<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[Fortuna_i的博客]]></title><description><![CDATA[愿学习与成长的道路上，你我惜而同行！]]></description><link>https://blog.youkuaiyun.com/Fortuna_i</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; Fortuna_i]]></copyright><item><title><![CDATA[SSH框架源码分析]]></title><link>https://blog.youkuaiyun.com/Fortuna_i/article/details/121957122</link><guid>https://blog.youkuaiyun.com/Fortuna_i/article/details/121957122</guid><author>Fortuna_i</author><pubDate>Wed, 15 Dec 2021 17:38:18 +0800</pubDate><description><![CDATA[近期接手一个某法院的文书分析项目，做二期升级改造，项目建成于2015年，拿到代码之后的我一脸懵B、无从下手。凭借自己丰富的方法论+度娘帮助，四天拿下源码，明确二期项目实施方法。分享给大家，回馈度娘，也帮助自己再一次理解项目。

首先感谢博主文章，受益良多！java项目中怎样看使用的是什么框架啊？_百度知道https://zhidao.baidu.com/question/1861686131604102987.html

SSH框架总结（框架分析+环境搭建+实例源码下载）_贾琳 一名系统架构师的征途-CSD]]></description><category></category></item><item><title><![CDATA[Linux环境搭建web项目（jdk+tomcat+mysql）]]></title><link>https://blog.youkuaiyun.com/Fortuna_i/article/details/121907955</link><guid>https://blog.youkuaiyun.com/Fortuna_i/article/details/121907955</guid><author>Fortuna_i</author><pubDate>Mon, 13 Dec 2021 17:42:54 +0800</pubDate><description><![CDATA[本文主要记录Linux环境下搭建Java web项目步骤及常见问题处理方法，框架版本说明：jdk1.7+tomcat7.0+mysql5.6（老项目迁移发布需要）。

安装包建议本机下载，然后通过shell工具上传到Linux服务器上，推荐一个final shell工具挺好用的。搭建环境基础流程：查看主机是否自带其他版本框架-&gt;copy安装包-&gt;解压-&gt;配置参数/环境变量或软链接-&gt;验证成功与否/启停服务。

jdk安装

不再赘述，检查自带版本-&gt;解压、配置环境-&gt;验证]]></description><category></category></item><item><title><![CDATA[项目管理知识理论落地实践]]></title><link>https://blog.youkuaiyun.com/Fortuna_i/article/details/121451258</link><guid>https://blog.youkuaiyun.com/Fortuna_i/article/details/121451258</guid><author>Fortuna_i</author><pubDate>Sun, 21 Nov 2021 11:45:07 +0800</pubDate><description><![CDATA[请大家原谅我消失了一年多，这一年半的时间在从事项目管理工作，积攒一年终于获得一定成果，拿来给大家分享。

首先晒个绝版PMP 5A证书和考试成绩单，真的是绝版哦，因为后边就不再有5A的评价了^_-





然后附上个人结合项目管理知识理论与实际项目经验整合的资料，包括了大家可能都会不易搞明白的理论落地实际的关键，以及一些从事项目管理必备的素材，如软开国家标准、阿里巴巴代码规范、高级项目管理师电子版书籍等。深度可能不够拔高，适合从事项目管理初期的人员参考，但绝对全！是本人整理后企业内部实行的版本，关键完全.]]></description><category></category></item><item><title><![CDATA[数据分析全流程必修课之HTTP接口]]></title><link>https://blog.youkuaiyun.com/Fortuna_i/article/details/121324564</link><guid>https://blog.youkuaiyun.com/Fortuna_i/article/details/121324564</guid><author>Fortuna_i</author><pubDate>Sun, 14 Nov 2021 22:20:45 +0800</pubDate><description><![CDATA[数据分析及治理必不可少的步骤即是数据对接，数据对接三种方式：socket方式、ftp方式以及共享数据库，socket方式即HTTP接口方式，FTP方式即共享服务器，本次主要介绍socket方式。感谢黄师傅本周的悉心指导，愿学习的路上，你我惜而同行！

1.HTTP对接方式（8种）


			序号
			
			
			传输

			方式
			
			
			描述
			
		
			1
			
			
			get
			
			
			请求指定页面，返回实体主体
			
		
			2
			
			
]]></description><category></category></item><item><title><![CDATA[毕业生求职心得与建议]]></title><link>https://blog.youkuaiyun.com/Fortuna_i/article/details/105043824</link><guid>https://blog.youkuaiyun.com/Fortuna_i/article/details/105043824</guid><author>Fortuna_i</author><pubDate>Tue, 24 Mar 2020 16:22:36 +0800</pubDate><description><![CDATA[2019年11月底，由于导师催促大论文尽快完成，导致我们（我和室友，室友搞瓦斯地质的，跨专业找计算机相关工作，对人工智能比较感兴趣）比别人晚了好多，赶上了个秋招的尾巴。科普一下：毕业生最后一年一般要找工作，分秋招和春招，时间段一般是9、10、11和3、4、5月份，并且一般的秋招更容易找到工作，因为第二年的春招一般是公司由于人员变动等原因进行的补录，补录当然会尽量选取极为优秀的同学，所以春招的难度是...]]></description><category></category></item><item><title><![CDATA[Spark各版本源代码及安装包下载方法]]></title><link>https://blog.youkuaiyun.com/Fortuna_i/article/details/101681939</link><guid>https://blog.youkuaiyun.com/Fortuna_i/article/details/101681939</guid><author>Fortuna_i</author><pubDate>Sun, 29 Sep 2019 12:22:05 +0800</pubDate><description><![CDATA[插句题外话：好久没上博客了，最近没搞项目，回学校写论文了，因为论文需要所以得下载spark2.1.0的源码，宿舍网是校外网，访问外网的时候容易死翘翘。于是乎，我就在百度上搜了一下，结果，哇！就这么点儿东西，有人要5C币，有人要10C币，还有更多的。人，有时候就会忽然中二症犯了，瞬间感觉义愤填膺，于是，就写了这篇博文，告诉大家如何免费下载各版本的Spark源码及安装包，顺便也奉告一下那...]]></description><category></category></item><item><title><![CDATA[spark mllib算法思想总结]]></title><link>https://blog.youkuaiyun.com/Fortuna_i/article/details/83009987</link><guid>https://blog.youkuaiyun.com/Fortuna_i/article/details/83009987</guid><author>Fortuna_i</author><pubDate>Fri, 15 Feb 2019 09:27:07 +0800</pubDate><description><![CDATA[Spark MLlib全部算法总结（2.1.0版）

说明：总结算法为Spark2.1.0中Mllib中源码算法，参照网络链接及书籍整理而成。

算法按计算过程分两大类：监督学习（Supervised Learning）和无监督学习（Unsupervised Learning）。

监督学习：指给定算法的一个数据集，其中包含了“正确答案”。算法的目的就是给出更多的“正确答案”。

无监督学习：指给...]]></description><category></category></item><item><title><![CDATA[2.5调优（tuning）]]></title><link>https://blog.youkuaiyun.com/Fortuna_i/article/details/87298379</link><guid>https://blog.youkuaiyun.com/Fortuna_i/article/details/87298379</guid><author>Fortuna_i</author><pubDate>Fri, 15 Feb 2019 09:15:14 +0800</pubDate><description><![CDATA[2.5 调优（tuning）

2.5.1&amp;amp;2.5.2 模型选择（超参数调整）与调优

分类器模型通常在特定的数据上进行训练，由于所得模型可能存在过拟合的现象。因此，模型训练完成之后通常需要进行检验，以验证分类模型在未知数据集上的预测能力，即我们通常所说的“模型泛化”能力。

交叉检验（Cross Validation）：

交叉验证是用来验证分类器的性能的一种统计分析方法，基本思想是把在...]]></description><category></category></item><item><title><![CDATA[2.4回归（regression）]]></title><link>https://blog.youkuaiyun.com/Fortuna_i/article/details/87298199</link><guid>https://blog.youkuaiyun.com/Fortuna_i/article/details/87298199</guid><author>Fortuna_i</author><pubDate>Fri, 15 Feb 2019 09:15:01 +0800</pubDate><description><![CDATA[2.4 回归（regression）

2.4.1 @生存分析（AFT Survival Regression）

在Spark.ml中，实现了加速失效时间（AFT(Accelerate Failure Time)）模型，这是一个用于检查数据的参数生存回归模型。它描述了生存时间对数的模型，因此它通常被称为生存分析的对数线性模型。不同于为相同目的设计的比例风险模型，AFT模型更容易并行化，因为买个实...]]></description><category></category></item><item><title><![CDATA[2.3优化（optim）]]></title><link>https://blog.youkuaiyun.com/Fortuna_i/article/details/87297945</link><guid>https://blog.youkuaiyun.com/Fortuna_i/article/details/87297945</guid><author>Fortuna_i</author><pubDate>Fri, 15 Feb 2019 09:14:46 +0800</pubDate><description><![CDATA[2.3 优化（optim）

2.3.1&amp;amp;2.3.2 最小二乘法（Least Squares）

加权最小二乘法（WLS(Weighted Least Squares)）：

一般最小二乘法将时间序列中的各项数据的重要性同等看待，而事实上时间序列各项数据对未来的影响作用应是不同的。一般来说，近期数据比起远期数据对未来的影响更大。因此比较合理的方法就是使用加权的方法，对近期数据赋以较大的权数...]]></description><category></category></item><item><title><![CDATA[2.2分类（classification）]]></title><link>https://blog.youkuaiyun.com/Fortuna_i/article/details/87297711</link><guid>https://blog.youkuaiyun.com/Fortuna_i/article/details/87297711</guid><author>Fortuna_i</author><pubDate>Fri, 15 Feb 2019 09:14:35 +0800</pubDate><description><![CDATA[2.2 分类（classification）

2.2.1 多层感知器分类器（MLPC(Multilayer Perceptron Classifier)）

多层感知器分类器（MLPC）是基于前馈人工神经网络(ANN)的分类器。 MLPC由多个节点层组成。 每个层完全连接到网络中的下一层。 输入层中的节点表示输入数据。 所有其他节点,通过输入与节点的权重w和偏置b的线性组合,并应用激活函数,将输...]]></description><category></category></item><item><title><![CDATA[2.1组件（ml）]]></title><link>https://blog.youkuaiyun.com/Fortuna_i/article/details/87297561</link><guid>https://blog.youkuaiyun.com/Fortuna_i/article/details/87297561</guid><author>Fortuna_i</author><pubDate>Fri, 15 Feb 2019 09:14:26 +0800</pubDate><description><![CDATA[2.1 组件（ml）

2.1.1 管道化（Pipeline）

虽然 MLlib 已经足够简单实用，但如果目标数据集结构复杂，需要多次处理，或是在学习过程中，要使用多个转化器 (Transformer) 和预测器 (Estimator)，这种情况下使用 MLlib 将会让程序结构极其复杂。所以，一个可用于构建复杂机器学习工作流应用的新库已经出现了，它就是 Spark 1.2 版本之后引入的 ML...]]></description><category></category></item><item><title><![CDATA[1.10树（tree）]]></title><link>https://blog.youkuaiyun.com/Fortuna_i/article/details/87297304</link><guid>https://blog.youkuaiyun.com/Fortuna_i/article/details/87297304</guid><author>Fortuna_i</author><pubDate>Thu, 14 Feb 2019 20:45:17 +0800</pubDate><description><![CDATA[1.10 树（tree）

1.10.1 决策树（Decision Tree）

首先，Mllib认为，决策树时随机森林（Random Forest）的一种特殊情况，也就是只有一棵树并且不采取特征抽样的随机森林。所以在训练决策树的时候，其实是训练随机森林，最后从随机森林中抽出一棵树。

决策树时一个数结构（可以是二叉树或非二叉树），由节点和有向边组成。决策树学习的本质是从训练数据集上归纳出一组分类...]]></description><category></category></item><item><title><![CDATA[1.9统计（stat）]]></title><link>https://blog.youkuaiyun.com/Fortuna_i/article/details/87296851</link><guid>https://blog.youkuaiyun.com/Fortuna_i/article/details/87296851</guid><author>Fortuna_i</author><pubDate>Thu, 14 Feb 2019 20:38:07 +0800</pubDate><description><![CDATA[1.9 统计（stat）

1.9.1 核密度估计（KDE(Kernel Density Estimation)）

由给定样本集合求解随机变量的分布密度函数问题是概率统计学的基本问题之一。解决这一问题的方法包括参数估计和非参数估计。

参数估计又可分为参数回归分析和参数判别分析。在参数回归分析中，人们嘉定数据分布符合某种特定的性态，如线性、指数性态等，然后在目标函数族中寻找特定的解，即确定回归模...]]></description><category></category></item><item><title><![CDATA[1.8推荐（recommendation）]]></title><link>https://blog.youkuaiyun.com/Fortuna_i/article/details/87296577</link><guid>https://blog.youkuaiyun.com/Fortuna_i/article/details/87296577</guid><author>Fortuna_i</author><pubDate>Thu, 14 Feb 2019 20:34:19 +0800</pubDate><description><![CDATA[1.8 推荐（recommendation）（协同过滤推荐算法）

协同过滤是一种借助&quot;集体计算&quot;的途径。它利用大量已有的用户偏好来估计用户对其未接触过的物品的喜好程度。其内在思想是相似度的定义。

在基于用户的方法的中，如果两个用户表现出相似的偏好（即对相同物品的偏好大体相同），那就认为他们的兴趣类似。要对他们中的一个用户推荐一个未知物品，便可选取若干与其类似的用户并根据他们的喜好计算出对各个物...]]></description><category></category></item><item><title><![CDATA[1.7优化（optimization）]]></title><link>https://blog.youkuaiyun.com/Fortuna_i/article/details/87296539</link><guid>https://blog.youkuaiyun.com/Fortuna_i/article/details/87296539</guid><author>Fortuna_i</author><pubDate>Thu, 14 Feb 2019 20:33:00 +0800</pubDate><description><![CDATA[1.7 优化（optimization）

1.7.1 梯度下降（Gradient Descent）

解决回归算法中一些求拟合线性方程最优解问题，即最小化损失函数J(θ) = ( h(x) - y )^2的问题，有两种求解方法：最小二乘法和梯度下降法。而通过矩阵求解最小二乘公式中：θ = ( XTX)-1XTy→要求X是列满秩的，而且求矩阵的逆比较慢，所以一般采用梯度下降法。

算法目标是最小化...]]></description><category></category></item><item><title><![CDATA[1.6关联规则（fpm）]]></title><link>https://blog.youkuaiyun.com/Fortuna_i/article/details/87296144</link><guid>https://blog.youkuaiyun.com/Fortuna_i/article/details/87296144</guid><author>Fortuna_i</author><pubDate>Thu, 14 Feb 2019 20:27:02 +0800</pubDate><description><![CDATA[1.6 关联规则（fpm）

1.6.1 关联规则（FPGrowth(Frequent Pattern Growth)）

关联规则挖掘的一个典型例子是购物篮分析。关联规则的研究有助于发现交易数据库中不同商品（项）之间的关系，找出顾客购买行为模式，如{啤酒，尿布}。

首先弄清楚几个概念：

项（item）：即商品；项集：若干项的集合。
	关联规则：关联规则用于表示数据内隐含的关联性。一般记X为先...]]></description><category></category></item><item><title><![CDATA[1.5特征（feature）]]></title><link>https://blog.youkuaiyun.com/Fortuna_i/article/details/87295893</link><guid>https://blog.youkuaiyun.com/Fortuna_i/article/details/87295893</guid><author>Fortuna_i</author><pubDate>Thu, 14 Feb 2019 20:25:07 +0800</pubDate><description><![CDATA[1.5 特征（feature）

特征中有三种算法：ChiSqSelector、VectorSlicer和RFormula为特征选择方法；

有三种方法：CountVectorizer、TF-IDF和Word2Vec组成三种文本特征抽取方法；

其余方法为特征变换。

特征变换又分5个类：

自然语言相关特征转换，包括：Tokenizer、Stop Words Remover、n-gram。
	连...]]></description><category></category></item><item><title><![CDATA[1.4评估（evaluation）]]></title><link>https://blog.youkuaiyun.com/Fortuna_i/article/details/87252104</link><guid>https://blog.youkuaiyun.com/Fortuna_i/article/details/87252104</guid><author>Fortuna_i</author><pubDate>Thu, 14 Feb 2019 09:35:38 +0800</pubDate><description><![CDATA[1.4 评估（evaluation）
1.4.1 曲线下面积（AUC(Area Under Curve)）
AUC是指ROC曲线下的面积，而ROC计算需要了解混淆矩阵。
混淆矩阵：
如：预测肿瘤是否为良性。

 
TP表示预测为良性，而实际也是良性的样例数； 
FN表示预测为恶性，而实际是良性的样例数；
FP表示预测为良性，而实际是恶性的样例数； 
TN表示预测为恶性，而实际也是恶性的样例数；
这...]]></description><category></category></item><item><title><![CDATA[1.3聚类（clustering）]]></title><link>https://blog.youkuaiyun.com/Fortuna_i/article/details/87251863</link><guid>https://blog.youkuaiyun.com/Fortuna_i/article/details/87251863</guid><author>Fortuna_i</author><pubDate>Thu, 14 Feb 2019 09:32:06 +0800</pubDate><description><![CDATA[1.3 聚类（clustering）

1.3.1 K均值（K Means）

KMeans算法的基本思想是初始随机给定K个簇中心，按照最近邻原则把待分类样本定分到各个簇。然后按平均法重新计算各个簇的质心，从而确定新的簇心。一直迭代，直到簇心的移动距离小于某个给定的值。

KMeans聚类算法主要分为3个步骤：

为待聚类的点寻找聚类中心。
	计算每个点到聚类中心的距离，将每个点聚类到离该点最近的...]]></description><category></category></item></channel></rss>