简介朴素贝叶斯算法主要用于分类问题，原理十分简单，主要采用后验概率最大化的方法来判定测试样本的类别。对于某个给定的测试样本$ x = \{x_1,…,x_n\} $，其类别为$y$的概率可以通过贝叶斯公式计算：
P(y|x_1,...,x_n) = \frac{P(y)P(x_1,...,x_n|y)}{P(x_1,...,x_n)}其中$P(y)$是类别$y$的先验概率，$P(x_1,…,x_n|y)$是条件概率。后验概率最大化就是找出能够使得$P(y|x_1,…,x_n)$最大的类别$y$。
由于朴素贝叶斯算法假设各个特征之间相互独立，所以可以得到下面的公式：
P(x_1,...,x...
简介k近邻算法是一种非常简单、直观的算法：给定一个数据集，对于新的输入实例，在训练数据集中找到与该实例最近的k个实例，这k个实例的多数属于某个类，就把该新的输入实例分为这个类。
这里主要涉及到两个问题：一是实例间的距离度量，二是如何找到所有训练数据集中最靠近新的输入实例的k个实例。常用的距离度量有欧氏距离（Euclidean Distance）和Minkowski距离等，本文实现的k近邻算法就采用了欧氏距离。至于如何找到靠近输入实例最近的k个实例，一种比较朴素的实现方式是对整个训练数据集进行线性扫描，维护一个大小为k的优先队列，保存距离输入实例最近的k个实例点，也俗称暴力搜索，但是当训练...
基本形式逻辑回归主要用于解决分类问题。逻辑回归函数的输出是一个处于0-1之间的值，代表输出是1的概率。\begin{align}& h_\theta(x) = P(y=1 | x ; \theta) = 1 - P(y=0 | x ; \theta) \newline& P(y = 0 | x;\theta) + P(y = 1 | x ; \theta) = 1\end{align}
基本形式如下：\begin{align}& h_\theta (x) = g ( \theta^T x ) \newline \newline& z = \theta^T...
花了两周时间学完了吴恩达的机器学习课程，做完了所有作业。虽然编程作业大多是照着公式写代码，框架都给你搭好，几乎是保姆式的服务，但还是或多或少有所收获。因为有点基础，所以看得比较快，十一周的课程只花了两周的时间。总的来说还是值得一看，涉及到了很多方面，在此做个小结。
最近在公司被分配了一个任务，看一下Solr通配符查询的实现，主要是因为发现Solr对于通配符查询很慢，于是就哼哧哼哧跑去看源码了。源码看起来很累，大量调用的嵌套、委托模式，一层套一层，不过还是很有收获，今天不谈Solr具体查询的逻辑，谈一谈其查询的实现方式——自动机。对于想自己实现用自动机进行字符串匹配、正则表达式匹配的同学，还是值得一看的。(基于Solr_5.0.0)
自动机的定义
An automaton is a self-operating machine, or a machine or control mechanism designed to follow automatically a predetermined sequence of operations, or respond to predetermined instructions.
最近在看netty，光看看书也是挺无聊的，就想着写点东西。Netty的Github上面有很多example可以学习，想到之前做的项目用Javascript写了一个http/https代理服务器来获取某些请求的参数，就想着自己再用netty来实现一下。思想很简单，实现的时候还是有很多细节的地方要注意。而且暂时https的代理还没能实现，遇到了一些问题，暂时避开这方面。
前段时间有幸拿到了网易校招内推批次的内推码，于是就抱着试一试的心态投了杭研的Java职位。首先是笔试，笔试过程也是充满了戏剧性。第一次笔试由于平台的原因导致我提前交卷，没能答好，于是就有了第二次笔试的机会。鉴于第一次笔试的经验，第二次做的比较顺利，编程题有的很快也就有了思路，所以最后笔试也是过了，还是挺高兴的。
最近找了两本Java虚拟机方面的书，看了看其中对于Java自动内存管理的章节，写的都大同小异，在此总结一下，主要是三个方面：内存划分、内存分配、内存回收。
最近在写Java程序的时候，接触到一些多线程方面的东西，用到了Java中的线程池。JDK中对线程池的支持比较完善，在java.util.concurrent包中，用ThreadPoolExecuter类表示一个线程池，同时还有一个Executor类扮演着线程池工厂的角色。例如：
1 | public static ExecutorService newFixedThreadPool(int nThreads) |
