gravity

openKM是一个开放源代码的电子文档管理系统。可以作为文档版本控制系统来使用。 来一点网络上的介绍： OpenKM是一个文档管理系统,用于组织和共享文档 OpenKM界面[1]。可以通过名称，内容，关键字等来搜索文档。基于Jboss+J2EE+Ajax web (GWT)+Jackrabbit (lucene)等技术开发。 OpenKM是一个拥有良好Web的用户界面的文件管理应用程序，可以对文件进行共享，设置安全级别权限，审计和调查企业的文件和登记册等等, 以用利用OpenKM实现工作人员之间的轻松协作和沟通。 官方网址： http:// www.openkm.com 历史版本下载地址： http://sourceforge.net/projects/openkm/files/ openKM目前分三个版本：Community Version，Cloud Version，Professional Version。 版本对比地址： http://www.openkm.com/en/overview/comparison-of-versions.html 1、 先下载 JAVA JDK http://www.oracle.com/technetwork/java/javase/downloads/index.html 这里我下载的是 Linux X86 版本的 tar.gz 压缩包

本学期的数据结构结束了，·回顾这学期的数据结构课是与过去学过的课程有很大的不同，首先了解的是翻转课堂，老师把视频放在网上让我们自学，课上我们分好了小组，老师讲解一些视频里面的重要的的知识点，我们可以与老师互动可以与同学交流不会的知识点。这是一种特别的教学方式，不仅可以锻炼同学与同学之间的交流能力还可以分享自己学到的东西，取长补短，互相学习。对于传统课堂我认为有的时候如果老师讲的太过仔细会使学生感到非常的困倦，从而导致学习效率的下降。而贺老的翻转课堂就比较有意识，老师可以带动同学的学习积极性，老师在课堂上与同学一起互动学习对于学习效率的提升有很大的好处。然而我认为这样的课堂也有不足的地方，老师把视频放在网上课余时间让同学们看，我感觉大部分同学都会认真看的，可是有小部分的人不会按时观看，这样就会在当天的 课堂上对于老师讲的东西完全不理解。所以这样的翻转的课堂对于利用好的学生会非常的有帮助的。 以上就是我对这学期的翻转课堂的感受，接下里我要对这学期我学过的东西做个总结： O： 在学习的第一章最大的收获就是了解到了什么是数据结构，算法的描述，以及怎么样构成了程序，也学会了如何运算复杂度。第二章是非常重要的一章，视频里面对于线性表的讲解非常仔细，所以在看视频的时候我就大概学会了线性表的逻辑结构，线性表的顺序存储结构以及线性表的链式存储结构

原文出处：https://blog.csdn.net/ming_311/article/details/50619859 现在你已经安装了Kibana，现在你一步步通过本教程快速获取Kibana核心功能的实践经验。学习完本教程，你将： 1.加载案例数据到你安装的Elasticsearch中 2. 定义至少一个索引匹配模式 3.使用Discover功能探索你的数据 4.建立一个visualization图形化地展示你的数据 5.把许多visualization汇编组装成一个Dashboard 本段内容假设你已经安装好了Kibana和Elasticsearch，并且Kibana连接到了Elasticsearch。 视频教程也可获取 High-level Kibana 4 introduction, pie charts Data discovery, bar charts, and line charts Tile maps Embedding Kibana 4 visualizations 在你开始之前：加载案例数据 本段教程依赖如下数据集： 1. 莎士比亚的所有著作，合适地解析成了各个字段：shakespeare.json。 2. 随机生成的虚构账号数据：accounts.json 3. 随机生成的日志文件：logs.jsonl 以上数据可在 这里 下载

3 月，跳不动了？>>> Gabor 变换由 D.Gabor 于 1946 年提出， 当时是为解决傅氏变换局部频率变化的不足， 而在其基础上增加窗函数， 实现有效获得信号的局部信息， 因此 Gabor 变换是一种基于窗口的短时傅氏变换 。 由于所加窗函数为高斯窗， 在频域上具有不变性， 因此 Gabor 变换能在时域与频域同时获得局部信号的变化。 在进行图像处理时， 纹理特征往往反应在局部局域的变化， 因此将 Gabor 变换改造成二维 Gabor 滤波器， 在提取图像纹理特征时取得良好效果。 经研究发现， Gabor 滤波响应与人眼视觉皮层感受野响应相似。 如下图： 第一行是人眼视觉感受野的响应模型， 第二行为 Gabor 滤波变换波形， 最后一行为二者的响应残差。 从中可以发现， Gabor 相应符合人眼视觉感受机制， 可以用来模拟人眼对图像进行处理分析。在第二章视觉显著性计算中可知， Itti 仿生显著性模型中提取的方向特征正是采用 Gabor 滤波得到的， 这进一步说明了在纹理方向性上 Gabor 对图像的处理符合人类视觉显著性特点。 从理论上分析， 二维 Gabor 滤波器之所以对增强局部纹理方面性能突出， 因为在测不准原理之下， 2D-Gabor 是唯一能够达到其下界值的高性能函数。 Gabor 变换在时频两域可同时得到函数的局部最优解， 即时域下能增强局部信息， 频域

3 月，跳不动了？>>> 一、说明 在Linux（CentOS 7）上安装Redis： Windows安装Linux虚拟机（CentOS7） Redis版本： redis-3.2.1.tar.gz 或者 http://download.redis.io/releases/redis-3.2.1.tar.gz 二、踩坑 因为Redis需要依赖其它的工具，但是我第一次安装时还不知道，直接就安装了，所以编译时报各种错，网上也有各种解决方法，我觉得都是依赖的问题，依赖装好之后，应该就不会报错了，有时候报错并不准确： cc:未找到命令 adlist.c:1:0: 错误:您选择的 CPU 不支持 x86-64 指令集 三、安装 下载Redis包，我下载在/usr/local下，使用wget下载： wget http://download.redis.io/releases/redis-3.2.1.tar.gz 如果“-bash: wget: 未找到命令“,先使用yum命令安装： yum install wget.x86_64 下载好之后， 将redis-3.2.1.tar.gz解压： tar -xzf redis-3.2.1.tar.gz 在对redis进行编辑之前，我们需要安装一些依赖工具，下面这条命令是网上找的： yum -y install gcc automake autoconf

3 月，跳不动了？>>> 一、虚拟机安装： 没有安装过虚拟机的可以查看这边博文： Windows安装Linux虚拟机（CentOS7） 。 注意： 一定要关闭selinux和防火墙！！！ 一定要关闭 selinux和防火墙！！！ 一定要关闭 selinux和防火墙！！！ 会影响通信，不会关看这里 -bash : xxx : command not found 新安装Linux后，安装一些必须软件（持续更新……） 建议 :在设置网络和主机名时，记得更改主机名，以便自己区别，免除不必要的麻烦，我这边分别在zookeeper1、 zookeeper2、 zookeeper3 。 记得：要记得先安装好jdk： Linux下查看jdk安装路径版本、安装jdk、配置环境变量 yum install java-1.8.0-openjdk export JAVA_HOME=/usr/java 二、Zookeeper安装： 下载：我这边用的是zookeeper3.4.8，可以到我的CSDN下载 http://download.csdn.net/detail/u010246789/9593428 或者可以到zookeeper官网下载最新包 http://apache.fayea.com/zookeeper/ . 将下载的zookeeper-3.4.8.tar.gz包用rz命令上传（我用的是XShell

3 月，跳不动了？>>> 1.1 FPGrowth算法 1.1.1 基本概念 关联规则挖掘的一个典型例子是购物篮分析。关联规则研究有助于发现交易数据库中不同商品（项）之间的联系，找出顾客购买行为模式，如购买了某一商品对购买其他商品的影响，分析结果可以应用于商品货架布局、货存安排以及根据购买模式对用户进行分类。 关联规则的相关术语如下： （1 ）项与项集 这是一个集合的概念，在一篮子商品中的一件消费品即为一项（Item ），则若干项的集合为项集，如{啤酒，尿布}构成一个二元项集。 （2 ）关联规则 一般记为的形式，X 为先决条件，Y为相应的关联结果，用于表示数据内隐含的关联性。如：表示购买了尿布的消费者往往也会购买啤酒。 关联性强度如何，由三个概念—— 支持度、置信度、提升度来控制和评价。 例：有10000 个消费者购买了商品，其中购买尿布1000个，购买啤酒2000个，购买面包500个，同时购买尿布和面包800个，同时购买尿布和面包100个。 （3 ）支持度（Support） 支持度是指在所有项集中{X, Y} 出现的可能性，即项集中同时含有X和Y的概率： 该指标作为建立强关联规则的第一个门槛，衡量了所考察关联规则在“量”上的多少。通过设定最小阈值（minsup ），剔除“出镜率”较低的无意义规则，保留出现较为频繁的项集所隐含的规则。 设定最小阈值为5% ，由于{尿布，啤酒

3 月，跳不动了？>>> 参考： 吴恩达机器学习 梯度下降法及其Python实现 梯度下降法(BGD,SGD,MSGD)python+numpy具体实现 Octave Octave 的函數列表 在线公式编辑器 1、绪论：初识机器学习 什么是机器学习 监督学习 课时4 无监督学习 数据聚类 第2章 单变量线性回归 模型描述 代价函数 代价函数（一） 代价函数（二） 梯度下降 梯度下降知识点总结 线性回归的梯度下降 线性回归梯度下降公式总结 Hypothesis: h θ = θ 0 + θ 1 x Parameters: θ 0 , θ 1 Cost Function: J ( θ 0 , θ 1 ) = 1 2 m ∑ m i = 1 ( h θ ( x ( i ) ) − y ( i ) ) 2 Goal: m i n i m i z e J ( θ 0 , θ 1 ) Gradient descent algorithm: θ j : = θ j − α ∂ ∂ θ j J ( θ 0 , θ 1 ) ( f o r j = 0 a n d j = 1 ) Correct:Simultaneous update t e m p 0 : θ 0 − α ∂ ∂ θ 0 J ( θ 0 , θ 1 ) t e m p 1 : θ 1 − α ∂ ∂ θ 1 J ( θ 0 , θ

3 月，跳不动了？>>> 抽象工厂模式为创建一组对象提供了一种解决方案。与工厂方法模式相比，抽象工厂模式中的具体工厂不只是创建一种产品，它负责创建一族产品。抽象工厂模式定义如下： 抽象工厂模式(Abstract Factory Pattern)：提供一个创建一系列相关或相互依赖对象的接口，而无须指定它们具体的类。抽象工厂模式又称为Kit模式，它是一种对象创建型模式。 在抽象工厂模式中，每一个具体工厂都提供了多个工厂方法用于产生多种不同类型的产品，这些产品构成了一个产品族，抽象工厂模式结构如图所示： 在抽象工厂模式结构图中包含如下几个角色： ● AbstractFactory（抽象工厂）： 它声明了一组用于创建一族产品的方法，每一个方法对应一种产品。 ● ConcreteFactory（具体工厂）： 它实现了在抽象工厂中声明的创建产品的方法，生成一组具体产品，这些产品构成了一个产品族，每一个产品都位于某个产品等级结构中。 ● AbstractProduct（抽象产品）： 它为每种产品声明接口，在抽象产品中声明了产品所具有的业务方法。 ● ConcreteProduct（具体产品）： 它定义具体工厂生产的具体产品对象，实现抽象产品接口中声明的业务方法。 点赞 收藏 分享 文章举报 Reka 发布了185 篇原创文章 · 获赞 147 · 访问量 29万+ 私信 关注 来源：

3 月，跳不动了？>>> 早在 2019 年的 GitHub Universe 大会上，GitHub 官方就宣布，他们即将推出移动端 App。而近日，在程序员们的翘首以盼中，GitHub APP 终于问世啦！ GitHub 移动端 APP 官方网址： https://github.com/mobile 新的工作方式，支持暗黑模式 据官网介绍，GitHub APP 可以用来： 浏览最新通知 阅读，回复问题和请求 查看并合并拉取请求 处理标签，项目等组织问题 浏览文件和代码 具体来说，有三大特点： 1.快速组织任务 使用 APP，你可以马上打开收件箱，在桌面上轻轻划动手指就能结束任务或保存通知，以便接下来登陆处理。这可能是开发者最喜欢的功能，它可以帮助保持工作井然有序。 2.随时随地协作 很多待办事项并不一定需要复杂的开发环境或在办公桌上才能完成。不管你是在通勤还是喝咖啡，无论何时何地，只要有需要，你都可以解除锁定。 3.保持工作顺畅 你可以使用 GitHub for mobile 检查错误并修复，并随时随地合并并标记为完成。 另外，考虑到用户体验，该 APP 还可以设置暗黑模式。你可以根据自己的设备偏好设置在暗黑模式下自动协作。 目前，该 APP 可以在 Android 移动设备、iPhone 和 iPad 上使用。 美中不足的是，GitHub APP 还没有提供代码编辑功能。