Hyper の 个人博客

交流技术，分享生活

0%

发表于 更新于 分类于 ， ， 阅读次数：
本文字数： 4.1k 阅读时长 ≈ 4 分钟

URL 样式

题型：使用 http://localhost:8080/web01/test.jsp?user=admin&password=admin 进行访问 WEB 应用时候，下列说法哪个是错误的：( )

  • A. 表示访问的 web 应用的主机名是 localhost，服务端口是 8080 端口

  • B. URL 地址中包含了两个参数 user 与 password

  • C. 使用 HTTP 协议进行访问

  • D. 使用 POST 请求方法

我的答案: D

Get 方法：查询键值对被附加在 URL 地址后面一起发送到服务器，如：
1
scheme://login:password@address:port/path_to_resource?query_string#fragment
Post 方法：发送给服务器端的数据保存在信息的 body 中
1
http://localhost:8090/api/query?id=3

HTTP 报文头

题型：(单选题) 在 HTTP 请求报文中，发送给服务器的消息主体的媒体类型保存在（ ）中。

  • A. Accept

  • B. Accept-Language

  • C. User-Agent

  • D. Content-Type

我的答案: D

Http 报头分为：通用报头 请求报头 响应报头 实体报头

  • Accept 属于请求头，代表发送端（客户端）希望接受的数据类型

  • Content-Type 属于实体头，代表发送端（客户端 | 服务器）发送的实体数据的数据类型

1
2
Accept:text/xml；
Content-Type:text/html

背景颜色与背景图像 **（body）**

题型 1：在下列的 HTML 中，哪个可以添加背景颜色？

  • A <body color="yellow">

  • B <background>yellow</background>

  • C <body bgcolor="yellow">

  • D <body background="yellow">

我的答案: C

设置背景颜色
1
<body bgcolor="sample_color"></body>

题型 2：在下列的 HTML 中，哪个可以插入背景图像？

  • A <body background="background.gif">

  • B <background img="background.gif">

  • C <img src="background.gif" background>

  • D <img src="background.gif" body>

我的答案: A

设置背景图像
1
<body background="sample.png"></body>

超链接的使用 **（a）**

题型 1：如何制作电子邮件链接？

  • A <a href="xxx@yyy">

  • B <mail href="xxx@yyy">

  • C <a href="mailto:xxx@yyy">

  • D <mail>xxx@yyy</mail>

我的答案: C

使用超链接制作电子邮件链接
1
<a href="mailto:sample@qq.com">

题型 2：如何在新窗口打开链接？

  • A <a href="url" new>

  • B <a href="url" target=" _blank" >

  • C <a href="url" target="new">

  • D <a href="url" >

我的答案: B

在新窗口打开链接
1
<a href="sample-url" target=" _blank" >

题型 3：要将页面的当前位置定义成名为 "vbpos" 和锚，其定义方法正确的是

  • A <a href=:vbpos"></a>

  • B <a href="#vbpos">vbpos</a>

  • C <a name=vbpos>

  • D <a name="vbpos"></a>

我的答案: D

*name 参数：用于指定锚（anchor）的名称

  • 注：在 HTML5 中，其效果等同于 id；为了与之前版本网页页面的兼容性，此参数保留了下来；可以把 id 属性视作是 name 属性的升级版本

1
2
3
4
<a href="#C1">第一章</a>
<a href="#C2">第二章</a>
<a id="#C3">第三章</a>
<a id="#C4">第四章</a>

呈现效果：

第一章第二章第三章第四章

列表标签的使用

题型 1：如何产生带有数字列表符号的列表？

  • A <ul>

  • B <dl>

  • C <ol>

  • D <list>

我的答案: C

有序列表 **（ol-li）**
1
2
3
4
5
6
7
8
9
10
<ol>
    <!-- 呈现：
	1. sample_line1
    2. sample_line2
    3. sample_line3 
	-->
    <li>sample_line1</li>
    <li>sample_line2</li>
    <li>sample_line3</li>
</ol>

  • type 参数：1、a、A、i、I (罗马数字)，表示列表前缀的格式

  • start 参数：属性值位数字，表示从 type 类型的第几个数字开始

1
2
3
4
5
6
7
8
9
10
<ol type="A" start="3">
    <!-- 呈现：
	C. sample_line1
    D. sample_line2
    E. sample_line3 
	-->
    <li>sample_line1</li>
    <li>sample_line2</li>
    <li>sample_line3</li>
</ol>

题型 2：如何产生带有圆点列表符号的列表？

  • A <dl>

  • B <list>

  • C <ol>

  • D <ul>

我的答案: D

无序列表 **（ul-li）**
1
2
3
4
5
6
7
8
9
10
<ul>
    <!-- 呈现效果：
	· sample_line1
    · sample_line2
    · sample_line3 
	-->
    <li>sample_line1</li>
    <li>sample_line2</li>
    <li>sample_line3</li>
</ul>

  • type 参数：属性值有 disc（实心圆默认）、circle（空心圆）、square（实心正方形）、none（取消前缀）

1
2
3
4
5
6
7
8
9
10
<ul type="none">
    <!-- 呈现效果：
	sample_line1
    sample_line2
    sample_line3 
	-->
    <li>sample_line1</li>
    <li>sample_line2</li>
    <li>sample_line3</li>
</ul>
自定义列表 *（dl-dt-dd）**
1
2
3
4
5
6
7
8
9
<h4>~哇咔咔，我是可有可无的标题~</h4>
<dl>
    <dt>一级boss1</dt>
    	<dd>二级喽喽1-1</dd>
    	<dd>二级喽喽1-2</dd>
    <dt>一级boss2</dt>
    	<dd>二级喽喽2-1</dd>
    	<dd>二级喽喽2-2</dd>
</dl>

呈现效果：

~ 哇咔咔，我是可有可无的标题～

一级 boss1
二级喽喽 1-1
二级喽喽 1-2
一级 boss2
二级喽喽 2-1
二级喽喽 2-2

  • 需要注意，在自定义列表中，dt 与 dd 在呈现效果上有一个缩进（tab）的效果。其余两种类型的列表，需要使用 <list> 嵌套完成。

  • 区别简析：自定义列表相比之下，有缩进、无前缀

文本区与字体标签的使用

题型 1：在下列的 HTML 中，哪个可以产生文本区（textarea）

  • A <textarea>

  • B <input type="textarea">

  • C <input type="textbox">

  • D <input type="text">

我的答案: A

文本区 （textarea）

  • 用于定义多行输入

1
2
3
<textarea rows="2" cols="25">
在Hyperの个人博客，交流技术、分享生活。
</textarea>

呈现效果：

题型 2：若要以加粗宋体、12 号字显示 “vbscript” 以下用法中，正确的是

  • A <b><font size=12>vbscript</b></font>

  • B <b><font face="宋体" size=12>vbscript</font></b>

  • C <b><font size=“宋体”size=12>vbscript</b></font>

  • D <b><font size="宋体" fontsize=12>vbscript</b></font>

我的答案: B

字体标签 **（font）**

  • 规定采用字体的类型、大小、颜色等

    • face 参数：采用什么字体
    • color 参数
    • size 参数：指定大小（默认 3），注意只能为 1~7 中的整数值 
1
<font face="verdana" color="red" size=4>sample text</font>

呈现效果：

表格与表单的使用

题型 1：要使表格的边框不显示，应设置 border 的值是

  • A 1

  • B 0

  • C 2

  • D -1

我的答案: B

表格标签 **（table）**

  • border 参数：规定围绕表格的边框的宽度

1
2
3
4
5
6
7
8
9
10
<table border="3">
  <tr>
    <th>Level1</th>
    <th>Level2</th>
  </tr>
  <tr>
    <td>小boss</td>
    <td>大boss</td>
  </tr>
</table>

呈现效果：

Level1 Level2
小 boss 大 boss

题型 2：如果要表单提交信息不以附件的形式发送，只要将表单的 “MTME 类型” 设置为

  • A text/plain

  • B password

  • C submit

  • D button

我的答案: A，本题中 MTME 类型意义不明（没有查到具体是什么定义），暂且认为指的是传输的数据格式

表单标签 **（form）**

  • 表单标签用于收集用户输入

    • input 参数：text（纯文本） radio（单选按钮输入） submit（提交按钮）
    • action 参数：定义在提交表单时执行的动作，一般为提交目标网页
    • method 参数：post 或 get
    • name 参数：为输入字段设置名称 
1
2
3
4
5
6
7
8
9
10
11
12
13
<form action="sample_action_page.php" method="GET">
 First name:<br>
<input type="text" name="firstname">
<br>
 Last name:<br>
<input type="text" name="lastname">
<br>
<input type="radio" name="sex" value="male" checked>Male
<br>
<input type="radio" name="sex" value="female">Female
<br>
<input type="submit" value="Submit">
</form>

呈现效果：

First name:

Last name:

Male
Female

内嵌标签与隐藏域的使用

题型 1：在网页中若要播放名为 demo.avi 的动画，以下用法中，正确的是

  • A <Embed src="demo.avi" autostart=true>

  • B <Embed src="demo.avi" autoopen=true>

  • C <Embed src="demo.avi" autoopen=true></Embed>

  • D <Embed src="demo.avi" autostart=true></Embed>

我的答案: A，应为 D

内嵌标签 **（embed）**

  • 定义嵌入的插件

1
<Embed src="sample_video.mp4" />

题型 2：在 HTML 中，要创建一个隐藏域，则应设置 <input> 标签的 type 属性为

  • A text

  • B div

  • C hidden

  • D adio

我的答案: C

隐藏域
1
2
3
4
<!-- 基本语法 -->
<input type="hidden" name="field＿name" value="value">
<!-- 示例 -->
<p hidden>我会隐身哦</p>

呈现效果（看不见喔）：

发表于 更新于 分类于 ， 阅读次数：
本文字数： 885 阅读时长 ≈ 1 分钟

ex8.m

Part 2: Estimate the dataset statistics

  • Compute the mean of the data and the variances

1
2
mu = sum(X) / m;
sigma2 = sum((X - repmat(mu, m, 1)).^2) / m; % X - 307 * 1 matrix

Part 3: Find Outliers

  • Compute the F1 score of choosing epsilon as the threshold and place the value in F1

1
2
3
4
5
6
7
8
9
10
11
% define the anomolous condition
    condition = pval < epsilon;
    % sum up to get each parameter
    fp = sum((condition == 1) & (yval == 0));
    fn = sum((condition == 0) & (yval == 1));
    tp = sum((condition == 1) & (yval == 1));
    % define precision and recall
    prec = tp / (tp + fp);
    rec = tp / (tp + fn);
    % use F1 score to estimate its performance
    F1 = (2 * prec * rec) / (prec + rec);

ex8_cofi.m

1
2
3
4
5
6
7
8
9
10
% compute cost function
J = sum(sum((((X * Theta' - Y) .* R) .^ 2))) / 2;
% compute gradient
X_grad = ((X * Theta' - Y) .* R) * Theta;
Theta_grad = ((X * Theta' - Y) .* R)' * X;
% compute cost function with regularization
J = J + lambda / 2 * ((sum(sum(Theta .^ 2)) + sum(sum(X .^ 2))));
% compute gradient with regularization
X_grad = X_grad + lambda * X;
Theta_grad = Theta_grad + lambda * Theta;

发表于 更新于 分类于 ， 阅读次数：
本文字数： 1.3k 阅读时长 ≈ 1 分钟

ex7.m

Part 1: Find Closest Centroids

  • Go over every example, find its closest centroid, and store the index inside idx at the appropriate location

1
2
3
4
5
6
7
for i = 1: size(X,1) % query from 1 to 300
    d = zeros(1, K); % distance: 1*3 matrix
    for j = 1: K
        d(1, j) = sqrt(sum(power(X(i, :) - centroids(j, :), 2))); % use Euclidean Distance, centroids: 3*2 matrix
    end
    [~, idx(i)] = min(d); % get the 2nd parameter from distance matrix only
end

Part 2: Compute Means

  • Go over every centroid and compute mean of all points that belong to it

1
2
3
4
5
6
for i = 1 : K
    % find all the points that is nearest to No.i centroid, then count their
    % mean
    points = X(idx==i, :);
    centroids(i, :) = mean(points);
end

ex7 pca.m

Part 2: Principal Component Analysis

  • You should first compute the covariance matrix. Then, you should use the “svd” function to compute the eigenvectors and eigenvalues of the covariance matrix

1
2
3
4
% compute sigma
sigma = (X' * X) / m;
% use SVD to compute the eigenvectors and eigenvalues of the covariance matrix
[U, S, V] = svd(sigma);

Part 3: Dimension Reduction

  • Compute the projection of the data using only the top K eigenvectors in U (first K columns)

1
2
3
4
5
6
7
8
9
10
% using only the top K eigenvectors in U
U_reduce = U(:, 1:K);
% implementing PCA
for i = 1: size(X, 1)
    x = X(i, :)';
    for k = 1: K
        projection_k = x' * U_reduce;
        Z(i, :) = projection_k;
    end
end

  • Compute the approximation of the data by projecting back onto the original space using the top K eigenvectors in U

1
2
3
4
5
6
7
8
9
% implementing PCA
for i = 1: size(Z, 1)
    v = Z(i, :)';
    for j = 1: size(U, 1)
        recovered_j = v' * U(:, 1:K)';
        % 2D -> 1D
        X_rec(i, :) = recovered_j;
    end
end

发表于 更新于 分类于 ， 阅读次数：
本文字数： 1.2k 阅读时长 ≈ 1 分钟

ex6.m

Part 2: Training Linear SVM

  • Try different value of C, sp. changing the value of C from 1 to 100 in ex6.m makes the classification work out correctly

Part 3: Implementing Gaussian Kernel

  • Fill in this function to return the similarity between x1 and x2 computed using a Gaussian kernel with bandwidth sigma

1
sim = exp(-sum((x1-x2).^2) / (2*(sigma^2)))

Part 7: Training SVM with RBF Kernel (Dataset 3)

  • Fill in this function to return the optimal C and sigma learning parameters found using the cross validation set

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
val = [0.01 0.03 0.1 0.3 1 3 10 30];
min = 1;

for i = 1:8
    for j = 1:8
        C_test = val(i);
        sigma_test = val(j);
        model = svmTrain(X, y, C_test, @(x1, x2) gaussianKernel(x1, x2, sigma_test));
        predictions = svmPredict(model, Xval);
        % compute the prediction error
        err = mean(double(predictions ~= yval));
        if err < min
           C = C_test;
           sigma = sigma_test;
           min = err;
        end
    end
end

ex6_spam.m

Part 1: Email Preprocessing

  • Fill in this function to add the index of str to word_indices if it is in the vocabulary

1
2
3
4
5
6
7
for i = 1 : length(vocabList)
    % compare two strings (str1 and str2)
    if(strcmp(vocabList{i}, str) == 1)
        word_indices = [word_indices;i];
        break;
    end
end

Part 2: Feature Extraction

  • Fill in this function to return a feature vector for the given email (word_indices)

1
2
3
for i = 1 : length(word_indices)
   x(word_indices(i)) = 1; 
end

​ or a better and simpler approach

1
x(word_indices(i)) = 1;

发表于 更新于 分类于 ， 阅读次数：
本文字数： 1.9k 阅读时长 ≈ 2 分钟

ex5.m

Part 2: Regularized Linear Regression Cost

  • Compute the cost and gradient of regularized linear regression for a particular choice of theta.

1
2
3
4
5
6
7
8
9
% cost function
J = 1 / (2 * m) * (X * theta - y)' * (X * theta - y);
J = J + lambda / (2 * m) * (theta(2:end)' * (theta(2:end)));

% for j = 0
theta_temp = theta;
theta_temp(1) = 0;
% for j = 1
grad = (1 / m) * (X * theta - y)' * X + (lambda / m) * theta_temp';

Part 4: Train Linear Regression

  • In this part, we set regularization parameter λ to zero.

    • Because our current implementation of linear regression is trying to fit a 2-dimensional θ, regularization will not be incredibly helpful for a θ of such low dimension.
1
2
3
4
5
6
7
8
9
10
11
% Initialize Theta
initial_theta = zeros(size(X, 2), 1); 

% Create "short hand" for the cost function to be minimized
costFunction = @(t) linearRegCostFunction(X, y, t, lambda);

% Now, costFunction is a function that takes in only one argument
options = optimset('MaxIter', 200, 'GradObj', 'on');

% Minimize using fmincg
theta = fmincg(costFunction, initial_theta, options);

Part 5: Learning Curve for Linear Regression

  • Fill in this function to return training errors in error_train and the cross validation errors in error_val.

1
2
3
4
5
6
7
8
9
10
for i = 1: m
   subset_x = X(1: i, :);
   subset_y = y(1: i);
   theta = trainLinearReg(subset_x, subset_y, lambda);
   
   % for training set error, compute on the training subset
   error_train(i) = linearRegCostFunction(subset_x, subset_y, theta, 0); % set λ to 0
   % for cross validation error, compute over the entire cross validation set
   error_val(i) = linearRegCostFunction(Xval, yval, theta, 0);
end

Part 6: Feature Mapping for Polynomial Regression

  • Given a vector X, return a matrix X_poly where the p-th column of X contains the values of X to the p-th power.

1
2
3
4
5
6
7
m = size(X, 1);

for i = 1: m
    for j = 1:p
        X_poly(i, j) = X(i) .^j;
    end
end

Part 8: Validation for Selecting Lambda

  • Fill in this function to return training errors in error_train and the validation errors in error_val.

1
2
3
4
5
6
7
for i = 1: length(lambda_vec)
    % take each lambda and test
    lambda = lambda_vec(i);
    theta = trainLinearReg(X, y, lambda);
    
    error_train(i) = linearRegCostFunction(X, y, theta, 0); % set λ to 0
    error_val(i) = linearRegCostFunction(Xval, yval, theta, 0);