精华内容
下载资源
问答
  • 一个机器学习系统一般应该有环境、学习、知识库、执行与评价四个基本部分组成。 关于机器学习研究,可以追溯到20世纪50年代中期。当时人们从仿生学角度开展了研究,希望搞清楚人类大脑及神经系统学习机理。但...

    机器学习是人工智能中一个重要的研究领域,一直受到人工智能及认知心理学家们的普遍关注。一个机器学习系统一般应该有环境、学习、知识库、执行与评价四个基本部分组成。

    关于机器学习的研究,可以追溯到20世纪50年代中期。当时人们从仿生学的角度开展了研究,希望搞清楚人类大脑及神经系统的学习机理。但由于受到客观条件的限制,未能如愿。之后几经波折,直到20世纪80年代才获得了蓬勃发展。

    近年来,随着专家系统的发展,需要系统具有学习能力,这促进了机器学习的研究,使之获得了较快的发展,研制出了多种学习系统。但机器学习与计算机科学、心理学等多种学科都有密切的关系,牵涉的面比较广,因此许多理论及技术上的问题尚处于研究之中。

    学习是一个有特定目的的知识获取过程,其内在行为是获取知识、积累经验、发现规律;外部表现是改进性能、适应环境、实现系统的自我完善。

    机器学习(MachineLearning)使计算机能模拟人的学习行为,自动地通过学习来获取知识和技能,不断改善性能,实现自我完善。

    作为人工智能的一个研究领域,机器学习主要研究以下三方面问题:

    1.学习机理。这是对人类学习机制的研究,即人类获取知识、技能和抽象概念的天赋能力。通过这一研究,将从根本上解决机器学习中存在的种种问题◦

    2.学习方法,研究人类的学习过程,探索各种可能的学习方法,建立起独立于具体应用领域的学习算法。机器学习方法的构造是对生物学习机理进行简化的基础上,用计算的方法进行再现

    3.学习系统。根据特定任务的要求,建立相应的学习系统。

    人工智能、大数据、云计算和物联网的未来发展值得重视,均为前沿产业,多智时代专注于人工智能和大数据的入门和科谱,在此为你推荐几篇优质好文:
    对于机器学习,到底该选择哪种编程语言?
    http://www.duozhishidai.com/article-4358-1.html
    科普篇:12个关键词,告诉你到底什么是机器学习
    http://www.duozhishidai.com/article-4286-1.html
    机器学习之一些基本概念及符号系统
    http://www.duozhishidai.com/article-4219-1.html


    多智时代-人工智能大数据学习入门网站|人工智能、大数据、物联网云计算的学习交流网站

    多智时代-人工智能大数据学习入门网站|人工智能、大数据、云计算、物联网的学习服务的好平台
    展开全文
  • 一、模型验证  进行模型验证重要目的是要选出一最合适...一般来讲不同训练集、验证集分割方法会导致其准确率不同,而交叉验证的基本思想是:将数据集进行一系列分割,生成一组不同训练验证集,...

    一、模型验证

      进行模型验证的一个重要目的是要选出一个最合适的模型,对于监督学习而言,我们希望模型对于未知数据的泛化能力强,所以就需要模型验证这一过程来体现不同的模型对于未知数据的表现效果。

      这里我们将训练集再分成训练集与验证集两部分,大概比例就是3:1吧。一般来讲不同的训练集、验证集分割的方法会导致其准确率不同,而交叉验证的基本思想是:将数据集进行一系列分割,生成一组不同的训练验证集,然后分别训练模型并计算测试准确率,这样就会得到多个模型与多个准确率,然后取其平均值即可,这样就有效防止因为数据的特定分割导致的准确率伪过高,过拟合问题,对于模型的评价更加客观、有说服力!

     

    二、K折交叉验证

    1. 将数据集平均分割成K个等份
    2. 使用1份数据作为测试数据,其余作为训练数据
    3. 计算测试准确率
    4. 使用不同的测试集,重复2、3步骤
    5. 对测试准确率做平均,作为对未知数据预测准确率的估计

     

    三、交叉验证的应用

    1)模型参数选择

     1 #!/usr/bin/python
     2 
     3 import pandas as pd
     4 import numpy as np
     5 import matplotlib.pyplot as plt
     6 from sklearn.linear_model import Ridge,RidgeCV, ElasticNet, LassoCV, LassoLarsCV
     7 from sklearn.model_selection import cross_val_score
     8 
     9 df=pd.read_csv('a.csv')
    10 X_train=df.iloc[:,0:-1]
    11 
    12 y=df.price
    13 
    14 def rmse_cv(model):
    15     rmse= np.sqrt(-cross_val_score(model, X_train, y, scoring="neg_mean_squared_error", cv = 3))
    16     print(rmse)
    17     return(rmse)
    18 
    19 
    20 
    21 alphas = [0.05, 0.1, 0.3, 1, 3, 5, 10, 15, 30, 50, 75]
    22 
    23 cv_ridge = [rmse_cv(Ridge(alpha = alpha)).mean() for alpha in alphas]
    24 
    25 
    26 cv_ridge = pd.Series(cv_ridge, index = alphas)
    27 cv_ridge.plot(title = "Validation - Just Do It")
    28 plt.xlabel("alpha")
    29 plt.ylabel("rmse")
    30 plt.show()

     

    从上述图中看出来,当alpha=1时候,rmse值最小。

    这就是交叉验证的一个典型应用,通过交叉验证选择Ridge回归的正则化参数alpha,取使残差平方值rmse最小的alpha值。

     

     2)模型选择

      交叉验证也可以帮助我们进行模型选择,使用方式类似与上述参数选择,就是利用交叉验证集作用在不同的模型上,选择一个使残差平方值或者精确度最高(注:在scikit-learn的cross_val_score函数中可以选择使用那种方式)的模型最为最终模型。

     

     3)特征选择

      通过交叉验证来进行特征的选择,对比不同的特征组合对于模型的预测效果,大概方法也类同上述所讲。

     

    四、scikit-learn中cross_val_score函数

       sklearn.cross_validation.cross_val_score(estimator, X, y=None, scoring=None, cv=None, n_jobs=1, verbose=0, fit_params=None, pre_dispatch='2*n_jobs')

     

      estimator:所调用的机器学习模型算法

      X:训练集

      y:训练集的目标值

      scoring:评测模型的打分标准,scoring可调用的对应的函数名称如下:

       Classification 
        ‘accuracy’sklearn.metrics.accuracy_score
        ‘average_precision’sklearn.metrics.average_precision_score
        ‘f1’sklearn.metrics.f1_score f1就是F-measure
        ‘precision’sklearn.metrics.precision_score
        ‘recall’sklearn.metrics.recall_score
        ‘roc_auc’sklearn.metrics.roc_auc_score
      Clustering 
        ‘adjusted_rand_score’sklearn.metrics.adjusted_rand_score
      Regression
         ‘mean_squared_error’sklearn.metrics.mean_squared_error
        ‘r2’sklearn.metrics.r2_score
        neg_mean_absolute_error
        neg_mean_squared_error
        neg_median_absolute_error:参考http://blog.csdn.net/lipe12/article/details/51200510
     
      cv:交叉验证分割样本集的策略,默认是3折交叉验证。For integer/None inputs, if the estimator is a classifier and y is either binary or      multiclass, StratifiedKFold is used. In all other cases, KFold is used
     
      n_jobs:The number of CPUs to use to do the computation. -1 means ‘all CPUs’。
     
      pre_dispatch:控制总执行任务数量,以防止任务数量超过CPU数量,将内存消耗殆尽。
              None:不做任务量限制,任务产生就执行。
              int 值:限制总并行执行的最大任务数。

      

    转载于:https://www.cnblogs.com/gczr/p/6807339.html

    展开全文
  • 基于五种机器算法信用风险评估

    千次阅读 2017-07-28 12:47:36
    基于五种机器算法信用风险评估是一个系列文章,从互金数据出发,经过数据预处理,特征工程,建立机器学习模型,以及模型评估四个部分来分析建模。文章将按照一般的建模流程来组织:确定业务目标→数据获取→数据...

    转载请注明出处:乐投网-基于五种机器算法的信用风险评估

    基于五种机器算法的信用风险评估是一个系列文章,从互金数据出发,经过数据预处理,特征工程,建立机器学习模型,以及模型评估四个部分来分析建模。文章将按照一般的建模流程来组织:确定业务目标→数据获取→数据检验→变量选择(数据清洗)→变量转化→数据输入模型算法→模型评估。本文的重点放在建模前期的数据准备上,包括数据基本信息的分析,数据异常值、缺失值的分析,单变量分析以及变量的相关性分析上。为下一期的特征工程做好准备。


    (1)数据预处理

    数据准备

      数据字段有18个分别为status、paid.ratio和16个模型变量。

    备注:
    1. 教育程度一项给高中、大专、本科、研究生分别打分3、6、8、10。未填 此项打分为0(0值有三人,均无逾期)。
    2. 对给出数额范围的项目做了取边界和平均的平滑处理。例如,薪水小于1000算作1000;1000-2000算作1500;2000-5000算作3500等等。
    3. 分类使用status变量作为y值,0表示没有违约、1表示违约。
    4. 回归使用paid.ratio变量,变量值表示已付的比例。
    5. 给每个变量标号后,图形的坐标可视化更加友好。

    数据大体分布
    1. 数据为不平衡数据,正负数据比例为6:1,考虑采用重采样的方法增加样本量。
    2. 且负样本中还款率均值为30%,说明一旦出现未还的账目,借款人就倾向于不还钱(破窗效应)
    3. 3/4分为点才达到50%的还款率,进一步说明还款率较低

    数据处理

      如何在这些字段中提取出模型要使用的特征变量实际上决定了模型的上限,数据预处理显得十分重要,一般对信用评分的模型数据采用以下预处理步骤:
    1. 贷后的相关变量除了target变量,其余直接剔除,因为贷后表现在客户申请时是没有的,如果贷后数据进入模型实际上就成了未来变量(本文不涉及这个问题);
    2. 缺失率太高的变量直接剔除,一般按65%的阈值来剔除的(本文不涉及这个问题);
    3. 删除缺失率太高的数据后,对剩余存在缺失的数据进行填充,具体需要根据业务逻辑以及经验可以采用经验、线性差值、众数、均值以及向前向后的方法补齐数据(本文中变量graduated.years(连续型)和marriageStatus(离散型)存在缺失数据,已经用-1补齐,-1按照单独一类来处理)。
    4. 数值变量中所有值方差太小接近常量的变量剔除,因为不能提供更多信息(本文采用VIF>5为界,没有剔除变量);
    5. 按业务逻辑完全不可解释的变量直接剔除(本文不涉及这个问题)
    6. 分类变量中unique值大于20的直接剔除或者按照连续变量来处理(分类变量类别太多没有意义,处理graduated.years其实是离散的数据,但是由于类别>20,需要采用连续型方法);
    7. 将object类型数据转换成数值类型(本文不涉及这个问题).

    缺失值分析和处理

      变量graduated.years(离散型)和marriageStatus(离散型)存在缺失数据,已经用-1补齐,-1将按照单独一类来处理。

    对单变量marriageStatus和Y做分析图,发现存在missing值违约概率异常高 ,可以进一步分析。

    对单变量graduated.years和Y做分析图,发现存在missing值违约概率异常高 ,可以进一步分析。

    异常值分析和处理

      对单变量进行分箱处理:

    存在异常值的variable:age,education,graduated.years,months
    1. age、education、months中的异常值可以解释为数据本身的特点,无需处理。
    2. graduated.years 存在较大的离群点 ,进一步,id=66号的特征中graduated.year=113,不符合常理,予以剔除。(且此人逾期,可以加规则来识别)

    变量分析

    单变量分析

      我们可以简单地看下部分变量的分布,比如对于age变量,如下图:

    可以看到年龄变量大致呈正态分布,符合统计分析的假设。
    再比如毕业年限变量,也可以做图观察观察,如下:

    也大致呈正态分布,符合统计分析的需要。

    变量之间相关性分析


    由上图可以看出,除了status和paid.ratio之间存在极强的负相关,其他各自变量之间的相关性是非常小的。
    一些超过0.5的相关度的变量之间本身存在较强的联系:graduated.year 和 age、hasChild 和 marriageStatus,存在一定的相关度,且较容易解释。
    在Logistic回归,首先需要检验多重共线性问题,此处由于各变量之间的相关性较小,可以初步判断不存在多重共线性问题,而且我们在建模后还可以用VIF(方差膨胀因子)来检验多重共线性问题。如果存在多重共线性,即有可能存在两个变量高度相关,需要降维或剔除处理。

    基于数据处理的一些简单特征分析

      通过识别graduated.years>固定值的id,目前的数据表明这样的id极有可能为欺诈id。
    通过单变量X和Y值的分析发现:salary、officeScale、graduated.years、education、age 、borrowType这些变量,status的分布不均衡,salary在7500左右,officeScale在55左右的人,他们的薪资水平无法匹配他们的消费水平,可能容易逾期,后期将利用特征工程,进一步分析变量的重要性。
    下期预告:将采用重采样,改善数据集的好坏样本分布,对连续变量做WOE转化提升模型效果,初步建立LogisticRegression模型,给变量打分,最终确定入模特征。

    展开全文
  • 神经网络学习:机器学习和神经网络两学科交叉的部分。 Neural Networks中的基本单元:神经元。 从计算机科学角度,NN就是一包含了大量参数数学模型,该模型由若干函数相互代入而成。 2. 感知机与...

    1. 神经元模型

    神经网络/人工神经网络:由具有适应性的简单单元组成的广泛并行互连的网络。

    神经网络学习:机器学习和神经网络两个学科交叉的部分。

    Neural Networks中的基本单元:神经元。

    从计算机科学的角度,NN就是一个包含了大量参数的数学模型,该模型由若干个函数相互代入而成。

    2. 感知机与多层网络

    感知机,实际由两层神经元组成。输入层和输出层。

    更一般的,神经网络是形如下方的层级结构,每层神经元与下一层神经元全互连,神经元之间不存在同层连接,也不存在跨层连接。称为“多层前馈神经网络”(Multi-layer feedforward NN)。

    “前馈”并不是说网络中信号不能向后传,而是说网络拓扑结构上不存在环或者回路。

    神经网络学到的东西,蕴含在权重中。

    3. 误差逆传播/反向传播算法

    Error BackPropagation,BP,误差逆传播/反向传播。

    BP算法基于梯度下降法,以目标的负梯度对参数调整。

    链式法则:前向计算时,值一层层传递;反向计算梯度时,梯度一层层回流。

    标准BP算法,每次仅针对一个样例更新权重,参数更新非常频繁,不同样例更新效果可能会出现抵消的效果。

    累计BP算法,针对累计误差最小化,读取整个训练集一遍后才对参数更新。更新频率较低。很多任务中,累计误差下降到一定程度则不再动,这时标准BP往往更快获得最优解。

    标准BP和累积BP的区别:类似于随机梯度下降(SGD)和标准梯度下降的区别。

    Hornik,1989证明:只需一个包含足够多神经元的隐层,多层前馈NN就能以任意精度逼近任意复杂的连续函数。

    由于BP强大的表达能力,BP经常过拟合。两种策略:

    早停:数据集分为训练集和验证集。若训练误差降低而验证集误差升高,停止训练。
    正则化:在误差目标函数中增加一个描述网络复杂度的部分,如权重的平方和。
    增加正则项,训练过程比较偏好比较小的连接权重,使得网络输出更加“光滑”,对过拟合有所缓解。如下图M=9,非常拟合训练集,但泛化能力没有M=3好,M=3更平滑,“认的不真”,所以有容乃大,乃泛化。

    4. 全局最小和局部极小

    NN的训练过程:在参数空间中寻找一组最优参数,使得E最小。

    参数空间中梯度为0的点,是我们关注的。基于梯度的搜索,是最为广泛的参数寻优方法。每次迭代,先计算损失函数在当前点的梯度,根据负梯度方向是下降最快的方向,沿着此方向搜索最优解。

    有时陷入了局部极小值,如何跳出?

    用多组不同参数值来初始化多个NN,按标准方法训练后,取误差最小的值为最终参数。此相当于从多个点开始搜索,派出几路人马,更可能找到全局最小的。
    使用模拟退火(simulated annealing)。该方法在每一步都以一定的概率,接受比当前解更差的结果,有助于跳出局部极小。每步迭代中,接受“次优解”的概率随着时间推移而逐渐降低(退火),保证算法稳定。
    随机梯度下降。与标准GD精确计算梯度不同,SGD计算时加入了随机因素,有助于跳出局部极小。
    注:上述算法均是启发式,可能也会跳出全局最小。

    5. 其他常见神经网络

    5.1 RBF网络(径向基函数网络)

    RBF,Radial basis function,径向基函数。某种沿径向对称的标量函数。通常定义为样本x到数据中心的欧式距离的单调函数。如高斯径向基函数。

    RBF网络,单隐层前馈NN,使用径向基函数作为隐层神经元的激活函数,输出层是隐层神经元输出的线性组合。

    q个神经元,ci是第i个神经元对应的中心。p为径向基函数。学习分两步:一是确定神经元中心,可用聚类等;二是利用BP算法确定参数。

    5.2 ART网络

    竞争型学习,是NN中一种无监督学习策略。使用该策略时,网络的输出神经元相互竞争,每一时刻仅有一个竞争获胜的神经元被激活。其他神经元的状态被抑制,即“胜者通吃”。

    ART(adaptive resonance theory,自适应谐振)网络,是竞争型学习的代表。

    该网络组成:

    比较层:负责接收输入样本,将其传递给识别层
    识别层:每个神经元对应一个模式类,训练中可动态增加神经元数目来增加新的模式类。(即增量学习/在线学习)
    识别阈值和重置模块
    接收到比较层的输入信号后,识别层神经元相互竞争。可计算输入向量与每个识别层神经元对应的模式类的代表向量的距离,距离最小者胜出。获胜神经元向其他发送信号,抑制其激活。

    若输入向量与获胜神经元的代表向量的相似度大于识别阈值,则当前输入样本被划归为该代表向量所属类别。网络连接权同时更新,使得后续接收到相似样本时该模式类可计算出更大的相似度,有更大获胜可能。

    若相似度不大于识别阈值,则重置模块将在识别层增设一个新的神经元,其代表向量就设置为当前向量。

    那么,识别阈值较高,输入样本将会被倾向于较多类,阈值低则反之。

    ART较好的缓解了竞争型学习中的“可塑性-稳定性窘境”:可塑性是说网络要有学习新知识的能力,稳定性是说网络学习新知识时要保持对旧知识的记忆。则ART的优点就是:可增量学习/在线学习。

    增量学习是说学得模型后,再接收到新样本后,仅需根据新样例对模型更新,不必重新训练整个模型,先前学得的不会被冲掉; 
    在线学习说的是美获得一个新样本进行一次更新。在线学习是增量学习的特例,增量学习可看作是批量模式的在线学习。

    5.3 SOM网络

    self-organizating map,自组织映射网络

    竞争学习型的无监督神经网络。将高维输入数据映射到低维空间(通常为2维),同时需要保持输入数据在高维空间的拓扑结构,将高维空间中相似的样本点映射到网络输出层的邻近神经元。

    输出层的每个神经元有一个权向量,网络接收输入层向量后,将会确定输出层获胜神经元,它决定了该输入在低维空间的位置。SOM训练目标是为每个输出层神经元找到合适权向量,以达到保持拓扑结构的目的。

    训练过程:接收一个训练样本后,每个输出层神经元会计算该样本与自身携带的权向量之间的距离,距离最近的神经元成为竞争获胜者,为最佳匹配单元。然后,最佳匹配神经元及其邻近神经元的权向量将被调整,以使得这些权向量与当前输入样本的距离缩小。这个过程不断迭代,直至收敛。

    5.4 级联相关网络

    一般的NN假设网络结构是固定的,学习的过程是确定参数的过程。

    而结构自适应网络,将网络结构也作为学习目标。级联相关网络(Cascade-correlation)是其代表。

    ART网络用于隐层神经元数目可增长,也是一种结构自适应型网络。

    关键词:

    级联:建立层次连接的层级结构,开始网络只有输入输出层。训练时,随着新的隐层神经元加入,创建起层级结构。
    相关:加入新的隐层神经元,其输入端连接权值是冻结固定的,相关是通过最大化新神经元的输出与网络输出之间的相关性而训练参数。


    与一般相比,无需设置网络层数等,训练速度较快,但是数据较小时容易过拟合。

    插:动态增加分支(决策树),动态增加隐结点(级联网络),这种都容易过拟合。因为不仅其参数,包括其结构都在适应训练集,在这个意义上,更容易过拟合。

    5.5 递归神经网络

    recurrent NN,recursive NN均对。

    与前馈NN不同,递归神经网络允许出现环形结构,可让一些神经元的输出反馈回来作为输入。使得网络在t时刻的输出不仅依赖于t时刻输入,并且依赖于t-1时刻的网络状态。从而能处理与时间有关的动态变化。

    可以叫循环(不断反馈),也可叫递归(t时刻依赖于t-1时刻)。

    Elman网络是最常用的递归之一。结构如下图:

    5.6 玻尔茨曼机

    神经网络中有一类模型:为网络状态定义一个能量。能量最小化时达到理想状态。而网络的训练就是在最小化这个能量函数。

    玻尔茨曼机,就是这样一种基于能量的模型。常见结构如下:

    神经元都是布尔型的,非0即1。0状态表示抑制,1状态表示激活。

    若网络中的神经元以任意不依赖于输入值的顺序进行更新,则网络最终达到玻尔茨曼分布/平衡态/平稳分布:此时状态向量出现的概率,仅由其能量与所有可能状态向量的能量确定。

    玻尔茨曼机的训练过程:将每个训练样本视为一个状态向量,使其出现的概率尽可能大。标准机是一个全连接图,复杂度较高。常用受限的玻尔茨曼机(Restricted BM, RBM)。

    6. 深度学习

    理论上,参数越多,模型越复杂,容量越大,越意味着可完成更复杂的任务。

    但一般,复杂模型的训练效率低,易陷入过拟合。随着云计算。大数据时代的到来,计算能力的大幅提高可缓解训练低效性,训练数据的大幅增加,可降低过拟合。

    深度学习模型:很深层的神经网络。

    提高容量的方法:

    增加隐层的数目
    增加隐层神经元的数目
    增加隐层数目的方法显然比增加隐层神经元的数目更有效:增加隐层数不仅增加了拥有激活函数的神经元数目,还增加了激活函数嵌套的层数。

    多隐层NN难以用经典算法求解:误差在多隐层反响传播时,往往会发散而不能收敛到稳定状态。

    无监督逐层训练:多隐层训练的有效手段。每次训练一层隐结点,训练时将上一层隐结点的输出作为输入,本层隐结点的输出作为下一层的输入,此称为预训练。预训练全部完成后,再对整个网络进行微调训练。

    例如:深度信念网络(DBN),每层都是一个受限玻尔茨曼机。整个网络视为若干个RBM堆叠而成,首先预训练,完成后再利用BP对整个网络进行训练。

    预训练+微调的做法:可看作是将大量参数分组。对每组先找到局部看起来比较好的设置,然后再基于这些局部较优结果联合全局最优。

    另一种节省训练开销的策略:权重共享。一组神经元使用相同的连接权。CNN中使用。

    另一个角度看深度学习:

    无论哪种网络,其多层堆叠,每层对上一层的输出进行处理的机制,可看作是对输入信号不断逐层加工,从而把初始的,与输出目标不太相关的输入表示,转化为与输出目标相关的表示。通过多层处理,逐渐将低层特征表示转化为高层特征表示后,用简单模型即可完成复杂的分类任务。

    由此,可将深度学习理解为进行“特征学习”,或者“表示学习”。

    以往的机器学习任务中,描述特征的样本通常需要由人类专家设计,称为“特征工程”。特征好坏对泛化性能有至关影响。人类设计好特征并非易事,特征学习则通过机器学习技术来产生好特征。使得机器学习向“全自动数据分许”前进了一大步。

    神经网络是一种难以解释的黑箱模型。
     

    展开全文
  • 机器学习入门——MINST

    千次阅读 2018-12-28 12:36:06
    在进行机器学习时,一般学习第一项目就是手写MNIST识别学习。相当于Hello,Word,方便我们初步对机器学习有一大概概念。 什么是MNIST? MNIST 是一入门级计算机视觉数据集,包含了很多手写数字图片。如下图...
  • 6.这时软件自动添加基本的头文件,因为这程序我们不需要其他功能,所以 直接点击Next。 7.我们将base class 选为QDialog 对话框类。然后点击Next。 8.点击Finish,完成工程建立。 9.我们可以看见工程中所有...
  • 文章将主要分为五个部分一、无人机的基本构成、原理二、机械结构设计三、传感器扩展机器视觉五、机器学习这里介绍构成一架基本构成部件。遥控、飞控、电调、电机、螺旋桨、电池1, 遥控器 首先,不管是...
  • ASP只是一个一般的引擎,具有支持多种语言能力,不过默认并且是最常用还是VBScript。 mod_perl与Perl一样强大,只是更快一些。 二、PHP入门 PHP站点在线教程已经很棒了。在那里还有一些其他教程链接。...
  • 解析 DBMS 数据控制功能包括四个方面:数据安全性保护:保护数据以防止不合法使用造成数据泄密和破坏;数据完整性检查:将数据控制在有效范围内,或保证数据之间满足一定关系;并发控制:对多用户...
  • DNS 系统根据每台机器的负载量,地理位置的限制 (长距离的传输效率)等等,去提供高效快速的 DNS 解析服务。 <h2>TCP 连接 目前大部分的应用层连接都是 HTTP 协议,而 HTTP 是 TCP/...
  • 一般我们不考虑物理硬件底层实现逻辑,但是为了后续的机器介绍,这里开始介绍CPU的基本组成部分。 我们都知道现在CPU是无数晶体管组成,一块很小CPU用显微镜观察可以看到上百万元器件,那么最早...

空空如也

空空如也

1 2 3 4 5 ... 8
收藏数 150
精华内容 60
关键字:

一般机器的四个基本部分