物理内存：不解释 虚拟内存：进程独享，由操作系统通过地址映射的方式，转换为对物理内存的访问。在32位Linux机器上，每个进程的虚拟内存都是4G。（这里的虚拟内存与操作系统使用中过程常见的虚拟内存概念不同，不要混淆了，如Linux中swap）
给定两个整数数组 a 和 b，计算具有最小差绝对值的一对数值（每个数组中取一个值），并返回该对数值的差。
我们可以遍历每个数 ，假设它是某个连续序列的开头，那么首先要满足 不在数组中，然后从 开始逐渐增大，看最大多少还在数组里。
题目描述 小明很喜欢数学,有一天他在做数学作业时,要求计算出9~16的和,他马上就写出了正确答案是100。但是他并不满足于此,他在想究竟有多少种连续的正数序列的和为100(至少包括两个数)。没多久,他
我们可以看到此处随着n的增大，时间是几何倍数增长，由此我们可知斐波那契数列的时间复杂度为O(2^n)
题目中提到，可以思考一种 nlogn 的解放，经过思考发现可以使用二分搜索的方式进行求解，以长度为8为例，先用一个长度为4的窗口从左到右滑动一遍，如果有满足条件的，用长度为2的再进行滑动，如果没有则用长度为6的。以此类推，在此只给出思路。
nodejs的出现为前端行业带来了无限的可能性,让很多原来只负责客户端开发的同学也慢慢开始接触和使用服务器端技术.
给一个数组的高度a1,a2,...,an, 垂直线 i 的两个端点 （i, 0）和（i, ai）,
给定一个包括 n 个整数的数组 nums 和 一个目标值 target。找出 nums 中的三个整数，使得它们的和与 target 最接近。返回这三个数的和。假定每组输入只存在唯一答案。
马哥linux运维 | 最专业的linux培训机构 ---- 网上有很多的文章教怎么配置mysql服务器，但考虑到服务器硬件配置的不同，具体应用的差别，那些文章的做法只能作为初步设置参考，我们需要根据自己的情况进行配置优化，好的做法是MySQL服务器稳定运行了一段时间后运行，根据服务器的”状态”进行优化。 查看MySQL服务器配置信息： show variables; 查看MySQL服务器运行的各种状态值： show global status; 1. 慢查询 show variables like '%
今天主要讲解的内容是：如何在已排序的数组中查找元素的第一个和最后一个位置。以 leetcode 34 题作为例题，提供二分查找的解题思路，供大家参考。
文本处理，切词、去停用词，文档向量聚类(K值，聚类中心，本节涉及的Kmeans方法中心暂时是随机生成，后面会有更新)
https://leetcode-cn.com/problems/smallest-range-ii
* 人的惯性思维做法是：$a[i]*(rank1的+rank2的+…)$。然而解法巧妙之处在于直接把所有的加和当成一个系数，然后先假装所有情况系数都是1，接着往上加，树状数组记录着所有之前比它小的数的情况，只有这些小的数也同时存在的区间才会增大它的系数。而且只在乎数量，不关注具体方案。
谈论的是预测区间,两者是不同的,显然,预测区间要比置信区间宽很多. 要提高预测区间(置信区间也一样) 的精度,即要使
思路: 设置双指针 i,j 分别位于容器壁两端，根据规则移动指针（后续说明），并且更新面积最大值 res，直到 i == j 时返回 res。
请你返回由 [low, high] 范围内所有顺次数组成的 有序 列表（从小到大排序）。
Fama-French三因子回归是量化中最经典的模型之一，最早提出是在论文《Common risk factors in the returns on stocks and bonds》中，FAMA三因子回归模型可表示如下
在 Linux 系统中，常见的动态追踪方法包括 ftrace、perf、eBPF/BCC 以及 SystemTap 等。
我最近在 LeetCode 上做到两道非常有意思的题目，382 和 398 题，关于水塘抽样算法（Reservoir Sampling），本质上是一种随机概率算法，解法应该说会者不难，难者不会。
基础分析数据为27位糖尿病者的 血清总胆固醇（X1）、甘油（X2）、空腹胰岛素（X3）、糖化血红蛋白（X4）、空腹血糖（Y）的测量值。我们可以使用R语言建立 空腹血糖与其他四个变量的多元回归方程，从中学习如何分析残差和异常值诊断。
前言： 在前文《[linux][memory]KSM技术分析》中，分析了KSM技术的基本实现原理。这里再总结一下使用ksm/uksm遇到的几个问题，并附加上作者对性能优化的尝试。 分析： 1，20M
S(i,j)=min(h[i],h[j])×(j−i)
第一题其实就是一个累加列表，分别在每个人的出生和死亡年份加1和减1，然后求个累计和就能够得到每个年份下的人口数，然后求最大值即可。
一般来说，类似K-means聚类算法需要我们提取指定聚类得到的cluster数目。 那么问题来了，如何为聚类选择一个适合的cluster数目呢 ？ 很遗憾，上面的问题没有一个确定的答案。不过我们可以基于不同聚类过程中使用的相似性算法和模块划分参数，选择一个最合适的数目。 下面介绍不同的方法，帮助我们在K-means，PAM和层次聚类中选择合适的聚类数目，这些方法包括直接方法和统计检验方法。 直接方法 设置一些适合的划分标准，比如elbow和average silhouette法 统计检验方法 就是常用的假设
Precision=TP/(TP+FP) Recall=TP/(总的正样本)=TP/(TP+FN) # 这个时候的 TPR=TP/(TP+FN)=Recall # 真正例率 FPR=FP/(TN+FP) # PR曲线 横Recall，纵Precision PR曲线的绘制 场景：有限样本。 方法：固定分类阈值（比如0.5），对分类器的预测结果按照置信度进行降序排序，然后按此顺序对样例进行预测，每次可以计算出当前的查全率（Recall）和查准率（Precision），然后以此作图，绘制出P-R曲线。（疑惑？？：P-R曲线是按照固定的分类阈值，还是按照西瓜书所讲，按照置信度降序的顺序，逐个把样本作为正例进行预测？？我做商汤的笔试题，是采取固定分类阈值的策略） ROC曲线 横FPR，纵TPR，理想的情况是TPR=1，FPR=0，一般来说，FPR增大，则TPR也会跟着增大。 ROC曲线的绘制： 场景：有限样本。 方法：卡阈值，对学习器的预测结果排序，排在前面的是最可能为正例的样本，最后的是最不可能的样本，然后计算不同阈值下的TPR和FPR值，绘制出曲线。 卡阈值作为正负样本的判定依据，阈值较高时，Precision比较大，阈值较低时，Recall较大。（推荐的话，想Precision较大，用户希望排名靠前的推荐是自己想要的，刑侦的话希望Recall较大，不错过一个犯人） AUC：ROC曲线下面积。 PR和ROC曲线应用范围： 1.当正负样本比例差不多的时候，两者区别不大。 2.PR曲线比ROC曲线更加关注正样本，而ROC则兼顾了两者。 3.AUC越大，反映出正样本的预测结果更加靠前。（推荐的样本更能符合用户的喜好） 4.当正负样本比例失调时，比如正样本1个，负样本100个，则ROC曲线变化不大，此时用PR曲线更加能反映出分类器性能的好坏。 5.PR曲线和ROC绘制的方法不一样。
给你一个包含 n 个整数的数组 nums，判断 nums 中是否存在三个元素 a，b，c ，使得 a + b + c = 0 ？请你找出所有满足条件且不重复的三元组。
问题描述： Example: Given an array of n integers nums and a target, find the number of index triplets i, j, k with 0 <= i < j < k < n that satisfy the condition nums[i] + nums[j] + nums[k] < target. For example, given nums = [-2, 0, 1, 3], and target = 2. Re
很简单呀，因为我做了实验和看了 TCP 协议栈的内核源码，发现要增大这两个队列长度，不是简简单单增大某一个参数就可以的。
学习自定义控件，坐标系是必须了解的内容，Android中我们需要了解的坐标系有屏幕坐标系，View的坐标系。
Haplotype-based GWAS（单倍型全基因组关联分析）是基于 haplotype （单倍型）进行的关联分析，在基因组层面寻找与表型相关的变异。
给定n个非负整数\(a_1,a_2,...,a_n\),其中每个数表示坐标点\((i,a_i)\),i是数组下标,\(a_i\)是对应高度.寻找两条线,使得两条线构成的长方形面积最大,盛水最多.
MongoDB4.4之后不再自带mongostat命令,需要手动安装下载MongoDB Database Tools
这一题思路还是很简单的，用一个字典把两个item列表当中相同val的权重相加即可。
k8s kubectl top命令和contained内部 ps 看到的进程内存占用不一致。下午的时候，我被这个问题问倒了。具体如图
给定一个包含 n 个整数的数组 nums 和一个目标值 target，判断 nums 中是否存在四个元素 a，b，c 和 d ，使得 a + b + c + d 的值与 target 相等？找出所有满足条件且不重复的四元组。
只要业务逻辑代码写正确，处理好业务状态在多线程的并发问题，很少会有调优方面的需求。最多就是在性能监控平台发现某些接口的调用耗时偏高，然后再发现某一SQL或第三方接口执行超时之类的。如果你是负责中间件或IM通讯相关项目开发，或许就需要偏向CPU、磁盘、网络及内存方面的问题排查及调优技能
1. PNG格式。 在这里不过多的讨论PNG格式的定义问题。但是.9.PNG确实是标准的PNG格式，只是在最外面一圈额外增加1px的边框，这个1px的边框就是用来定义图片中可扩展的和静态
自定义View原理是Android开发者必须了解的基础，在了解自定义View之前，你需要有一定的知识储备。
开源地址: https://github.com/yuxiaoy1/nonstop
关于LEfSe分析，相信大家早已耳熟能详。网上也有很多指导如何做LEfSe分析流程的文章。可是在实际应用中，仍然会遇到一些问题。LEfSe以出图美观的优势吸引大家用它绘图，然而为什么同样的流程，我们做出来的图总是不如别人发在文章里的漂亮？比如，别人发表的图是这样的：
结合我工作中碰到的运维问题，总结一下linux下server常见的运维问题以及定位方式。这里的server主要指自主开发的逻辑server，web srv因为通常采用通用的架构所以问题比较少。
分布式、微服务、Service Mesh目前都是大家耳熟能详的词语了，现在随便一个互联网公司说出来大家都是在搞微服务。
5.分析网页源代码 Elements，发现无歌曲信息，无法使用 BeautifulSoup，如下图所示，结果为空。
对于多View的视图，结构是树形结构：最顶层是ViewGroup，ViewGroup下可能有多个ViewGroup或View，如下图：
领取专属 10元无门槛券
手把手带您无忧上云
云服务器
ICP备案
对象存储
腾讯会议
实时音视频
