something need to learn

本文分享了一位初级程序员从失望到坚持的学习JAVA的经历,并给出了实用的学习建议:熟练掌握基础类库,学习设计模式与重构技巧,深入理解JVM机制,研究开源代码,以及扩展数据库和网络等方面的知识。

关于JAVA,方向在哪?

1、主流框架要掌握如(ssh),没事可以了解下jsf,shale,seam,richface,jpa 框架。

2、对于各种缓存的分析利弊,能灵活运用 如memcache,Oscache, 内存数据库timesken,嵌入数据库b-db等。。。。。

3、向网络、通信方面发展,比如说写个类似于mina的框架,写写类似于游戏服务端的东西,自己可以写协议,支持高并发。

4、掌握几种主流数据库,oracle,sql ,mysql等,可以书写复杂的存储过程,mysql之类的分布、集群掌握一下。
5、会用轻量级别的SOA框架,如serviceMix,Mule等。。。JMS消息队列需要掌握。

6、深入了解当前业务系统,争取做到这方面的专家。

目前就想到这么多

                                                                                                                   vtrtbb (初级程序员) 2010-04-23
说些实际的吧。

简单说说我的经历,我刚开始对JAVA也比较失望,一直想做Java,后来由于种种原因,还是坚持了下来。

1、刚开始,主要搞Html、CSS、JavaScript,后来再搞Java,搞Java一定要把那些常用类的用法了然于心。学Java首先要做到对Java基础类库的熟练使用。

2、熟悉了Java基础类库之后,还需要写出好的代码,重用+重构,重用是一种思想,需要多学习设计模式,Java类库中设计模式使用得就非常多,这点需要自己多思考;重构,在不影响原有功能的基础上改善代码的质量,这个需要自己平时多加练习和体会。

3、建议深入JVM的深层机制,如类加载机制等,如果业务的访问量大,尽早会遇到一些性能问题,JAVA常用的性能问题就是OutOfMemory,自己可以尝试去解决这类问题,不过要做好心理准备,解决这类问题一般需要较长时间,而且会比较痛苦,当然在解决这类问题的过程中,可以学到很多东西,可以明显感觉到自己的提升。

4、在上述几个过程中,建议多学习一下开源代码,如WebWork、Tomcat等。

5、当然,在学习Java的过程中,还需要关注其它技术,如数据库,操作系统、网络等。我个人的建议,先深度学习,再广度学习。有了一定的积累之后,很多东西就可以很快上手。
                                                                                                          zhao3546 (初级程序员) 2010-05-03
物联网通信协议测试是保障各类设备间实现可靠数据交互的核心环节。在众多适用于物联网的通信协议中,MQTT(消息队列遥测传输)以其设计简洁与低能耗的优势,获得了广泛应用。为确保MQTT客户端与服务端的实现严格遵循既定标准,并具备良好的互操作性,实施系统化的测试验证至关重要。 为此,采用TTCN-3(树表结合表示法第3版)这一国际标准化测试语言构建的自动化测试框架被引入。该语言擅长表达复杂的测试逻辑与数据结构,同时保持了代码的清晰度与可维护性。基于此框架开发的MQTT协议一致性验证套件,旨在自动化地检验MQTT实现是否完全符合协议规范,并验证其与Eclipse基金会及欧洲电信标准化协会(ETSI)所发布的相关标准的兼容性。这两个组织在物联网通信领域具有广泛影响力,其标准常被视为行业重要参考。 MQTT协议本身存在多个迭代版本,例如3.1、3.1.1以及功能更为丰富的5.0版。一套完备的测试工具必须能够覆盖对这些不同版本的验证,以确保基于各版本开发的设备与应用均能满足一致的质量与可靠性要求,这对于物联网生态的长期稳定运行具有基础性意义。 本资源包内包含核心测试框架文件、一份概述性介绍文档以及一份附加资源文档。这些材料共同提供了关于测试套件功能、应用方法及可能包含的扩展工具或示例的详细信息,旨在协助用户快速理解并部署该测试解决方案。 综上所述,一个基于TTCN-3的高效自动化测试框架,为执行全面、标准的MQTT协议一致性验证提供了理想的技术路径。通过此类专业测试套件,开发人员能够有效确保其MQTT实现的规范符合性与系统兼容性,从而为构建稳定、安全的物联网通信环境奠定坚实基础。 资源来源于网络分享,仅用于学习交流使用,请勿用于商业,如有侵权请联系我删除!
What you can try is that you can divert the numerical explicitness of your features. Let me explain:\nSimilar to my answer in the previous topic; the regression algorithm will use the value from the time-window you give as a sample, to minimize the error. Let’s assume you are trying to predict the closing price of BTC at time t. One of your features consists of previous closing prices and you are giving a time-series window of last 20 inputs from t-20 to t-1. A regressor probably will learn to choose the closing value at time step t-1 or t-2 or a close value in this case, cheating. Think like that: if closing price was $6340 at t-1, predicting $6340 or something close at t+1 would minimize the error at strongest. But actually the algorithm did not learn any patterns; it just replicates, so it basically does nothing but accomplishing its optimization duty.\nThink analogously from my example: By diverting the explicitness, what I mean is that: do not give the closing prices directly, but scale them or do not use explicit ones at all. Do not use any features explicitly showing the closing prices to the algorithm, do not use open, high, low etc for every time step. You will need to be creative here, engineer the features to get rid of explicit ones; you can give squared close differences (regressor can still steal from past with linear differences, with experience), its ratio to volume. Or, can make the features categorical by digitizing them in a manner that would make sense to use. The point is do not give direct intuition to what it should predict, only provide patterns for algorithm to work on.\nA faster approach may be suggested depending on your task. You can do multi-class classification if predicting how much percent of change that your labels is enough for you, just be careful about class imbalance situations. If even just the up/down fluctuations are enough for you, you can directly go for the binary classification. Replication or shifting problems are only seen at the regression tasks, if you are not leaking data from training to the test set. If possible, get rid out of regression for time-series windowed applications.
12-19
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值