分类 大数据学习 下的文章
协同文档（团队协作工具）
最近公司的产品被客户进行漏洞检测后，发现了大量的SQL注入漏洞，因为公司产品是比较老的，（2006年开发）很多的SQL语句都是类似：select * from table where 1=1 and name=''，都是用拼接的方式来进行查询等，开发组的也都知道，但是由于工作一直没有空闲下来的时候，所以一直在拖，从5月份到现在，一家客户由于即将要上线（产品都是内网，所以不太关注），这家客户是某银行（外资），比较注重软件的质量，在商务沟通无效的情况后，我们只能着手开始改代码，最初的方案是，例用过滤器，过滤请求中包含SQL关键字的方式，改动最小，影响的客户基本就是没有（不需要改动代码，因为我们原先平台组的同事已经改过了）只需要在web.xml中配置过滤器，设置过滤器的过滤关键字即可，但是老外比较牛逼，使用了某些注入手段，又给干翻了我们产品。
wiz为知笔记转到mybase
前几天听说wiz要收费了，没有免费的使用了，主要是因为公司网络不支持wiz的同步，也打算换单机的笔记软件很久了，况且60RMB在所有笔记vip中是最低的，感觉不靠谱啊。是不是卷一波钱就走的节奏？
好在我不是笔记重度使用者，对于移动端也没有什么要求（基本不用），经过几番考虑，打算转到mybase中。mybase是国人开发的软件貌似。
网上评论比较不错。说干就干。花了个把小时，把wiz笔记中的内容一条一条全部搬迁到了mybase中了。太不容易了。这些软件都互相不兼容，简直就是让人恨的要死。
说说重要的贝叶斯公式吧
贝叶斯思想
贝叶斯方法在机器学习中应用很多，无疑扮演着一个非常重要的作用，它的公式其实很简单，无非就是一个条件概率的公式，即P(A|B)=P(A)*P(B|A)/P(B)，即B发生的情况下A发生的概率是等于A发生的概率乘以A发生的情况下B发生的概率然后除以B发生的概率，这个小小的公式给很多问题带了了不一样的解法，或者说不一样的思维。这里通常有一些记法,例如P(A)一般叫做先验概率,P(B|A)叫做似然概率,P(B)叫做归一化因子,而P(A|B)叫做后验概率.
下面我通过两个例子来说明贝叶斯思想的有趣应用.
举例1:饼干问题
假设现在有两碗饼干，碗1中有30个曲奇和10个巧克力，碗2中有20个曲奇和20个巧克力，如果现在随机从其中一个碗中随机抽取一个饼干，发现抽到的是曲奇，请问该曲奇来自碗1的概率是多少？用公式来描述此问题的话，就是求P(碗1|曲奇）的数值是多少.那么根据贝叶斯公式,我们知道P(碗1|曲奇)=P(曲奇|碗1)P(碗1)/P(曲奇),根据题设,P(曲奇|碗1)=30/50=3/4,P(碗1)=1/2,P(曲奇)=(20+30)/80=5/8,因此P(碗1|曲奇)=3/4 1/2 / 5/8 = 3/5,这样我们就成功地运用了贝叶斯方法解决了这个问题.
举例2:MontyHall问题
假设有三个门,每个门后面都有一个奖品,其中一个奖品是一辆车,另外两个奖品是很没有价值的东西.奖品是由Monty随机布置的,游戏的规则是谁抽中了车子的那个门,谁就可以拥有车.现在你选择了门1,另外两个门分别记做2和3,在你打开门之前,Monty打开了2和3中的其中一扇门3,并且袒露了那扇门后面并没有车子,请问你现在是否要更换注意?或者还是坚持门1.即求出此时坚持1门或者更换的概率分别是多少.这里我们依然可以选择使用贝叶斯分析方法来分析这个问题.
我们用D1 D2 D3分别代表Monty打开1 2 3门的事件,用C1 C2 C3分别代表车子在1 2 3门后面的事件,我们知道Monty打开2个门的先验概率都是1/2.即P(D2)=P(D3)=1/2;现在假设车子在1门后面,则Monty打开3门的概率是P(D3|C1)=1/2,由于Monty永远都不会打开那扇藏有车子的门,因此假如车子藏在3门后面则Monty打开3门的概率为0,即P(D3|C3)=0;最后,如果车子藏在2门后面,则Monty打开3门的概率为1,即P(D3|C2)=1;因此,我们计算出P(C1|D3)=P(C1)P(D3|C1)/P(D3)=1/3 1/2 / 1/2 = 1/3;P(C2|D3) = P(C2) P(D3|C2) / P(D3) = 1/3 1 / 1/2 = 2/3; 因此,更换决策的话,概率为2/3.
贝叶斯公式在语音识别以及自然语言处理领域同样有着十分重要的应用,可以说贝叶斯公式是深度学习的重要基础公式之一!
聊聊语音识别的发展历程
现在的语音识别的准确率看起来已经很高了,虽然已经将近95%了,不过从95%到99%还有很大的距离,如果识别准确率到了99%了,相信语音的应用应该会非常广泛了吧!