<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[MrChen11的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/MrChen11</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; MrChen11]]></copyright><item><title><![CDATA[循序渐进学java 13种核心技术]]></title><link>https://blog.youkuaiyun.com/MrChen11/article/details/53386120</link><guid>https://blog.youkuaiyun.com/MrChen11/article/details/53386120</guid><author>MrChen11</author><pubDate>Mon, 28 Nov 2016 23:05:30 +0800</pubDate><description><![CDATA[Java的大方向就是j2ee
j2ee不仅仅是socket编程，具体包括13中核心技术。
 
J2EE的核心API与组件
 
  J2EE平台由一整套服务（Services）、应用程序接口（APIs）和协议构成，它对开发基于Web的多层应用提供了功能支持，下面对J2EE中的13种技术规范进行简单的描述(限于篇幅，这里只能进行简单的描述):
 
  1. JDBC(Java Datab]]></description><category></category></item><item><title><![CDATA[用TCP协议模式HTTP的PUT请求上传文件到tomcat服务器]]></title><link>https://blog.youkuaiyun.com/MrChen11/article/details/53248291</link><guid>https://blog.youkuaiyun.com/MrChen11/article/details/53248291</guid><author>MrChen11</author><pubDate>Sun, 20 Nov 2016 23:38:53 +0800</pubDate><description><![CDATA[1.问题描述今天学习spring mvc时用到了一个jersey库，使用该库可以直接把文件上传到tomcat服务器。而在tomcat服务器端不需要写任何响应代码，只需要服务器处于运行状态，文件就可以上传到服务器中。jersey库是怎么做到的呢？猜测它是通过http协议的put请求将文件上传上去的。为了验证这个想法，我使用tcp协议模拟http协议看能不能将文件上传到tomcat服务器中。2.环境搭建]]></description><category></category></item><item><title><![CDATA[素质拓展]]></title><link>https://blog.youkuaiyun.com/MrChen11/article/details/51931953</link><guid>https://blog.youkuaiyun.com/MrChen11/article/details/51931953</guid><author>MrChen11</author><pubDate>Sun, 17 Jul 2016 14:38:58 +0800</pubDate><description><![CDATA[2016年7月14日，入职报道今天上午报道，填资料以及领取设备。下午找到自己的坑位，安装电脑以及注册招行一事通帐号。下午准备找自己的导师聊一聊大致的工作内容，但是发现他貌似很忙的样子，等到晚上7点还是没有找到机会，于是就回到了住处。第一天感觉公司的办公地点还是挺高大上的，唯一的槽点是茶水间的零食需要给钱……2016年7月15日，素质拓展第一天今天是素质拓展的第一天，早上7点半到达公司总部，8点钟出发]]></description><category></category></item><item><title><![CDATA[最大熵模型中的数学推导]]></title><link>https://blog.youkuaiyun.com/MrChen11/article/details/48634551</link><guid>https://blog.youkuaiyun.com/MrChen11/article/details/48634551</guid><author>MrChen11</author><pubDate>Mon, 21 Sep 2015 22:05:25 +0800</pubDate><description><![CDATA[最大熵模型中的数学推导





转自:http://blog.youkuaiyun.com/v_july_v/article/details/40508465

0 引言

    写完SVM之后，一直想继续写机器学习的系列，无奈一直时间不稳定且对各个模型算法的理解尚不够，所以导致迟迟未动笔。无独有偶，重写KMP得益于今年4月个人组织的算法班，而动笔继续写这个机器学习系列，正得益于今年1]]></description><category></category></item><item><title><![CDATA[操作系统笔试题]]></title><link>https://blog.youkuaiyun.com/MrChen11/article/details/48548087</link><guid>https://blog.youkuaiyun.com/MrChen11/article/details/48548087</guid><author>MrChen11</author><pubDate>Fri, 18 Sep 2015 16:09:56 +0800</pubDate><description><![CDATA[http://www.cnblogs.com/xuhongfei/archive/2012/12/24/2831461.htm]]></description><category></category></item><item><title><![CDATA[第二章 概率分布]]></title><link>https://blog.youkuaiyun.com/MrChen11/article/details/48141945</link><guid>https://blog.youkuaiyun.com/MrChen11/article/details/48141945</guid><author>MrChen11</author><pubDate>Mon, 31 Aug 2015 22:37:02 +0800</pubDate><description><![CDATA[1. N趋近于无穷大时多项式分布收敛到高斯分布本节对应PRML （Pattern Recognition and Machine Learning）的2.3节。当我们考虑多个随机变量只和的时候，也会产生高斯分布。拉普拉斯提出的中心极限定理（central limit theorem）告诉我们，对于某些温和的情况，一组随机变量之和（当然也是随机变量）的概率分布随着和式中项的数量增加而逐渐趋向高斯分布（]]></description><category></category></item><item><title><![CDATA[关于Big Endian 和 Little Endian]]></title><link>https://blog.youkuaiyun.com/MrChen11/article/details/47446067</link><guid>https://blog.youkuaiyun.com/MrChen11/article/details/47446067</guid><author>MrChen11</author><pubDate>Wed, 12 Aug 2015 15:56:04 +0800</pubDate><description><![CDATA[Big Endian 和 Little Endian
Peter Lee 2008-04-20
 
一、字节序
来自：http://ayazh.gjjblog.com/archives/1058846/
谈到字节序的问题，必然牵涉到两大CPU派系。那就是Motorola的PowerPC系列CPU和Intel的x86系列CPU。PowerPC系列采用big
 endian方式存储数据，而]]></description><category></category></item><item><title><![CDATA[互联网公式笔试中经常遇到的问题]]></title><link>https://blog.youkuaiyun.com/MrChen11/article/details/47443167</link><guid>https://blog.youkuaiyun.com/MrChen11/article/details/47443167</guid><author>MrChen11</author><pubDate>Wed, 12 Aug 2015 13:35:16 +0800</pubDate><description><![CDATA[C++
sizeof，字节对齐问题。struct mystruct1{
 short a1;
 short a2;
 short a3;
};struct mystruct2{
 bool b1;
 bool b2;
 char c;
 int i;
};struct mystruct3{
 bool b1;
 bool b2;
};struct mystruct4{
 bool b1;
 int]]></description><category></category></item><item><title><![CDATA[面试复习重点——基础篇：操作系统、计算机网络、设计模式【山科大牛陈磊整理】]]></title><link>https://blog.youkuaiyun.com/MrChen11/article/details/47426025</link><guid>https://blog.youkuaiyun.com/MrChen11/article/details/47426025</guid><author>MrChen11</author><pubDate>Tue, 11 Aug 2015 20:09:07 +0800</pubDate><description><![CDATA[基础篇：操作系统、计算机网络、设计模式【山科大牛陈磊整理】


一：操作系统



1. 进程的有哪几种状态，状态转换图，及导致转换的事件。

2. 进程与线程的区别。

3. 进程通信的几种方式。

4. 线程同步几种方式。(一定要会写生产者、消费者问题，完全消化理解)

5. 线程的实现方式. (也就是用户线程与内核线程的区别)

6. 用户态和核心态的区别。]]></description><category></category></item><item><title><![CDATA[互联网公司面试中经常被问的问题]]></title><link>https://blog.youkuaiyun.com/MrChen11/article/details/47418623</link><guid>https://blog.youkuaiyun.com/MrChen11/article/details/47418623</guid><author>MrChen11</author><pubDate>Tue, 11 Aug 2015 13:07:21 +0800</pubDate><description><![CDATA[机器学习1.（腾讯）SVM的原理是什么？ 
 参考答案： 支持向量机（SVM）第一种二类分类模型，它的基本模型是定义在特征空间上的间隔最大的线性分类器，间隔最大使它有别于感知机；支持向量机还包括核技巧，这使它成为实质上的非线性分类器。硬几何最大化解决线性可分问题，软几何间隔最大化解决线性不可分问题（摘自《统计学习方法》）。2.（腾讯）LR的原理是什么？ 
 参考答案： 逻辑回归以一个二分类算法，它的]]></description><category></category></item><item><title><![CDATA[2015阿里移动推荐算法大赛总结]]></title><link>https://blog.youkuaiyun.com/MrChen11/article/details/47380681</link><guid>https://blog.youkuaiyun.com/MrChen11/article/details/47380681</guid><author>MrChen11</author><pubDate>Sun, 09 Aug 2015 21:55:36 +0800</pubDate><description><![CDATA[赛题2014年是阿里巴巴集团移动电商业务快速发展的一年，例如2014双11大促中移动端成交占比达到42.6%，超过240亿元。相比PC时代，移动端网络的访问是随时随地的，具有更丰富的场景数据，比如用户的位置信息、用户访问的时间规律等。]]></description><category></category></item><item><title><![CDATA[第一章  绪论]]></title><link>https://blog.youkuaiyun.com/MrChen11/article/details/47379781</link><guid>https://blog.youkuaiyun.com/MrChen11/article/details/47379781</guid><author>MrChen11</author><pubDate>Sun, 09 Aug 2015 20:44:16 +0800</pubDate><description><![CDATA[1.1 用贝叶斯的观点解释多项式拟合本节对应PRML （Pattern Recognition and Machine Learning）的1.2.5节。给定训练集x=(x1,x2,…,xN)T\mathbf{x}=(x_1,x_2,\dots,x_N)^T，样本标签t=(t1,t2,…,tN)T\mathbf{t}=(t_1,t_2,\dots,t_N)^T，可以用一个高斯分布来描述目标值t\ma]]></description><category></category></item><item><title><![CDATA[[阿里笔试]在64位系统下，分别定义如下两个变量：char *p[10]; char(*p1)[10];请问，sizeof(p)和sizeof (p1)分别值为____。]]></title><link>https://blog.youkuaiyun.com/MrChen11/article/details/47285521</link><guid>https://blog.youkuaiyun.com/MrChen11/article/details/47285521</guid><author>MrChen11</author><pubDate>Tue, 04 Aug 2015 23:53:28 +0800</pubDate><description><![CDATA[题目（阿里笔试题）：在64位系统下，分别定义如下两个变量：char *p[10]; char(*p1)[10];请问，sizeof(p)和sizeof (p1)分别值为__。 
解析： 由于sizeof不会把数据转换为指针，并且在64位操作系统中指针占8个字节，因此答案是80，8（p1是一个指针变量，而p是一个指针数组。]]></description><category></category></item><item><title><![CDATA[阿里算法工程师内推面试经历]]></title><link>https://blog.youkuaiyun.com/MrChen11/article/details/47177231</link><guid>https://blog.youkuaiyun.com/MrChen11/article/details/47177231</guid><author>MrChen11</author><pubDate>Fri, 31 Jul 2015 22:58:34 +0800</pubDate><description><![CDATA[目录目录
一面一面时间：2015年7月22日 
    下午四点多接到电话，手机上标注的是骚扰电话，当时准备不接的。但是手机一直响了很久，最后还是接了，我还很不客气的问对方是谁。对方很温柔的回答说“我这边是阿里巴巴 …\dots”。当时差点被下尿了，但是还强壮镇定，询问是否是要开始面试，因为一个星期之前我投了阿里妈妈事业部的内推简历，想要应聘的岗位是算法工程师。 
    接下来就是正式的面试，持续]]></description><category></category></item><item><title><![CDATA[从决策树学习谈到贝叶斯分类算法、EM、HMM]]></title><link>https://blog.youkuaiyun.com/MrChen11/article/details/47171109</link><guid>https://blog.youkuaiyun.com/MrChen11/article/details/47171109</guid><author>MrChen11</author><pubDate>Fri, 31 Jul 2015 15:43:39 +0800</pubDate><description><![CDATA[引言

    最近在面试中，除了基础 &  算法 & 项目之外，经常被问到或被要求介绍和描述下自己所知道的几种分类或聚类算法(当然，这完全不代表你将来的面试中会遇到此类问题，只是因为我的简历上写了句：熟悉常见的聚类 & 分类算法而已)，而我向来恨对一个东西只知其皮毛而不得深入，故写一个有关数据挖掘十大算法的系列文章以作为自己备试之用，甚至以备将来常常回顾思考。行文杂乱，但侥幸若能对读者起到一]]></description><category></category></item><item><title><![CDATA[数据挖掘领域十大经典算法初探]]></title><link>https://blog.youkuaiyun.com/MrChen11/article/details/47159263</link><guid>https://blog.youkuaiyun.com/MrChen11/article/details/47159263</guid><author>MrChen11</author><pubDate>Thu, 30 Jul 2015 23:19:55 +0800</pubDate><description><![CDATA[转自：http://blog.youkuaiyun.com/v_july_v/article/details/6142146

以下就是从参加评选的18种候选算法中，最终决选出来的十大经典算法：

一、C4.5
C4.5，是机器学习算法中的一个分类决策树算法，
它是决策树(决策树也就是做决策的节点间的组织方式像一棵树，其实是一个倒树)核心算法
ID3的改进算法，所以基本上了解了一半决策树构造方法]]></description><category></category></item><item><title><![CDATA[支持向量机通俗导论（理解SVM的三层境界）]]></title><link>https://blog.youkuaiyun.com/MrChen11/article/details/47159171</link><guid>https://blog.youkuaiyun.com/MrChen11/article/details/47159171</guid><author>MrChen11</author><pubDate>Thu, 30 Jul 2015 23:14:30 +0800</pubDate><description><![CDATA[转自：http://blog.youkuaiyun.com/v_july_v/article/details/7624837




前言

    动笔写这个支持向量机(support vector machine)是费了不少劲和困难的，原因很简单，一者这个东西本身就并不好懂，要深入学习和研究下去需花费不少时间和精力，二者这个东西也不好讲清楚，尽管网上已经有朋友写得不错了(见文末参考链接)，但]]></description><category></category></item><item><title><![CDATA[参与阿里巴巴移动推荐算法比赛感想与总结]]></title><link>https://blog.youkuaiyun.com/MrChen11/article/details/47158183</link><guid>https://blog.youkuaiyun.com/MrChen11/article/details/47158183</guid><author>MrChen11</author><pubDate>Thu, 30 Jul 2015 22:29:34 +0800</pubDate><description><![CDATA[比赛时间：3月20日--7月01日。

虽然昨晚是提交结果的最后一晚，但对于我们队而言，比赛已经在前几天就已经结束了。就像是一个癌症晚期的病人，深知没有存活的希望一样，放弃了挣扎，等待死神降临。

我们最终的排名是113。不理想的结果。对于一开始就抱着想要拿到一个好的名次的参赛初衷的自己，不想在这个时候说什么'重在参与','重在提高',这些都不过是失败者的自我安慰罢了。自庭（我的队友）和我]]></description><category></category></item><item><title><![CDATA[教你如何迅速秒杀掉：99%的海量数据处理面试题]]></title><link>https://blog.youkuaiyun.com/MrChen11/article/details/47154649</link><guid>https://blog.youkuaiyun.com/MrChen11/article/details/47154649</guid><author>MrChen11</author><pubDate>Thu, 30 Jul 2015 19:12:19 +0800</pubDate><description><![CDATA[前言




   一般而言，标题含有“秒杀”，“99%”，“史上最全/最强”等词汇的往往都脱不了哗众取宠之嫌，但进一步来讲，如果读者读罢此文，却无任何收获，那么，我也甘愿背负这样的罪名，:-)，同时，此文可以看做是对这篇文章：十道海量数据处理面试题与十个方法大总结的一般抽象性总结。

    毕竟受文章和理论之限，本文将摒弃绝大部分的细节，只谈方法/模式论，且注重用最通俗最直白的语]]></description><category></category></item><item><title><![CDATA[Data-Mining试题]]></title><link>https://blog.youkuaiyun.com/MrChen11/article/details/47114877</link><guid>https://blog.youkuaiyun.com/MrChen11/article/details/47114877</guid><author>MrChen11</author><pubDate>Tue, 28 Jul 2015 23:36:37 +0800</pubDate><description><![CDATA[Data-Mining试题
2011Alibaba数据分析师（实习）试题解析
一、异常值是指什么？请列举1种识别连续型变量异常值的方法？
异常值（Outlier） 是指样本中的个别值，其数值明显偏离所属样本的其余观测值。在数理统计里一般是指一组观测值中与平均值的偏差超过两倍标准差的测定值。
Grubbs’ test（是以Frank E.Grubbs命名的），又叫maximumnormed ]]></description><category></category></item></channel></rss>