2017年05月_PJZero

原创 [python + pillow] 自制壁纸不完全教程

前言最近想给自己打鸡血，然后就想到经常给自己定义的一些目标之类的。可惜的是自己一直没有做的很好～计划定了千万遍，可是依旧不能很好的执行。这大概就是执行力不够，其实现实生活中很多事情我们之所以办不好或许就是因为我们没有下定决心去执行我们给自己定的计划定的标准定的各种行为准则～扯远了～直接上代码吧，就在注释里面和大家讲实现的过程了～准备首先我操作的环境是python3.5 + Ubuntu 16.04

2017-05-31 21:44:57 851

原创 [西瓜书]朴素贝叶斯--numpy + python实现

回到分类的问题上，我们想要通过上面的公式解决具体的分类问题。首先，我们根据一般的分类问题将上面公式中提到的A和B具体化一下，我们指示A为样本，其包含样本所有的特征数据。B为分类的类别。为更好的对对应起来，我们用x代指一个样本数据，c代表一个分类类别。那么就有如下的贝叶斯公式：$$P(c | x) = \frac{P(c) * P(x | c)}{P(x)}$$这个公式的左边描述的是，在我们已知一个数据样本的情况下

2017-05-15 17:08:28 3319

原创 React native + Android Studio + genymotion + Ubuntu 16.04

文章名字很长，但是似乎又不可删减～这篇博客将主要介绍怎么在Ubuntu下安装React native + Android Studio + genymotion，为的是能够在linux下顺利的使用React Native开发安卓应用。实在是不想在Window下做开发了，私心觉得忒麻烦。安装的步骤有点的复杂，各位看官如果想复制这么一个环境还请认真的看下去（即使按照原来的步骤复制，我也不敢保证绝对正确的

2017-05-13 23:36:35 867

原创在Ubuntu 16.04下安装 virtualbox 5.0/5.1

不知道为什么，下载好官方的安装包之后安装总是保存。我放弃了官方的安装包，想办法从其他地方安装。软件商店试过，一直在安装，似乎卡住了，最后是通过添加了一个源的方式才装上的～这里放上安装的过程sudo sh -c 'echo "deb http://download.virtualbox.org/virtualbox/debian xenial contrib" >> /etc/apt/sources.

2017-05-13 09:27:04 10515 3

原创 Vue 绑定 style

在Vue项目中，如果懒得写class属性，想直接将属性写在style上（我知道这不是一个好习惯）要怎么操作呢？官方实例<div :style="{ fontSize: size + 'px' }"></div>坑的确，上面那样的写法确实能绑定，可是当属性为min-height<div :style="{ min-height:

2017-05-12 21:09:14 9180

原创 docker 命令简介

docker 简介docker是什么呢？给大家描述几个应用场景吧，描述完大家大概就知道这个东西是用来干嘛的了。场景1相信稍微有点经验的程序员在开发的过程中都面临着部署应用的问题，假设你现在在本地辛辛苦苦开发出了一个网站，准备部署。这个时候你就很自然的联想到应该在服务器上搭建一个和本地运行环境一样的环境出来。如果是nodejs，虽然已经有了npm，有了各种打包工具，可是你还是面临着一系列的操作。而且

2017-05-12 17:21:44 461

原创 Linux常用命令--常更

记录一些常见的linux命令，有些命令也不是特别常用，一段时间不用就忘记，就很可惜。这里记录下来，以后没事的时候还可以翻翻，也不用到处找了～主要包括以下内容：文件操作，网络操作，进程操作等

2017-05-08 19:50:07 371

原创 [(机器学习)概率统计]极大似然估计MLE原理+python实现

在数理统计学中，似然函数是一种关于统计模型中的参数的函数，表示模型参数中的似然性。“似然性”与“或然性”或“概率”意思相近，都是指某种事件发生的可能性，但是在统计学中，“似然性”和“或然性”或“概率”又有明确的区分。概率用于在已知一些参数的情况下，预测接下来的观测所得到的结果，而似然性则是用于在已知某些观测所得到的结果时，对有关事物的性质的参数进行估计。

2017-05-05 19:17:56 28197 4

原创 KNN原理+python实现

在模式识别领域中，最近邻居法（KNN算法，又译K-近邻算法）是一种用于分类和回归的非参数统计方法。[1]在这两种情况下，输入包含特征空间中的k个最接近的训练样本。 KNN可分为分类和回归：在k-NN分类中，输出是一个分类族群。一个对象的分类是由其邻居的“多数表决”确定的，k个最近邻居（k为正整数，通常较小）中最常见的分类决定了赋予该对象的类别。若k = 1，则该对象的类别直接由最近的一个节点赋予

2017-05-04 23:00:28 673

原创 fisher判别分析原理+python实现

参考资料：周志华老师的《机器学习》http://wiki.mbalib.com/wiki/%E5%88%A4%E5%88%AB%E5%88%86%E6%9E%90判别分析是一种经典的现行分析方法，其利用已知类别的样本建立判别模型，对未知类别的样本进行分类。在这里我们主要讨论fisher判别分析的方法。fishter原理费歇（FISHER）判别思想是投影，使多维问题简化为一维问题来处理。选择一个

2017-05-03 20:07:41 40136 12

原创 [机器学习]划分训练集和测试集的方法

在进行机器学习常常需要处理的一个问题是划分测试集和训练集。训练集用于训练模型，测试集则是根据训练集的训练结果来评判最终的训练效果。一般而言，测试集应该和训练集尽可能保持互斥～常用的数据集划分方法有一下几种方法1：留出法直接将数据集D划分为两个互斥的集合。需要注意的问题：在划分的时候应该尽量保持数据分布的一致性。例如在分类任务中应该保持正负样本比例相近。划分存在多种方法，为得到合理的算法模型评估标

2017-05-02 00:33:33 23938

原创梯度下降法(BGD,SGD,MSGD)python+numpy具体实现

梯度下降是一阶迭代优化算法。为了使用梯度下降找到函数的局部最小值，一个步骤与当前位置的函数的梯度（或近似梯度）的负值成正比。如果相反，一个步骤与梯度的正数成比例，则接近该函数的局部最大值;该程序随后被称为梯度上升。梯度下降也被称为最陡峭的下降，或最快下降的方法。（from wikipad)首先，大家要明白它的本质：这是一个优化算法！！！它是可以用来解决很多问题的，一般学习机器学习的朋友都会在线性回归

2017-05-01 23:51:31 27101 11

原创 pistache（C++ REST 工具）使用

项目不完善，使用需谨慎相关资料 github homepage / document目前因为资料还是不是很多，所以最好的学习资料应该就是在github项目主页上挂着的各种实例了～这里我将代码克隆了下来，用tree命令打印了一下目录：host@lab:~/scode/pistache$ tree -d -L 2.├── build│ ├── CMakeFiles│ ├── exa

2017-05-01 20:15:57 6608 1

原创 Pistache(C++ REST工具)安装配置 ubuntu16.04 + cmake

Pistache is a C++ REST framework written by Mathieu Stefani at Datacratic. It is written in pure C++11 with no external dependency and provides a low-level HTTP abstraction.Pistache provides both an HTTP clien

2017-05-01 19:58:50 4332

原创 [推荐] C++解析json包：jsoncpp ——入门攻略

最近有面临一个问题，就在这里说出来吧，各位大神如果有看到～能解答我的疑惑，我将十分感激。问题是这样的，目前我们打算做一个集成多个信号处理算法的桌面应用，方便大家在处理数据的时候方便快捷的实现。因为考虑到绘图问题，想到echarts画图那么好看，干脆拿来直接用就好路也不用自己重新写。但是echarts用的是js，而处理信号的算法可全部都是c++实现的啊，所以现在面临着几个选择把所有的算法用j

2017-05-01 19:29:36 2121

原创产生不重复随机数-with python

这个问题算是一个简单的算法题吧，简单的不能再简单了。今天强迫症似的想要把它实现主要是想担心以后面试的时候面试官问。万一由像上次一样半天憋不出来，憋出来还是个错的或者是压根没办法认真跑的，就非常的迷了～这里给出算法的两种参数设置的实现，第一种是在[0, m)中，第二种是可以设定两个参数，范围任选。从[0, m)中产生n个随机数要求：m, n 为正整数，m >= n算法实现如下，具体的思想可以参

2017-05-01 18:09:48 8573 2

原创 [简单爬虫]记录博客流量-day day up

做了一个小工具，用于记录我的csdn博客每天的流量变化，当程序运行的的时候捕获到一场则发送邮件到我的邮箱，告知我来处理异常。每天的流量会记录在csv文件中，可以使用pandas方便的获取文件内容并绘图。用到的工具包括requestsbs4(beautifulsoup4)csv(buildin)smtplib(buildin)更详细的内容请看代码注释import requests #

2017-05-01 17:14:45 717

PJZero