令组合

引言在Springboot编程实践中，我们偏向使用注解的方式进行Bean的注册和依赖注入等，但XML格式的容器信息管理方式仍是Spring提供的最为强大、支持最为全面的方式，本文对Spring-IOC的XML配置进行详细的讲解。<beans>和<bean>BeanFactory和ApplicationContext的XML配置均采用统一的格式，在Spring2.0之前...

引言Spring提供了两种容器类型:BeanFactoryApplicationContext其中ApplicationContext间接继承自BeanFactory，两者最大的不同是容器初始化策略。BeanFactory采用懒加载(lazy-load)策略，即当客户端需要访问容器内的某个对象时，才对该对象进行初始化以及依赖注入操作。所以该模式下，启动速度较快，适用于资源有限，对功...

Java的Web开发选用的中间件一般为tomcat（汤姆猫），其主要作用是为Servlet提供容器。

（1） 随机森林基本原理随机森林几乎是任何预测类问题（甚至非线性问题）的首选。随机森林是相对较新的机器学习策略（出自90年代的贝尔实验室），可应用于几乎所用问题。它隶属于更大的一类机器学习算法，叫做“集成方法”（ensemble methods）。随机森林由LeoBreiman（2001）提出，它通过自助法（bootstrap）重采样技术，从原始训练样本集N中有放回地重复随机抽取k个样本生成新的训

本文作为周志华《机器学习》的阅读笔记。**（1）经验误差和过拟合**错误率：分类错误的样本数占样本总数的比例精度：1-错误率误差分为训练误差（或称经验误差）和泛化误差训练误差：在训练集上的误差泛化误差：在新样本上的误差机器学习的目标是得到泛化误差最小的学习器。学习器把训练样本学得“太好”了的时候，很可能已经把训练样本自身的一些特点当做所有潜在样本都具有的一般性质，这样就会导致泛化性能下降，称之为

本文作为周志华《机器学习》的阅读笔记。（1）基本流程一般的，一棵决策树包含一个根节点、若干个内部节点和若干个叶节点。叶节点对应于决策结果，其他每个节点则对应于一个属性测试；每个节点包含的样本集合根据属性测试的结果被划分到子节点中；根节点包含样本全集。从根节点到每个叶节点的路径对应一个判定测试序列。决策树的学习目的是得到一棵泛化能力强的决策树。决策树是递归过程，三种情形会导致递归返回：1、当前节点包

之前参与过一个数据挖掘的项目，最后需要给出网页的可视化demo，当时使用的是事先做好的json文件数据，然后通过Jquery包的ajax()方式将数据加载到html文档中实现数据可视化的，后面项目验收了就没再接触过这方面的东西。赶巧最近又参与一个类似的项目，甲方要求与mysql数据库实现联动，查下资料需要利用php来完成，所以在机子上简单配置了下Apache和php，记录一下。

上篇文章我们讲解了Windows下配置Apache2_4和php7.1.7，后续我们还需要配置好mysql数据库，以方便网页访问数据库，mysql数据库的安装配置可以参考博文：mysql数据库安装配置及需要注意的地方装好数据库后，创建testmysql.php文件进行测试。

主要介绍在Scala中如何实现oracle及mysql的连接。