社区
非技术区
帖子详情
有对OpenNMS感兴趣的朋友吗?
亿云力科技
2005-09-22 09:52:11
在下想学习OpenNMS,希望结交同样感兴趣的朋友,研究源代码、部署实施都行。本人是搞VC的,从事系统管理软件开发的,对java知识有限,希望能向大家学习,共同进步。
有兴趣请加我:
MSN seansoe@hotmai.com
QQ 15988895
晚上和周末在线。
...全文
150
10
打赏
收藏
有对OpenNMS感兴趣的朋友吗?
在下想学习OpenNMS,希望结交同样感兴趣的朋友,研究源代码、部署实施都行。本人是搞VC的,从事系统管理软件开发的,对java知识有限,希望能向大家学习,共同进步。 有兴趣请加我: MSN seansoe@hotmai.com QQ 15988895 晚上和周末在线。
复制链接
扫一扫
分享
举报
写回复
配置赞助广告
用AI写文章
10 条
回复
切换为时间正序
请发表友善的回复…
发表回复
打赏红包
亿云力科技
2005-09-26
打赏
举报
回复
to moylaugh(笑看风云) :
和我的情况差不多,不过我现在苦于没有Linux环境,用vmware装个Linux可是本本的配置太低。
方便的话留个联系方式,我也是做这个领域的,共同进步
moylaugh
2005-09-25
打赏
举报
回复
现在正在做网络管理软件,用java,前一阵子下了OpenNMS,想好好研究一下,却一直拖着没有着手。java我还凑合,就是操作系统和网络不行,连Linux都没有摸过,悲哀。
想做的事情总是很多很多,时间却是很少很少。
亿云力科技
2005-09-25
打赏
举报
回复
OpenNMS是一个开源的网络管理软件(Network Management System),用java编写,基于linux系统和Postgres数据库。已经被越来越多的应用在Linux网络管理环境中,DELL也将OpenNMS作为其解决方案的一部分管理其基于Linux的服务器产品。
zzxiaoma
2005-09-24
打赏
举报
回复
up
傻根她弟
2005-09-24
打赏
举报
回复
是个什么东西啊?
楼主介绍一下阿
OnlyFor_love
2005-09-24
打赏
举报
回复
冷门不等于没有发展前景,呵呵
加油
nwpulipeng
2005-09-24
打赏
举报
回复
up
亿云力科技
2005-09-23
打赏
举报
回复
UP
omysky
2005-09-23
打赏
举报
回复
UP
5555555555555555555555555
我不是这行。。。。。
亿云力科技
2005-09-23
打赏
举报
回复
呵呵,不知道这么冷门,还是发错地方了?
最大似然估计(MLE)原理与实战:从正态分布到混合模型,MATLAB/Python/R代码实现
参数估计是数据分析、统计建模和机器学习的核心基础,其目标是从观测数据中推断出概率模型的最优参数。最大似然估计(MLE)作为一种经典的参数估计方法,其原理是寻找一组参数值,使得当前观测数据出现的“可能性”最大。这一方法在理论上具有相合性、渐近正态性和有效性等优良性质,为模型校准和统计推断提供了坚实的理论基石。在工程实践中,MLE广泛应用于金融模型校准、生物信息学、信号处理以及机器学习模型的训练(如逻辑回归)。本文以正态分布和泊松分布为例,详细拆解了MLE的数学原理与计算流程,并进一步深入到混合正态分布等复杂模
Python实战:5分钟搞定正态分布的最大似然估计(附完整代码)
本文详细介绍了如何使用Python在5分钟内实现正态分布的最大似然估计(MLE),涵盖数据生成、原理讲解、代码实现及结果可视化。通过实战案例,帮助读者快速掌握这一机器学习中的核心统计技术,并附完整代码便于实践。
37、概率与统计中的核心概念:期望、最大似然估计与逻辑连接词
本文深入探讨了概率与统计中的核心概念,包括正态分布的微分熵、最大似然估计的基本原理及其在抛硬币、身高建模和德国坦克问题中的应用。同时介绍了逻辑连接词在数学推理中的作用,并阐述了期望与大数定律在理论和机器学习中的重要意义。通过实例和问题分析,展示了这些概念在实际问题中的广泛应用,为后续学习打下坚实基础。
Python实战:用NumPy和SciPy玩转折叠正态分布(附完整代码)
本文详细介绍了如何使用Python的NumPy和SciPy库处理折叠正态分布,包括数据生成、概率计算和实际应用案例。通过完整代码示例,展示了在工业质检、金融分析和信号处理等领域如何利用折叠正态分布进行绝对值的概率分析,提升数据处理效率和准确性。
从多元正态分布到无偏预测:克里金(Kriging)模型核心推导全解析
本文深入解析克里金(Kriging)模型的核心推导过程,从多元正态分布的基础理论到无偏预测的实际应用。通过半变异函数和协方差矩阵构建空间相关性模型,详细探讨了最大似然估计和超参数优化技巧,并对比简单克里金与普通克里金的适用场景。最后介绍了克里金与现代机器学习结合的扩展应用,为空间数据插值提供专业解决方案。
非技术区
23,404
社区成员
70,506
社区内容
发帖
与我相关
我的任务
非技术区
Java 非技术区
复制链接
扫一扫
分享
社区描述
Java 非技术区
社区管理员
加入社区
获取链接或二维码
近7日
近30日
至今
加载中
查看更多榜单
社区公告
暂无公告
试试用AI创作助手写篇文章吧
+ 用AI写文章