貝葉斯java

1. java大數據培訓

智游大數據的課程講這些：
第一階段：Java基礎
 Java基礎介紹及常用開發術語操作，Java跨平台原理，JDK的安裝與卸載
 Java開發基本語法和編程規范，Eclipse的安裝與使用
 Java面向對象、封裝、繼承、抽象類
 String、StringBuffer、StringBuilder等開發文檔的使用，
 NIO的設計思想和常用組件使用方法
 IP/埠/URL等網路基礎
 多線程的創建與啟動
 完成聊天工具（線程+IO+網路編程）
 反射的意義和概念，通過內省機制處理JavaBean
 XML格式與XML解析
第二階段:Java Web
 MySQL基本概念及使用
 使用JDBC完成CRUD操作，JDBC重構/封裝/解耦合代碼思想，JDBC多條件過濾和分頁的代碼封裝
 HTML5網頁技術，HTML常用標簽使用，JavaWeb發展歷程和規范，Tomcat安裝、配置、插件使用、部署
 Servlet基礎知識，Cookie和Session原理和技術
 JSP原理、JSP九大內置對和四大作用於,EL和JSTL原理和重用操作
 Struts2和Spring MVC，過濾器、監聽器、國際化，文件上傳和文件下載
 Hibernate的基礎知識及使用，Hibernate查詢的方式和結果集的包裝，Hibernate的HQL常用語法，Hibernate的事務管理及緩存機制和性能優化
 JPA2.0規范和常見JPA標簽的使用
 Spring原理，Spring IoC容器，bean生命周期、bean作用域，Spring測試
 Spring針對不同持久化方式的操作模板以及DAO支持
 Spring集成JDBC、Hibernate、MyBatis操作
 spring struts hibernate 大型企業級項目實踐開發
第三階段 大數據基礎：Hadoop
 linux系統概述及系統安裝相關配置
 Linux的常用命令，Linux系統進程管理基本原理及相關管理工具
 Linux啟動流程，用戶和組賬戶管理，磁碟管理，系統文件許可權管理，RPM軟體包管理
 Linux網路基礎，Shell編程，yum命令，yum源搭建
 Linux上常見軟體的安裝：安裝JDK、安裝Tomcat、安裝mysql,web項目部署
 Hadoop生態環境概覽、功能和作用、Hadoop 核心組成介紹及hdfs、maprece 體系結構、hadoop集群搭建
 Hdfs shell編寫、Hdfs java api操作、Hadoop基本命令操作，Hadoop優化
 日誌及常見故障處理，名稱節點管理
 Maprece數據去重，數據類型，數據排序，倒排索引，輸入輸出格式，MR串聯，MR模型核心解析
 Lucene入門實例及概述，Lucene 中文分詞器，Lucene 復雜檢索，Lucene 和hadoop的整合
 Yarn基礎及Yarn框架核心原理解析
 Hive入門及集群安裝，Hive CRUD操作，hive UDF
第四階段 大數據進階
 Zookeeper概論及集群安裝，Zookeeper java 操作
 Hbase總體概述及基本原理及架構，Hbase 分布式安裝操作，Hbase java操作
 Hbase的復雜操作、二級索引、協處理器、分頁實例、存儲及檢索原理、行鍵設計原則、預分區及優化
 Phoenix的安裝及常用操作，Phoenix java操作，Phoenix spring整合
 Flume概述及核心講解，Flume-ng的安裝及測試、核心流程講解、串聯、多路、插件開發、正則表達式
 Kafka概述及集群安裝，kafka sink，Flume-ng自定義 interceptor
 大型日誌分析和用戶行為分析項目
學完成為Spark實時數據分析開發工程師，一線城市薪資12000~15000
第五階段：Spark內存數據處理
 Scala的語言開發環境、基本語法、集合之數組、集合之List、集合之MAP、集合之元組、集合操作
 Scala的伴生對象及apply、模式匹配、並發編程、並發編程actor、並發編程akka，Scala IO編程
 Scala 與java互操作，Spark概論及與其他幾個平台的對比，Spark搭建過程
 spark yarn模式部署，spark 實例開發，spark的核心進程及資源調度，spark API，spark MapRece，spark java應用實例
 spark SQL實例語法，Spark stream入門
 Spark stream整合kafka，Spark stream整合spark SQL，Spark stream整合flume-ng
 spark MLLib演算法，Spark MLlib之協同過濾，Spark MLlib之K-Means聚類演算法，Spark實現貝葉斯演算法
 spark大型機房主機實時監控系統項目

2. Java軟體工程師主要學習哪些課程

很多新手在學習java的時候都比較迷茫，不知道從哪裡開始學起，這里就給大家整理了一份java開發學習路線，比較系統全面，可參考這份大綱來安排學習計劃，希望可以幫到你~
最新java學習路線：第一階段：java業基礎課程
階段目標：
1、熟練掌握java的開發環境與編程核心知識；
2、熟練運用java面向對象知識進行程序開發；
3、對java的核心對象和組件有深入理解；
4、熟練運用javaAPI相關知識；
5、熟練應用java多線程技術；
6、能綜合運用所學知識完成一個項目。
知識點：
1、基本數據類型，運算符，數組，掌握基本數據類型轉換，運算符，流程式控制制；
2、數組，排序演算法，java常用API，類和對象，了解類與對象，熟悉常用API；
3、面向對象特徵，集合框架，熟悉面向對象三大特徵，熟練使用集合框架；
4、IO流，多線程；
5、網路協議，線程運用。
第二階段：javaWEB核心課程
階段目標：
1、熟練掌握資料庫和MySQL核心技術；
2、深入理解JDBC與DAO資料庫操作；
3、熟練運用JSP及Servlet技術完成網站後台開發；
4、深入理解緩存、連繼池、註解、反射、泛型等知識；
5、能夠運用所學知識完成自定義框架。
知識點：
1、資料庫知識，範式，MySQL配置，命令，建庫建表，數據的增刪改查，約束，視圖，存儲過程，函數，觸發器，事務，游標，建模工具。
2、深入理解資料庫管理系統通用知識及MySQL資料庫的使用與管理。為Java後台開發打下堅實基礎。Web頁面元素，布局，CSS樣式，盒模型，JavaScript，jQuery。
3、掌握前端開發技術，掌握jQuery。
4、Servlet，EL表達式，會話跟蹤技術，過濾器，FreeMarker。
5、掌握Servlet相關技術，利用Servlet，JSP相關應用技術和DAO完成B/S架構下的應用開發。
6、泛型，反射，註解。
7、掌握JAVA高級應用，利用泛型，註解，枚舉完成自己的CRUD框架開發為後續框架學習做鋪墊。
8、單點登錄，支付功能，項目整合，分頁封裝熟練運用JSP及Servlet核心知識完成項目實戰。
第三階段：JavaEE框架課程
階段目標：
1. 熟練運用Linux操作系統常見命令及完成環境部署和Nginx伺服器的配置
2. 熟練運用JavaEE三大核心框架：Spring,SpringMVC,MyBatis
3. 熟練運用Maven,並使用SpringBoot進行快速框架搭建
4. 深入理解框架的實現原理，Java底層技術，企業級應用等
5. 使用Shiro,Ztree和Spring,SpringMVC,Myts完成企業項目
知識點：
1、Linux安裝配置，文件目錄操作，VI命令，管理，用戶與許可權，環境部署，Struts2概述，hiberante概述。
2、Linux作為一個主流的伺服器操作系統，是每一個開發工程師必須掌握的重點技術，並且能夠熟練運用。
3、SSH的整合,MyBatis,SpringMVC,Maven的使用。
4、了解AOP原理，了解中央控制器原理，掌握MyBatis框架，掌握SSM框架的整合。
5、Shiro,Ztree，項目文檔，項目規范，需求分析，原型圖設計，資料庫設計，工程構建，需求評審，配置管理，BUG修復，項目管理等。
6、獨立自主完成一個中小型的企業級綜合項目的設計和整體架構的原型和建模。獨立自主完成一個大型的企業級綜合項目，並具備商業價值。
第四階段：分布式與微服務課程
階段目標：
1.掌握前端框架VUE及Bootstrap的應用開發
2.基於SpringCloud完成微服務架構項目的開發
3.掌握NoSQL資料庫Redis的使用
4.掌握消息隊列RabbitMQ的使用
5.掌握Mycat資料庫中間件的使用
知識點：
1、Bootstrap前端框架、VUE前端框架、RabbitMQ消息隊列。
2、掌握Bootstrap前端框架開發、掌握VUE前端框架開發、掌握RabbitMQ消息隊列的應用、掌握SpringBoot集成RabbitMQ。
3、Redis緩存資料庫的應用、Java基於Redis的應用開發、基於SpringCloud微服務架構開發實戰。
4、掌握NOSQL資料庫Redis的安裝、使用，Redis客戶端的安裝使用，Java訪問操作Redis資料庫，Redis的持久化方案、主從復制、高可用。
5、掌握SpringCloud微服務架構的開發，注冊中心，網關配置，配置中心，微服務間通信及容器化部署。
6、項目文檔，項目規范，需求分析，資料庫設計，工程構建，需求評審，配置管理，BUG修復，項目管理等。
7、掌握資料庫中間件Mycat的應用，基於Mycat實現數據讀寫分離，高可用集群。
8、掌握項目開發的流程，按照項目開發流程完成基於微服務架構項目的需求分析，編碼開發。
PS：溫馨提示，光看不練假把式，跟著視頻教程練項目也是必不可少的！相關教程指路B站尚學堂官方號！都是免費滴！

3. 怎麼用java實現貝葉斯公式

。。。估計沒人懂
葉斯公式。。。。 大多數程序員 數學渣渣

4. 貝葉斯網路演算法Java實現

public static void main(String[] args){
int n=10;//定義n
int[] π={};//定義存放π的數組
for(int i=0;i++;i<n){
π[i]=Ф;
int Pold=g(i,π[i]);//調用g方法
boolean OkToProceed=true;//定義布爾值
while(OkToProceed &&Math.abs(π[i])<u){
//寫不下去了。。。好多都不知道是什麼方法
}

}
}

5. 貝葉斯網路主流工具軟體

目前國際上存在許多種 BN 處理工具，一般均同時支持多種圖模型處理。下面介紹幾種比較常見的 BN 工具軟體。

( 1) Hugin Expert: 該軟體包括一系列產品，自稱是基於 BN 的人工智慧領域的領航者，既可作為單個工具使用，也可集成到其他產品中使用。目前在軟體、醫學、工業、軍事、警容、信息處理以及農業等多個領域得到了廣泛應用。如用應用於 NOKIA 公司的移動網路故障診斷、醫學決策支持、隧道施工設計階段的決策支持、數據挖掘及風險評估等。

( 2) 微軟的 BBN( Microsoft Belief Networks) : 該軟體採用視窗界面，界面友好且操作簡單，並且提供了 API 介面，以供 VB 調用。缺點是用戶不能自主選擇概率推理演算法，且不提供結構學習功能，即不能從數據中學習建立 BN 模型。

( 3) Netica: 該軟體是加拿大 Norsys 軟體公司開發研製的圖模型處理工具。其主要特點是提供了圖形化的建模界面及概率參數展示界面，方便直觀且易於操作，並且提供了 API介面，供 Java 調用。缺點是用戶不能自主選擇概率推理演算法。

( 4) Ergo: 該軟體是由 Noetic 公司開發研製的可視化建模分析軟體，它功能單一且應用范圍較窄，主要用於專家系統的建立，對節點的個數和狀態空間的范圍都有一定程度上的限制。

( 5) BNJ: 是由肯尼索州立大學開發的開放源碼軟體，採用視窗界面，兼容其他 BN 建模軟體的文件格式，包括 Netica、Ergo、Hugin Expert、GeNie 等。支持精確推理和近似推理、結構學習和參數學習，並且提供了 API 介面供調用。該軟體最大的缺點是可操作性差，且幫助功能相對較弱。

( 6) GeNie 2. 0: 該軟體是匹茲堡大學決策系統實驗室( Decision Systems Laboratory，U-niversity of Pittsburgh) 開發研製的圖模型處理軟體。採用了圖形化建模界面，界面直觀，操作簡單，提供多種推理演算法，且支持結構學習和參數學習。該實驗室還用 VC + + 開發了API 介面 SmileX 和 Smile. net ，以供 VB、VC + + 、Java、C Sharp 等多種語言調用。

上述工具各有特點，本文選用了 GeNie 軟體及其提供的 Smile. net 軟體包，進行 BN 模型構建、BN 學習及推理等工作。圖 2. 1 為 GeNie 2. 0 軟體的主界面。

圖 2. 1 Genie2. 0 主界面

6. JAVA培訓課程有什麼內容具體有哪些模塊框架

智游大數據的課程大綱如下：
第一階段：Java基礎
l Java基礎介紹及常用開發術語操作，Java跨平台原理，JDK的安裝與卸載
l Java開發基本語法和編程規范，Eclipse的安裝與使用
l Java面向對象、封裝、繼承、抽象類
l String、StringBuffer、StringBuilder等開發文檔的使用，
l NIO的設計思想和常用組件使用方法
l IP/埠/URL等網路基礎
l 多線程的創建與啟動
l 完成聊天工具（線程+IO+網路編程）
l 反射的意義和概念，通過內省機制處理JavaBean
l XML格式與XML解析

第二階段:Java Web

l MySQL基本概念及使用
l 使用JDBC完成CRUD操作，JDBC重構/封裝/解耦合代碼思想，JDBC多條件過濾和分頁的代碼封裝
l HTML5網頁技術，HTML常用標簽使用，JavaWeb發展歷程和規范，Tomcat安裝、配置、插件使用、部署
l Servlet基礎知識，Cookie和Session原理和技術
l JSP原理、JSP九大內置對和四大作用於,EL和JSTL原理和重用操作
l Struts2和Spring MVC，過濾器、監聽器、國際化，文件上傳和文件下載
l Hibernate的基礎知識及使用，Hibernate查詢的方式和結果集的包裝，Hibernate的HQL常用語法，Hibernate的事務管理及緩存機制和性能優化
l JPA2.0規范和常見JPA標簽的使用
l Spring原理，Spring IoC容器，bean生命周期、bean作用域，Spring測試
l Spring針對不同持久化方式的操作模板以及DAO支持
l Spring集成JDBC、Hibernate、MyBatis操作
l spring struts hibernate 大型企業級項目實踐開發
第三階段 大數據基礎：Hadoop
l Linux系統概述及系統安裝相關配置
l Linux的常用命令，Linux系統進程管理基本原理及相關管理工具
l Linux啟動流程，用戶和組賬戶管理，磁碟管理，系統文件許可權管理，RPM軟體包管理
l Linux網路基礎，Shell編程，yum命令，yum源搭建
l Linux上常見軟體的安裝：安裝JDK、安裝Tomcat、安裝mysql,web項目部署
l Hadoop生態環境概覽、功能和作用、Hadoop 核心組成介紹及hdfs、maprece 體系結構、hadoop集群搭建
l Hdfs shell編寫、Hdfs java api操作、Hadoop基本命令操作，Hadoop優化
l 日誌及常見故障處理，名稱節點管理
l Maprece數據去重，數據類型，數據排序，倒排索引，輸入輸出格式，MR串聯，MR模型核心解析
l Lucene入門實例及概述，Lucene 中文分詞器，Lucene 復雜檢索，Lucene 和hadoop的整合
l Yarn基礎及Yarn框架核心原理解析
l Hive入門及集群安裝，Hive CRUD操作，hive UDF

第四階段 大數據進階
l Zookeeper概論及集群安裝，Zookeeperjava 操作
l Hbase總體概述及基本原理及架構，Hbase 分布式安裝操作，Hbase java操作
l Hbase的復雜操作、二級索引、協處理器、分頁實例、存儲及檢索原理、行鍵設計原則、預分區及優化
l Phoenix的安裝及常用操作，Phoenixjava操作，Phoenix spring整合
l Flume概述及核心講解，Flume-ng的安裝及測試、核心流程講解、串聯、多路、插件開發、正則表達式
l Kafka概述及集群安裝，kafka sink，Flume-ng自定義 interceptor
l 大型日誌分析和用戶行為分析項目

第五階段：Spark內存數據處理
l Scala的語言開發環境、基本語法、集合之數組、集合之List、集合之MAP、集合之元組、集合操作
l Scala的伴生對象及apply、模式匹配、並發編程、並發編程actor、並發編程akka，Scala IO編程
l Scala 與java互操作，Spark概論及與其他幾個平台的對比，Spark搭建過程
l spark yarn模式部署，spark 實例開發，spark的核心進程及資源調度，spark API，spark MapRece，spark java應用實例
l spark SQL實例語法，Sparkstream入門
l Spark stream整合kafka，Spark stream整合spark SQL，Spark stream整合flume-ng
l spark MLLib演算法，Spark MLlib之協同過濾，Spark MLlib之K-Means聚類演算法，Spark實現貝葉斯演算法
l spark大型機房主機實時監控系統項目

7. 如何用java編寫naivebayes

1.關於貝葉斯分類

bayes 是一種統計學分類方法，它基於貝葉斯定理，它假定一個屬性值對給定類的影響獨立於其它屬性點的值。該假定稱作類條件獨立。做次假定是為了簡化所需計算，並在此意義下稱為「樸素的」。

bayes分類的演算法大致如下：

（1）對於屬性值是離散的，並且目標label值也是離散的情況下。分別計算label不同取值的概率，以及樣本在label情況下的概率值，然後將這些概率值相乘最後得到一個概率的乘積，選擇概率乘積最大的那個值對應的label值就為預測的結果。

例如以下：是預測蘋果在給定屬性的情況是甜還是不甜的情況：

color={0,1,2,3} weight={2,3,4};是屬性序列，為離散型。sweet={yes,no}是目標值，也為離散型；

這時我們要預測在color=3,weight=3的情況下的目標值，計算過程如下：

P{y=yes}=2/5=0.4; P{color=3|yes}=1/2=0.5;P{weight=3|yes}=1/2=0.5; 故F{color=3,weight=3}取yesd的概率為 0.4*0.5*0.5=0.1;

P{y=no}=3/5=0.6; P{color=3|no}=1/3 P{weight=3|no}=1/3; 故P{color=3,weight=3}取no為 0.6*1/3*1/3=1/15;

0.1>1/15 所以認為 F{color=3,weight=3}=yes;

(2)對於屬性值是連續的情況，思想和離散是相同的，只是這時候我們計算屬性的概率用的是高斯密度：

這里的Xk就是樣本的取值，u是樣本所在列的均值，kesi是標准差；

最後代碼如下：

/*

* To change this template, choose Tools | Templates

* and open the template in the editor.

*/

package auxiliary;

import java.util.ArrayList;

/**

*

* @author Michael Kong

*/

public class NaiveBayes extends Classifier {

boolean isClassfication[];

ArrayList <Double>lblClass=new ArrayList<Double>(); //存儲目標值的種類

ArrayList<Integer>lblCount=new ArrayList<Integer>();//存儲目標值的個數

ArrayList<Float>lblProba=new ArrayList<Float>();//存儲對應的label的概率

CountProbility countlblPro;

/*@ClassListBasedLabel是將訓練數組按照 label的順序來分類存儲*/

ArrayList<ArrayList<ArrayList<Double>>> ClassListBasedLabel=new ArrayList<ArrayList<ArrayList<Double>>> ();

public NaiveBayes() {

}

@Override

/**

* @train主要完成求一些概率

* 1.labels中的不同取值的概率f(Yi); 對應28,29行兩段代碼

* 2.將訓練數組按目標值分類存儲 第37行代碼

* */

public void train(boolean[] isCategory, double[][] features, double[] labels){

isClassfication=isCategory;

countlblPro=new CountProbility(isCategory,features,labels);

countlblPro.getlblClass(lblClass, lblCount, lblProba);

ArrayList<ArrayList<Double>> trainingList=countlblPro.UnionFeaLbl(features, labels); //union the features[][] and labels[]

ClassListBasedLabel=countlblPro.getClassListBasedLabel(lblClass, trainingList);

}

@Override

/**3.在Y的條件下，計算Xi的概率 f(Xi/Y)；

* 4.返回使得Yi*Xi*...概率最大的那個label的取值

* */

public double predict(double[] features) {

int max_index; //用於記錄使概率取得最大的那個索引

int index=0; //這個索引是 標識不同的labels 所對應的概率

ArrayList<Double> pro_=new ArrayList<Double>(); //這個概率數組是存儲features[] 在不同labels下對應的概率

for(ArrayList<ArrayList<Double>> elements: ClassListBasedLabel) //依次取不同的label值對應的元祖集合

{

ArrayList<Double> pro=new ArrayList<Double>();//存同一個label對應的所有概率，之後其中的元素自乘

double probility=1.0; //計算概率的乘積

for(int i=0;i<features.length;i++)

{

if(isClassfication[i]) //用於對屬性的離散還是連續做判斷

{

int count=0;

for(ArrayList<Double> element:elements) //依次取labels中的所有元祖

{

if(element.get(i).equals(features[i])) //如果這個元祖的第index數據和b相等，那麼就count就加1

count++;

}

if(count==0)

{

pro.add(1/(double)(elements.size()+1));

}

else

pro.add(count/(double)elements.size()); //統計完所有之後 計算概率值 並加入

}

else

{

double Sdev;

double Mean;

double probi=1.0;

Mean=countlblPro.getMean(elements, i);

Sdev=countlblPro.getSdev(elements, i);

if(Sdev!=0)

{

probi*=((1/(Math.sqrt(2*Math.PI)*Sdev))*(Math.exp(-(features[i]-Mean)*(features[i]-Mean)/(2*Sdev*Sdev))));

pro.add(probi);

}

else

pro.add(1.5);

}

}

for(double pi:pro)

probility*=pi; //將所有概率相乘

probility*=lblProba.get(index);//最後再乘以一個 Yi

pro_.add(probility);// 放入pro_ 至此 一個循環結束，

index++;

}

double max_pro=pro_.get(0);

max_index=0;

for(int i=1;i<pro_.size();i++)

{

if(pro_.get(i)>=max_pro)

{

max_pro=pro_.get(i);

max_index=i;

}

}

return lblClass.get(max_index);

}

public class CountProbility

{

boolean []isCatory;

double[][]features;

private double[]labels;

public CountProbility(boolean[] isCategory, double[][] features, double[] labels)

{

this.isCatory=isCategory;

this.features=features;

this.labels=labels;

}

//獲取label中取值情況

public void getlblClass( ArrayList <Double>lblClass,ArrayList<Integer>lblCount,ArrayList<Float>lblProba)

{

int j=0;

for(double i:labels)

{

//如果當前的label不存在於lblClass則加入

if(!lblClass.contains(i))

{

lblClass.add(j,i);

lblCount.add(j++,1);

}

else //如果label中已經存在，就將其計數加1

{

int index=lblClass.indexOf(i);

int count=lblCount.get(index);

lblCount.set(index,++count);

}

}

for(int i=0;i<lblClass.size();i++)

{

// System.out.println("值為"+lblClass.get(i)+"的個數有"+lblCount.get(i)+"概率是"+lblCount.get(i)/(float)labels.length);

lblProba.add(i,lblCount.get(i)/(float)labels.length);

}

}

//將label[]和features[][]合並

public ArrayList<ArrayList<Double>> UnionFeaLbl(double[][] features, double[] labels)

{

ArrayList<ArrayList<Double>>traingList=new ArrayList<ArrayList<Double>>();

for(int i=0;i<features.length;i++)

{

ArrayList<Double>elements=new ArrayList<Double>();

for(int j=0;j<features[i].length;j++)

{

elements.add(j,features[i][j]);

}

elements.add(features[i].length,labels[i]);

traingList.add(i,elements);

}

return traingList;

}

/*將測試數組按label的值分類存儲*/

public ArrayList<ArrayList<ArrayList<Double>>> getClassListBasedLabel (ArrayList <Double>lblClass,ArrayList<ArrayList<Double>>trainingList)

{

ArrayList<ArrayList<ArrayList<Double>>> ClassListBasedLabel=new ArrayList<ArrayList<ArrayList<Double>>> () ;

for(double num:lblClass)

{

ArrayList<ArrayList<Double>> elements=new ArrayList<ArrayList<Double>>();

for(ArrayList<Double>element:trainingList)

{

if(element.get(element.size()-1).equals(num))

elements.add(element);

}

ClassListBasedLabel.add(elements);

}

return ClassListBasedLabel;

}

public double getMean(ArrayList<ArrayList<Double>> elements,int index)

{

double sum=0.0;

double Mean;

for(ArrayList<Double> element:elements)

{

sum+=element.get(index);

}

Mean=sum/(double)elements.size();

return Mean;

}

public double getSdev(ArrayList<ArrayList<Double>> elements,int index)

{

double dev=0.0;

double Mean;

Mean=getMean(elements,index);

for(ArrayList<Double> element:elements)

{

dev+=Math.pow((element.get(index)-Mean),2);

}

dev=Math.sqrt(dev/elements.size());

return dev;

}

}

}

8. 做了這么多年Java開發，如何快速轉行大數據

一、學習大數據是需要學習java和linux的

二、你有多年的java開發經驗，那麼可以直接跳過java課程部分，學習大數據技術！

三、分享一份大數據技術課程大綱供你了解參考

9. 用weka貝葉斯公式決策分類的步驟是什麼求賜教。。。。 最好給出詳細的步驟，謝謝！

你可以用程序debug跟蹤一下，以前是weka中NaiveBayesSimple類的主要函數和作用。
(1) globalInfo()
返回該分類器的描述字元串．
(2) getTechnicalInformation()
返回一個TechnicalInformation類型的對象實例，包含該類的技術背景等信息．
(3) getCapabilities()
返回默認參數．
(4) BuildClassifier(Instances instances)
BuildClassifier()方法從一個訓練數據集合instances構造一個分類器．求出所有名稱型屬性的後驗概率，類屬性的先驗概率，數值屬性的均值和方差，為後來的分類工作做准備．
(5) distributionForInstance (Instance instance)
該方法計算待分類實例instance屬於各個類標的百分比，並且將各個百分比數值存於一個數組中，最後返回該數組．
(6)toString()
把分類器的參數（均值，方差，各先驗概率，各後驗概率）以字元串的形式返回．
(7)normalDens(double x, double mean, double stdDev)
該方法用於根據正態分布（均值為mean，方差為stdDev）計算數值型屬性當屬性值為x時的概率密度．
(8) getRevision()
返回程序的版本號．
(9) Main()
當類從命令行被執行時，就會調用main()方法．他只是用所給的命令行選項告訴Weka的Evaluation類來評估樸素貝葉斯，並且列印所得到的數組．完成這個功能的一行表達式包括在try-catch聲明中．try-catch聲明用於發現Weka常式或其他Java方法中拋出的各種異常．