发表于
2020-04-12 12:37:00
《Python数据分析与机器学习实战-唐宇迪》读书笔记第8章--集成算法 - 邀月
发表于
2020-03-02 10:34:22
Golang轻量安全的去中心化的隧道软件：LCVPN
via: https://github.com/kanocz/lcvpn轻量安全的隧道软件，移步Github:https://github.com/kanocz/lcvpn这类去中心化的组网方式，都是使用UDP进行信息交换和通信，TCP反倒不适合，之前介绍过的vpncloud、n2n、tiny-vpn、tinc-vpn、freelan，在内部组网时有奇效。The postGolang轻量安全的去中心化的隧道软件：LCVPNappeared first oniCodex's Blog.
...继续阅读
(32)
发表于
2020-02-27 14:00:41
DirectAdmin后台安装[LiteSpeed控制插件]
本文为DirectAdmin面板如何使用OpenLiteSpeed系列的第四章：第一章：DirectAdmin面板如何使用OpenLiteSpeed替代默认的Apache第二章：如果OpenLiteSpeed使用了CloudFlare等CDN如何显示访客的真实IP第三章：使用OpenLiteSpeed后如何开启HTTP/2 / HTTP/3 / SPDY / QUIC的支持第四章：DirectAdmin后台安装[LiteSpeed控制插件]一键安装缓存插件The postDirectAdmin后台安装[LiteSpeed控制插件]appeared first oniCodex's Blog.
...继续阅读
(51)
发表于
2020-02-27 13:54:15
OpenLiteSpeed开启HTTP/2 / HTTP/3 / SPDY / QUIC的支持
本文为DirectAdmin面板如何使用OpenLiteSpeed系列的第三章：第一章：DirectAdmin面板如何使用OpenLiteSpeed替代默认的Apache第二章：如果OpenLiteSpeed使用了CloudFlare等CDN如何显示访客的真实IP第三章：使用OpenLiteSpeed后如何开启HTTP/2 / HTTP/3 / SPDY / QUIC的支持第四章：DirectAdmin后台安装[LiteSpeed控制插件]一键安装缓存插件开源版的OpenLiteSpeed（OLS）与商业版一样，现在已经完全支持现有的HTTP/ HTTP/2 / HTTP/3 / SPDY / QUIC协议，这些新协议给大家带来的好处就是打开网页速度越来越快，许多网页都能秒开。使用单独安装的OpenLiteSpeed的时候，我们可以通过OLS的web admin管理页面通过选项方便开启这些协议的支持，后台选择Listeners，选择相应IP的SSL选项，按照页面提示开启即可。DirectAdmin版本的OLS默认安装好后只开启了HTTP/2协议的支持， HTTP/3 / SPDY / QUIC这几个速度更快，技术更新的协议，因为DirectAdmin的原因无法直接在OLS的webadmin页面开启，需要手动修改OLS的配置文件进行修改。打开usr/local/lsws/conf/l
...继续阅读
(50)
发表于
2020-02-27 09:28:40
OpenLiteSpeed使用CloudFlare等CDN如何显示访客的真实IP
本文为DirectAdmin面板如何使用OpenLiteSpeed系列的第二章：第一章：DirectAdmin面板如何使用OpenLiteSpeed替代默认的Apache第二章：如果OpenLiteSpeed使用了CloudFlare等CDN如何显示访客的真实IP第三章：使用OpenLiteSpeed后如何开启HTTP/2 / HTTP/3 / SPDY / QUIC的支持第四章：DirectAdmin后台安装[LiteSpeed控制插件]一键安装缓存插件跟Apache一样，OpenLiteSpeed（以下简称OLS）也需要将CloudFlare的ip库设置在OLS的配置文件中以后，才可以获取到访客的真实IP，否则只能在日志里面看到一堆CF的IP。根据OLS官网的文章，首先要开启“Use Client IP in Header”功能，并且将CloudFlare的IP地址加入可信地址库后即可正确识别真实访客的IP地址，与Apache的“RemoteIPInternalProxy”功能如出一辙。如果是独立安装不使用cPanel或者DirectAdmin之类的控制面板的话，可以直接按照官方的提示进行操作即可。DirectAdmin面板在使用OLS时引入了外部配置文件，导致OLS的后台会直接提示你“只读模式”，只能去修改配置文件了。用了DA面板后的配置文件跟原始OLS的配置文件并不相同，多
...继续阅读
(57)
发表于
2020-02-27 06:45:30
DirectAdmin面板如何使用OpenLiteSpeed替代默认的Apache
预计将写成一个系列文章，本文为此系列的第一章：第一章：DirectAdmin面板如何使用OpenLiteSpeed替代默认的Apache第二章：如果OpenLiteSpeed使用了CloudFlare等CDN如何显示访客的真实IP第三章：使用OpenLiteSpeed后如何开启HTTP/2 / HTTP/3 / SPDY / QUIC的支持第四章：DirectAdmin后台安装[LiteSpeed控制插件]一键安装缓存插件首先普及下OpenLiteSpeed（以下简称OLS）相关知识，OLS是LiteSpeed Technologies Inc.出品的一款开源的网页服务器，该公司出品的商业版Web服务器LiteSpeed Web Server, Enterprise edition（简称LSWS）性能超强，在各种测试和实际使用中都是几乎都是地表最强的存在，以最常见的WordPress平台为例，使用LSWS服务器并且开启他们专门针对WP开发的缓存优化插件LSCache for WP后，每秒处理能力远超其他插件，如下图：并且无论是商业版还是开源版都支持很多最新的技术，比如HTTP/2 / HTTP/3 / SPDY / QUIC的支持，让网站打开飞快。但是商业版LSWS的最大缺点就是贵?，我们这里不考虑商业版。好在该公司也出了一个开源版的OLS，相信很多人也安装体验过，但是OLS在使用
...继续阅读
(50)
发表于
2020-02-09 16:35:36
分享一个点对点隧道软件：vpncloud
官方已发布version 2.x的版本，建议使用最新版本。本文配置已改为2.x的版本。Linux下的隧道(打洞)软件非常多，大部分隧道软件建立成功之后，是创建了类似C/S架构的点对点的通信，也就是会有服务器和客户端的区别，下个设备再进来，也一样这样创建。如果你需要创建类似zerotier这样的虚拟局域网，那么你就应该看看这个隧道软件，它是开源的，名字叫做vpncloud。功能和优点，文档之类的，你们直接去看官网的说明好了：https://vpncloud.ddswd.de它的原理跟MPLS、VXLAN差不多，vpncloud也是通过源MAC地址学习，将虚机的MAC和VTEP的IP地址关联，理论上也能支持多播（multicast），但是官方并没有特别说明多播，你得自己多测试一下。那么对我来说，MPLS、VXLAN、VPNCLOUD他们最大的优点是去中心化（decentralize）的虚拟组网，多个设备接入后，可以互相通信而不需要经过所谓的主服务器节点，这样就能符合虚拟局域网的需求。有中心节点的隧道技术有：pptp、gre、ipsec/ike、gre over ipsec、ipip、openvpn、l2tp、wireguard、ocserv等等去中心化节点的隧道技术有：n2n、zerotier、zeronet、vpncloud、tinc-vpn、freelan、nebula——————
...继续阅读
(47)
发表于
2020-02-09 14:28:49
VPS虚拟机如何自建“iplc”
如果你只有VPS，无法创建虚拟机出来，还有没有办法使用隧道落地的方式自建伪“iplc”呢？有的。用docker就好，没必要开小鸡了你要做的是：1. 找个国内网络还不错的vps，比如你就任性开个ecs按流量计费，把口子拉满，这个跑docker2. 国外落地用的服务器或vps，不用跑docker3. 给两边建立wireguard隧道，你用其他隧道也行，你能打通就好4. 国内vps安装docker，并新建一个network单独给容器用，不用默认的docker0的侨接网络5. 策略路由到你刚刚新建的docker network前面3个步骤不用说了。那docker怎么玩？我这里就直接用命令行，没安装面板了。1. 安装docker，用一键方式最靠谱，国内建议用阿里云的mirrorscurl -fsSL https://get.docker.com | bash -s docker –mirror Aliyun2. 创建docker网络docker network create nat创建完注意看一下这个网络的ip段docker network inspect nat我的例子中是172.19.0.0/163.创建一个容器吧，或者你可以找一个s5的镜像，直接跑在nat的网络下，记得开个端口出来哈docker run –net=nat -itd –name=con
...继续阅读
(53)
发表于
2019-10-28 00:00:00
京东数科 HIPO 学习之旅 (JDD HIPO Learning Journey)
今年有幸参加了京东数科的 HIPO 培训课程，整个学习之旅可谓收货满满。由于出差没能参加 8 月份的开营仪式，看到小伙伴们各种拓展，还能自己做饭，感觉错过了展示范小厨的大好机会。同样也错过了报名的「领导力」的课程，最终换到了「情商」和「沟通」两门课程学习。情商自认为不是一个情商很高的人，果然开课前利用 6 秒钟情商1评测 (SEI) 评测之后的结果不甚理想。6 秒钟情商模型将情商划分为 3 个阶段：自我认知，包括：认识情绪、识别情绪模式；自我选择，包括：运用因果思维、驾驭情绪、运用内在动力、修炼乐观思维；自我超越，包括：增强同理心、追求超我目标。在自我认知的认识情绪和识别情绪模式上仍处于起步阶段，其他部分基本处于稳定阶段和熟练阶段。这完全符合我对自己情商的认知，不善于发现别人情绪的变化，一旦发现还是能够用自己擅长的理性思维解决问题的。不过认识情绪是整个环节的第一步，如果这一步都不能做得很好，就算后面能力不错，也很难成为一个高情商的人。情绪是很容易变向极端，但比较难恢复平静的，下图就是我们测试自己当前的情绪状况，颜色越紫表示越紧张压力越大，颜色越蓝表示越平静。课程上学习到了一个很好用的情绪管理的工具，TFA 卡片。TFA 卡片是一个实践情绪管理的工具，让我们尝试从T (Think，思考)，F (Feel，感受) 和 A (Act，行动) 三个角度对一个事件进行复盘实践。情商课程让我认
...继续阅读
(46)
发表于
2019-05-22 05:14:19
Gilbert Strang教授的MIT公开课：数据分析、信号处理和机器学习中的矩阵方法
线性代数的相关课程里，我最推崇的还是MIT Gilbert Strang教授的线性代数课程，关于这方面资源的介绍，可以参考我们之前那篇文章：那些值得推荐和收藏的线性代数学习资源最近发现他依然活跃在教学一线，在MIT 2018春季学期开设了一门的相关课程：Matrix Methods in Data Analysis, Signal Processing, and Machine Learning这门课程可以翻译为“数据分析、信号处理和机器学习中的矩阵方法”，课程主页的配图特别能说明问题：以下是该课程资源链接，感兴趣的同学可以参考：课程主页：https://ocw.mit.edu/courses/mathematics/18-065-matrix-methods-in-data-analysis-signal-processing-and-machine-learning-spring-2018/课程官方视频：https://www.youtube.com/playlist?list=PLUl4u3cNGP63oMNUHXqIUcrkS2PivhN3k爱可可老师B站搬运链接：https://www.bilibili.com/video/av53055190/
...继续阅读
(26)
发表于
2019-03-23 18:05:37
Coursera TensorFlow 基础课程-week4
Using Real-world Images
参考：Ubuntu 16 安装TensorFlow及Jupyter notebook 安装TensorFlow。
本篇博客翻译来自 Introduction to TensorFlow for Artificial Intelligence, Machine Learning, and Deep Learning
仅供学习、交流等非盈利性质...
...继续阅读
(44)
发表于
2019-03-19 23:24:12
Coursera TensorFlow 基础课程-week2
TensorFlow入门课程
本篇博客翻译来自 Introduction to TensorFlow for Artificial Intelligence, Machine Learning, and Deep Learning
...继续阅读
(48)
发表于
2019-03-18 22:37:53
Coursera TensorFlow 基础课程-week1
A New Programming Paradigm
参考：Ubuntu 16 安装TensorFlow及Jupyter notebook 安装TensorFlow。
本篇博客翻译来自 Introduction to TensorFlow for Artificial Intelligence, Machine Learning, and Deep Learning
仅供学习、交流等非盈...
...继续阅读
(45)
发表于
2019-01-23 14:30:00
【分布式缓存系列】集群环境下Redis分布式锁的正确姿势 - Learning hard
【摘要】一、前言 在上一篇文章中，已经介绍了基于Redis实现分布式锁的正确姿势，但是上篇文章存在一定的缺陷——它加锁只作用在一个Redis节点上，如果通过sentinel保证高可用，如果master节点由于某些原因发生了主从切换，那么就会出现锁丢失的情况： 于是，客户端1和客户端2同时持有了同一个资源的锁阅读全文
...继续阅读
(13)
发表于
2019-01-20 11:42:00
【分布式缓存系列】Redis实现分布式锁的正确姿势 - Learning hard
【摘要】一、前言 在我们日常工作中，除了Spring和Mybatis外，用到最多无外乎分布式缓存框架——Redis。但是很多工作很多年的朋友对Redis还处于一个最基础的使用和认识。所以我就像把自己对分布式缓存的一些理解和应用整理一个系列，希望可以帮助到大家加深对Redis的理解。本系列的文章思路先从Red阅读全文
...继续阅读
(8)
发表于
2018-12-22 12:20:00
【每日一点】1. Java如何实现导出Excel单表头或多表头 - Learning hard
【摘要】一、背景 在后台项目中，经常会遇到将呈现的内容导出到Excel的需求，通过都是导出单个表头的Excel文件，如果存在级联关系的情况下，也就需要导出多表头的场景。今天这篇文章就是分享导出Excel单表头或多表头的实现，目前实现方案仅支持2行表头场景。如有更复杂的3行表头、4行表头复杂需求可以自行实现。阅读全文
...继续阅读
(8)
发表于
2018-12-08 00:00:00
集成学习算法 (Ensemble Learning)
传统机器学习算法 (例如：决策树，人工神经网络，支持向量机，朴素贝叶斯等) 的目标都是寻找一个最优分类器尽可能的将训练数据分开。集成学习 (Ensemble Learning) 算法的基本思想就是将多个分类器组合，从而实现一个预测效果更好的集成分类器。集成算法可以说从一方面验证了中国的一句老话：三个臭皮匠，赛过诸葛亮。Thomas G. Dietterich12指出了集成算法在统计，计算和表示上的有效原因：统计上的原因一个学习算法可以理解为在一个假设空间$\mathcal{H}$中选找到一个最好的假设。但是，当训练样本的数据量小到不够用来精确的学习到目标假设时，学习算法可以找到很多满足训练样本的分类器。所以，学习算法选择任何一个分类器都会面临一定错误分类的风险，因此将多个假设集成起来可以降低选择错误分类器的风险。计算上的原因很多学习算法在进行最优化搜索时很有可能陷入局部最优的错误中，因此对于学习算法而言很难得到一个全局最优的假设。事实上人工神经网络和决策树已经被证实为是一 个NP 问题34。集成算法可以从多个起始点进行局部搜索，从而分散陷入局部最优的风险。表示上的原因在多数应用场景中，假设空间$\mathcal{H}$中的任意一个假设都无法表示 (或近似表示) 真正的分类函数$f$。因此，对于不同的假设条件，通过加权的形式可以扩大假设空间，从而学习算法可以在一个无法表示或近似表示真
...继续阅读
(48)
发表于
2018-09-15 12:04:00
程序员如何自我成长 - Learning hard
【摘要】大多数未毕业和工作不久的程序员同学都存在以下几点迷茫： 针对未毕业的计算机同学来说，存在迷茫点有： 1. 不知道社会上企业需要怎样的技能 2. 不知道如何选择第一份工作 3. 在大学接下来的日子如何提升自己，为找工作做准备 针对工作5年之内的程序员同学来说，普遍存在的迷茫点有： 1. 工作过程中如何阅读全文
...继续阅读
(11)
发表于
2018-03-16 00:00:00
流形学习 (Manifold Learning)
降维在之前的博客中，我们曾经介绍过 PCA 方法及其降维的作用。在原始数据中各个特征之间存在着一定的信息冗余，随着特征的不断增加就容易出现“维数灾难”的问题，因此降维的目的就是在尽可能多的保留原始信息的同时减少数据的维度。一般情况下我们将降维方法分为：线性降维方法和非线性降维方法，线性降维方法的典型算法有：主成份分析 (PCA, Principal Component Analysis)1线性判别分写 (LDA, Linear Discriminant Analysis)2多尺度变换 (MDS, Multi-Dimensional Scaling)3非线性降维方法中在此我们仅列举一些基于流行学习的算法：保距特征映射 (ISOMAP)4局部线性嵌入 (LLE, Locally Linear Embedding)5拉普拉斯特征映射 (LE, Laplacian Eigenmap)6在现实数据中，很多情况数据是无法通过线性的方法进行降维表示的，因此就需要非线性的降维算法出马了。流形在调研流形相关概念时，发现要想深一步的理解这些概念还是需要详细的了解微分几何相关的内容，鉴于本文的目的主要是介绍流形学习 (主要是降维角度) 的相关内容，因此我们对流形仅做一些粗略的介绍。“流形”是英文单词Manifold的中文译名，它源于德文术语 Mannigfaltigkeit，最早出现在 Riemann
...继续阅读
(39)
发表于
2017-12-14 05:18:07
Highlights from My First NIPS
发表于
2017-11-14 23:30:11
Unawareness of Deep Learning Mistakes
TL;DR: People are hardly aware of any deep learning mistakes they made,because things alwaysappearto work, and there are no expectations on how well theyshouldwork.The solution is to try toaccurately reproduce settings & performanceof high-quality papers & code.The Dropout MistakeI'll start with a true story.Years ago I was playing with different ConvNets with a couple of students at Berkeley.There weren't so many great softwares at that time, and we just wrote everything on top ofTheano, which was also very premature back then.We just started to learn about neural networks, and I wa
...继续阅读
(41)
发表于
2017-05-31 02:30:19
干货|最全面的深度学习自学资源汇总
发表于
2017-05-30 01:26:54
免费获取电子书 Learning JavaScript Data Structures and Algorithms[$26.99→0]
发表于
2017-05-25 00:00:00
arXiv Paper Daily: Thu, 25 May 2017
Neural and Evolutionary ComputingFast-Slow Recurrent Neural NetworksAsier Mujika,Florian Meier,Angelika StegerSubjects:Neural and Evolutionary Computing (cs.NE)Processing sequential data of variable length is a major challenge in a widerange of applications, such as speech recognition, language modeling,generative image modeling and machine translation. Here, we address thischallenge by proposing a novel recurrent neural network (RNN) architecture, theFast-Slow RNN (FS-RNN). The FS-RNN incorporates the strengths of bothmultiscale RNNs and deep transition RNNs as it processes sequential data on
...继续阅读
(29)
发表于
2017-05-24 08:00:13
ćœşĺ™¨ĺŚäš ä¸“ĺŽśä¸ŽçťŸčŽĄĺŚĺŽśč§‚ç‚šä¸Šćœ‰ĺ“Şäş›ä¸ĺŒďźŸ
ä¸€čˆŹčŽ¤ä¸şĺąžäşŽçťŸčŽĄĺŚçš„ć˜Żçşżć€§ć¨Ąĺž‹ďźˆçťŸčŽĄé‡Œé˘ç ”çŠśçš„ćœ€ä¸şćˆç†Ÿďź‰ă€SV1MďźˆćŻ•çŤŸć˜ŻçťŸčŽĄĺŚĺŽść出ćĽçš„ă€lassoă€compressive sensingă€sparse modelingă€boostrappingç‰ďźŒäź çťŸçš„p-value, tçťŸčŽĄé‡ă€AIC,BICéƒ˝ć˜ŻçťŸčŽĄçš„ďź›ä¸€čˆŹčŽ¤ä¸şĺąžäşŽćœşĺ™¨ĺŚäš çš„ć˜ŻçĽžçťç˝‘çťœă€čšçž¤äź˜ĺŒ–ă€é—äź çŽ—ćł•ă€ćˇąĺşŚĺŚäš ç‰ďźŒä¸€čˆŹć•°ĺŚĺŸşçĄ€ä¸ć˜Żĺžˆç‰˘ĺ›şďźŒĺŻšĺ¤ć‚çš„ä˝Žĺ™ŞéŸłé—Žé˘˜ćŻ”čžƒé€‚ĺˆďź›çťŸčŽĄĺ’Œćœşĺ™¨ĺŚäš éƒ˝ć˛žčžšçš„ć˜ŻboostingďźŒćœ€ĺź€ĺ§‹adaboostć˜ŻčŽĄçŽ—ćœşçš„äşşć出ćĽďźŒä˝†ĺŞć˜ŻäşŒĺ…ƒĺˆ†çąťďźŒçť™ĺ‡şäş†çŽ—ćł•ďźŒć•°ĺŚĺŸşçĄ€ä¸ç‰˘ďź›ç„śĺŽć–Żĺ
...继续阅读
(22)
发表于
2017-05-24 00:00:00
arXiv Paper Daily: Wed, 24 May 2017
Neural and Evolutionary ComputingUnbiasing Truncated Backpropagation Through TimeCorentin Tallec,Yann OllivierSubjects:Neural and Evolutionary Computing (cs.NE); Learning (cs.LG)Truncated Backpropagation Through Time (truncated BPTT) is a widespreadmethod for learning recurrent computational graphs. Truncated BPTT keeps thecomputational benefits of Backpropagation Through Time (BPTT) while relievingthe need for a complete backtrack through the whole data sequence at everystep. However, truncation favors short-term dependencies: the gradient estimateof truncated BPTT is biased, so that it does
...继续阅读
(33)
发表于
2017-05-23 00:00:00
arXiv Paper Daily: Tue, 23 May 2017
Neural and Evolutionary ComputingBlock building programming for symbolic regressionChen Chen,Changtong Luo,Zonglin JiangSubjects:Neural and Evolutionary Computing (cs.NE)Symbolic regression that aims to detect underlying data-driven model, hasbecome increasingly important for industrial data analysis when theexperimental model structure is unknown or wrong, or the concerned system haschanged. For most of the existing algorithms for symbolic regression, such asgenetic programming, the convergence speed might be too slow for large scaleproblems with a large number of variables. This situation ma
...继续阅读
(35)
发表于
2017-05-22 00:00:00
arXiv Paper Daily: Mon, 22 May 2017
Neural and Evolutionary ComputingParameter Adaptation and Criticality in Particle Swarm OptimizationCarlos Garcia CorderoComments: 70 pages, MSc. Thesis in Artificial Intelligence, University of EdinburghSubjects:Neural and Evolutionary Computing (cs.NE)Generality is one of the main advantages of heuristic algorithms, as such,multiple parameters are exposed to the user with the objective of allowing themto shape the algorithms to their specific needs. Parameter selection,therefore, becomes an intrinsic problem of every heuristic algorithm. Selectinggood parameter values relies not only on know
...继续阅读
(37)
发表于
2017-05-21 01:04:35
免费获取电子书 Practical Machine Learning[$37.99→0]
