系统学习

Linux系统是使用Linux内核及开源自由软件组成的一套操作系统，是一种类UNIX系统，其内核在1991年10月5日由林纳斯·托瓦兹首次发布。它的主要特性：Linux文件一切皆文件、完全开源免费、支持多用户和多任务、同时还支持多种架构平台、可靠的安全性、良好的稳定性、具有强大的网络功能、多样图形界面；近几年 Linux 系统慢慢吸引了不少人，正是由于它的强大，支撑着巨大的项目，并不断影响着大多数人的生活。其实大家对于Linux系统并不陌生，或多或少都有接触过，因为你身边已经无处不在了，比如你先现在使用的Android手机和平板电脑、ATM、机顶盒、车载电脑、飞行航班控制系统、互联网巨头云服务，甚至政府都在使用Linux系统，以上是我对于Linux系统的认知。相比其他操作系统，它的优势更让我们值得去学习，况且应用场景广不说，目前的互联网大佬公司（BAT、新浪、网易、京东等等）全都上Linux系统，无不体现它的优势所在。 谈到Linux的学习，相信大家各有各的方法，在这里我也谈下我的方法和看法：我先前在学校也学过一部分Linux系统的简单使用及服务器的部署，由于也是第一次接触，感觉对于我这种新手比较陌生，学习起来也比较困难，然而稀里糊涂的就这样学完了，感觉收获甚少，再说大学老师教的也只是皮毛，俗话说师傅领进门修行靠个人，学习的事情还是靠自己。幸运的是毕业以后居然找到一份网络方面的工作

系统学习机器学习之神经网络（三）--GA神经网络与小波神经网络WNN 2017年01月09日 09:45:26 Eason.wxd 阅读数 14135 更多 分类专栏： 机器学习 1 遗传算法 1.1 遗传算法简介： 遗传算法是一类借鉴生物界的进化规律（适者生存，优胜劣汰遗传机制）演化而来的随 机化搜索方法。它是由美国的 J.Holland 教授 1975 年首先提出，其主要特点是直接对结构对 象进行操作，不存在求导和函数连续性的限定；具有内在的隐并行性和更好的全局寻优能力； 采用概率化的寻优方法，能自动获取和指导优化的搜索空间，自适应地调整搜索方向，不需 要确定的规则。遗传算法的这些性质，已被人们广泛地应用于组合优化、机器学习、信号处 理、自适应控制和人工生命等领域。它是现代有关智能计算中的关键技术之一。 在遗传算法里，优化问题的解被称为个体，它表示为一个变量序列，叫做染色体或者基 因串。染色体一般被表达为简单的字符串或数字串，不过也有其他的依赖于特殊问题的表示 方法适用，这一过程称为编码。首先，算法随机生成一定数量的个体，有时候操作者也可以 对这个随机产生过程进行干预，以提高初始种群的质量。在每一代中，每一个个体都被评价， 并通过计算适应度函数得到一个适应度数值。种群中的个体被按照适应度排序，适应度高的 在前面。这里的“高”是相对于初始的种群的低适应度来说的。

从小的梦想是做一名厉害的黑客... 无奈成绩一塌糊涂,最终在高中草草结束学习生涯. 从做技术员开始,接触三菱PLC,触摸屏,全部是自学成材.. 随后接触了单片机,购买了至少5套,购买了汇编,C学习.. 因没有系统学习,认为编程很难.几乎放弃.(C,和编程都难理解) 觉得应充实些.且在工作中也用的上.所以学过电路板绘图制作,,3D结构绘图制作. 偶接触到python..试试看的态度进行了学习,,注册了自学网等等,购买了林海峰, 武沛齐的学习视频.. 学习了一段时间,让我明白了很多原理,学习了重要的东西,决定以后就靠这个吃饭了,绝不荒废. 已经35岁了,不管来不来的急..算法肯定跟不上,设计模式我有经验啊! 共勉 来源： https://www.cnblogs.com/gxrwsb/p/11546895.html

区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链（Blockchain），它本质上是一个 去中心化的数据库 ，同时作为比特币的底层技术，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次比特币网络交易的信息，用于验证其信息的有效性（防伪）和生成下一个区块。 基本含义 ： 狭义来讲，区块链是一种按照时间顺序将数据区块以顺序相连的方式组合成的一种链式 数据结构 ， 并以密码学方式保证的不可篡改和不可伪造的分布式账本。 广义来讲，区块链技术是利用块链式数据结构来验证与存储数据、利用分布式节点共识算法来生成和更新数据、利用密码学的方式保证数据传输和访问的安全、利用由自动化脚本代码组成的智能合约来编程和操作数据的一种全新的分布式基础架构与计算方式。 区块链系统与结构： 基础架构模型： 一般说来，区块链系统由数据层、网络层、共识层、激励层、合约层和应用层组成。 数据层封装了底层数据区块以及相关的数据加密和时间戳等技术； 网络层则包括分布式组网机制、数据传播机制和数据验证机制等； 共识层主要封装网络节点的各类共识算法； 激励层将经济因素集成到区块链技术体系中来，主要包括经济激励的发行机制和分配机制等； 合约层主要封装各类脚本、算法和智能合约，是区块链可编程特性的基础； 应用层则封装了区块链的各种应用场景和案例。 该模型中

1. 推荐系统与推荐模型 排名预测 TopN推荐 分类模型 推荐系统的两个阶段：召回（挑选候选集），排序（对候选集排序） 2.基于表示学习的深度学习推荐模型 DL 在召回阶段的关键：学习User 和 Item的Embedding表达。 具体的方法有： 无监督模式：Auto-encoder 半监督模式：Auto-encoder + 矩阵分解 监督方式: 无监督方法:Auto-Encoder 协同过滤神经网络： 半监督模式 有监督模式 3. 基于特征组合的深度学习推荐模型 难题： 特征表达问题：如何处理大量离散特征及高维度稀疏特征？ 特征组合问题：如何捕获和表达两两组合特征？多组组合特征？ 离散特征： 使用Onehot表达。 但是这个CTR预估任务里往往不现实，因为节点很多，有时特征的取值范围很大。 这里有个缺点：低阶和高阶特征组合隐含地体现在隐层。而MLP表达能力很弱。 改进：把低阶特征单独建模。 并行结构代表：Wide & Deep模型。 Wide网络为LR模型； 总结: 深度模型输入问题基本解决：onehot ->field Embedding； 关键： 2阶特征组合网络结构的设计； 多特征组合分层表示：2阶、3阶、4阶有效，再高阶用处不大； MLP这种加性捕获特征组合能力不强，乘性结构捕获组合特征比较合适； 多模态融合是趋势； 4.微博上的应用 参考：

一、关于不懂的名词 　　 1、ubuntu ： 是一个以桌面应用为主的开源的GUN/Linux操作系统（Linux发行版），是著名的Linux发行版之一 　　 2、Linux Lite: 是一个Linux发行版，基于Debian 和 Ubuntu 　　 3、操作系统（OS）：关联计算机硬件与软件资源的系统软件，同时也是计算机系统的内核与基石。操作系统需要处理如管理与配置 内存 、决定系统资源供需的优先次序、控制输入与输出设备、操作 网络 与管理 文件系统 等基本事务。操作系统也提供一个让用户与系统交互的操作界面。（Windows、Linux、Mac OS） 　　 4、VirtualBox：虚拟机软件，提供用户在32位或64位的Windows、Solaris、Linux操作系统上虚拟其他x86的操作系统 　　　　　　disk image(vdi) 磁盘印象 　　 5、系统映像：系统印象包含 系统运行所需的驱动器，驱动器的精确副本 来源： https://www.cnblogs.com/fangshu/p/11524435.html

远程培训学习系统适用于哪些领域？ 远程培训学习系统是一款方便、高效、实用的在线培训服务工具。主要功能有在线培训、在线学习，课程管理，课件管理，学员管理，后台管理等功能。那么，具备这样功能的远程培训学习系统适用于哪些领域？ 1.教育领域 随着互联网浪潮的不断深化，传统的教育也开始走上在线，越来越多的教学名师、网络课程开始入驻各类教育培训平台。可以说，评价高的在线教育培训系统为教育行业提供了更为宽广的传播渠道，同时也让热衷学习的人们拥有了更多选择的空间和更便捷的学习方式。 2. 企业内训 企业的竞争就是人才的竞争，现在越来越多的企业都重视起了员工培训，传统的线下培训组织周期长、花费高，已经不能满足企业的培训需求。而使用企业员工学习系统，从课件的制作到培训的效果统计分析在系统后台就可完成，大大提升工作效率，缩短人力成本。 使用远程培训学习系统有哪些优势特点： 重复学习：课程可无限次重复听讲学习，可依据个人情况重复学习难点； 节约时间：远程培训学可节约个人大量的路上来回时间； 培训费用：可节省大笔培训费用（场地费、物料费、人工费）； 时间灵活：时间灵活，学生可以根据自己时间允许的情况下学习； 学习交流：学习过程中可自由与教师交流疑点难点； 来源： https://blog.csdn.net/neugls/article/details/100726844

推荐系统遇上深度学习(十)--GBDT+LR融合方案实战 0.8012018.05.19 16:17:18字数 2068阅读 22568 推荐系统遇上深度学习系列： 推荐系统遇上深度学习(一)--FM模型理论和实践： https://www.jianshu.com/p/152ae633fb00 推荐系统遇上深度学习(二)--FFM模型理论和实践: https://www.jianshu.com/p/781cde3d5f3d 推荐系统遇上深度学习(三)--DeepFM模型理论和实践： https://www.jianshu.com/p/6f1c2643d31b 推荐系统遇上深度学习(四)--多值离散特征的embedding解决方案： https://www.jianshu.com/p/4a7525c018b2 推荐系统遇上深度学习(五)--Deep&Cross Network模型理论和实践： https://www.jianshu.com/p/77719fc252fa 推荐系统遇上深度学习(六)--PNN模型理论和实践： https://www.jianshu.com/p/be784ab4abc2 推荐系统遇上深度学习(七)--NFM模型理论和实践： https://www.jianshu.com/p/4e65723ee632 推荐系统遇上深度学习(八)--AFM模型理论和实践：

我们都知道，很多业务系统都是基于 MVC 三层架构来开发的。实际上，更确切点讲，这是一种基于贫血模型的 MVC 三层架构开发模式。 虽然这种开发模式已经成为标准的 Web 项目的开发模式，但它却违反了面向对象编程风格，是一种彻彻底底的面向过程的编程风格，因此而被有些人称为反模式（ anti-pattern ）。特别是 领域驱动设计 （ Domain Driven Design ，简称 DDD ）盛行之后，这种基于贫血模型的传统的开发模式就更加被人诟病。而基于充血模型的 DDD 开发模式越来越被人提倡。 基于上面的描述，我们先搞清楚下面几个问题： 什么是贫血模型？什么是充血模型？ 为什么说基于贫血模型的传统开发模式违反 OOP ? 基于贫血模型的传统开发模式既然违反 OOP ，那又为什么如此流行？ 什么情况下我们应该考虑使用基于充血模型的 DDD 开发模式？ 什么是基于贫血模型的传统开发模式？ 对于大部分的后端开发工程师来说， MVC 三层架构都不会陌生。 MVC 三层架构中的 M 表示 Model ， V 表示 View ， C 表示 Controller 。它将整个项目分为三层：展示层、逻辑层、数据层。 MVC 三层开发架构是一个比较笼统的分层方式，落实到具体的开发层面，很多项目也并不会 100% 遵从 MVC 固定的分层方式，而是会根据具体的项目需求，做适当的调整。 比如

1、搜索结果各项含义 GET /_search { "took": 6, #整个搜索请求花费了多少毫秒 "timed_out": false, #是否超时，可以手动指定超时时间 "_shards": { #默认一个搜索请求，会打到index的所有primary shard上去，每个primary shard都可能会有一个或多个replic shard，所以请求也可以到primary shard的其中一个replica shard上去。 "total": 6, "successful": 6, #shards fail的条件（primary和replica全部挂掉） "failed": 0 }, "hits": { "total": 10, #本次搜索，返回了几条结果 "max_score": 1, #本次搜索的所有结果中，最大的相关度分数是多少，每一条document对于search的相关度，越相关，_score分数越大，排位越靠前 "hits": [ #默认查询前10条数据，完整数据，_score降序排序 { "_index": ".kibana", "_type": "config", "_id": "5.2.0", "_score": 1, "_source": { "buildNum": 14695 } } ] } } 来源： https://www.cnblogs.com