安装ldap及其管理器环境 参考compose文件 安装完成后，可以看到管理界面 具体如何进行账号添加，小组管理可以翻阅相关文档。这里不作展开。 在linux上配置nslcd连接ldap 首先要安装相关库

leetcode得进阶套路 如何判断出当前是第多少个case import math math.a=0 class Solution: def twoSum(self, nums: List[int], target: int) -> List[int]: math.a+=1 print(math.a)

先放一个成品仓库githubDemo 新建仓库， 初始化操作 点击action 配置文件 GitHub Actions 有一些自己的术语。 workflow （工作流程）：持续集成一次运行的过程，就是一个 workflow。 job （任务）：一个 workflow 由一个或多个 jobs 构成，含义是一次持续集成的运行，可以完成多个任务。

爬虫 定义 网络爬虫（又称为网页蜘蛛，网络机器人，在FOAF社区中间，更经常的称为网页追逐者），是一种按照一定的规则，自动地抓取万维网信息的程序或者脚本。另外一些不常使用的名字还有蚂蚁、自动索引、模拟程序或者蠕虫。 个人理解就是，从互联网上获取数据，进行自动化，规范化，也就是说，取代人去做繁重的数据采集。再者使用selenium等，可以模拟浏览器，写交互性的自动化脚本，本质都是解放人力 本质 本质上，爬虫就是获取网页，然后解析网页，最后得到开发者想要的数据。 这么说是不够正确的，或者说，只是爬虫常用的一部分，是对爬虫的一种浅显的理解，实际上，我感觉爬虫就像是模拟浏览器，但是却通过个人的分析，选择需要加载的去加载，获取想要获取的。

简介 我是部署我的简单动漫网站的时候碰到这方面的问题。 我的项目技术栈： 使用python flask 作为后端 使用vue编写前端 文件传输到服务器上 方法有很多，我直接将项目上传到github， 然后pull到云端。

首先，去github新建仓库 新建python文件以及需要进行换源的文档 py文件代码如下： 注意，要对该文件得一些变量进行配置， 比如: 仓库名字地址

基本概念 “筹码分布”的准确的学术名称应该叫“流通股票持仓成本分布”。 右边的哪个柱状图就是筹码分布，体现的现有流通股票再股市中的分布状况。 相关概念 获利盘 获利盘是股票术语其中之一。获利盘一般是指股票交易中，能够卖出赚钱的那部分股票。每一只股票都有获利盘和套牢盘，套牢盘就是买入的股票亏本。 也就是说

基于人口的统计学推荐(Demographic-based Recommendation) 根据系统用户的基本信息发现用户的相关程度，然后将相似用户喜爱的其他物品推荐给当前用户，如图所示： 从图中可以很清楚的看到，首先，系统对每个用户都有一个用户 Profile 的建模，其中包括用户的基本信息，例如用户的年龄，性别等等；然后，系统会根据用户的 Profile 计算用户的相似度，可以看到用户 A 的 Profile 和用户 C 一样，那么系统会认为用户 A 和 C 是相似用户，在推荐引擎中，可以称他们是“邻居”；最后，基于“邻居”用户群的喜好推荐给当前用户一些物品，图中将用户 A 喜欢的物品 A 推荐给用户 C。 基于内容的推荐(Content-based Recommendation)： 根据物品或内容的元数据，发现物品或内容的相关性，然后基于用户以前的喜好记录推荐给用户相似的物品，如图所示： 上图给出了基于内容推荐的一个典型的例子，电影推荐系统，首先我们需要对电影的元数据有一个建模，这里只简单的描述了一下电影的类型；然后通过电影的元数据发现电影间的相似度，因为类型都是“爱情，浪漫”电影 A 和 C 被认为是相似的电影（当然，只根据类型是不够的，要得到更好的推荐，我们还可以考虑电影的导演，演员等等）；最后实现推荐，对于用户 A，他喜欢看电影 A，那么系统就可以给他推荐类似的电影 C。

基本概念 机器学习：一种实现人工智能的方法 机器学习最基本的做法，是使用算法来解析数据、从中学习，然后对真实世界中的事件做出决策和预测。与传统的为解决特定任务、硬编码的软件程序不同，机器学习是用大量的数据来“训练”，通过各种算法从数据中学习如何完成任务。 分类 从学习方法上来分，机器学习算法可以分为监督学习（如分类问题）、无监督学习（如聚类问题）、半监督学习、集成学习、深度学习和强化学习。 深度学习：一种实现机器学习的技术

序 前端框架类型 想要让排版好看，好用的有bootstrap等主要用来整排版，组建的。其次，如果想要优化js，简化数据修改的方式，可以用vue，react等框架，这些都能极大的简化js的写法。 我个人目前主要使用bootstrap和vue框架，一个用来搞数据，一个用来美化ui。当然jquery也是我比较喜欢用的。 技巧： 使用方式 善用框架

基本概念 迭代学习 迭代学习可能会让您想到“Hot and Cold”这种寻找隐藏物品（如顶针）的儿童游戏。在我们的游戏中，“隐藏的物品”就是最佳模型。刚开始，您会胡乱猜测（“w1 的值为 0。”），等待系统告诉您损失是多少。然后，您再尝试另一种猜测（“w1 的值为 0.5。”），看看损失是多少。实际上，如果您以正确方式玩这个游戏，通常会越来越接近目标。这个游戏真正棘手的地方在于尽可能高效地找到最佳模型。 下图显示了机器学习算法用于训练模型的迭代试错过程： 关于梯度下降法 回归问题产生的损失与权重图为凸形。 凸形问题只有一个最低点；即只存在一个斜率正好为 0 的位置。这个最小值就是损失函数收敛之处。

协程不是被操作系统内核所管理，而完全是由程序所控制（也就是在用户态执行）。这样带来的好处就是性能得到了很大的提升，不会像线程那样需要上下文切换来消耗资源，因此协程的开销远远小于线程的开销。 协程是一种“伪多线程” python 中的协程 在python中实现协程的办法有很多，这里我简单说两个： yield实现 基于Python的生成器的yield和yield form关键字实现协程代码。 def foo():

任何机器学习都必须有一个重要的一环,那就是数据预处理. 必须要将数据进行预处理成可以数值化的形式才能进行分析,可以说,对数据进行预处理的优秀程度(是否提取出了关键特征,信息是否冗余)直接决定了机器训练计算的上限. 毕竟对着垃圾数据进行训练也只能得到垃圾结果. 关于分类问题的交叉熵 博客 文本处理的基本流程 第一步：文本预处理（Preprocess）LTP