proximity

OBDSTAR Key SIM is a 5 in 1 key simulator works with OBDSTAR X300 DP/X300 DP Plus and X300 Pro4 can generate keys in the case of all keys lost, so the ignition switch can be turned on, and then a new smart key can be added and programmed. 图1 What’s the specific function of OBDSTAR Key SIM 5 in 1 Key Simulator? It will replace Toyota simulated key 1/2/3/4. 图2 Here are the newest functions: • Supports 46, 4D Data Collection • Supports 46 Transponder Password Calculation, models covers: 1.Porsche (2005-2010) 46 Pincode decryption 2.HYUNDAI/KIA 46 Pincode decryption, etc. • Supports Toyota/Lexus

机器学习实用指南：如何从数据可视化中发现数据规律？ 点击上方“ AI有道 ”，选择“置顶”公众号 重磅干货，第一时间送达 本系列为《Scikit-Learn 和 TensorFlow 机器学习指南》的第四讲。上文请见下面这篇文章： 机器学习实战指南：如何入手第一个机器学习项目？ 目前为止，我们已经对数据有了初步的认识，大体上明白了我们要处理的数据类型。现在，我们将进入更深入的研究。 首先，确保已经划分了测试集并放置一边，我们只会对训练集进行操作。另外，如果训练集很大，可以从中采样一些作为探索集（exploration set），方便进行快速处理。在我们这个例子中，数据集比较小，所以直接在训练集上处理即可。我们还要创建一个训练集的复制副本，这样就不会改动原来的训练集了。 housing = strat_train_set.copy() 1. 地理数据可视化 因为数据集中包含了地理位置信息（经纬度），所以创建所有地区的散点图来可视化数据是个好主意（如下图所示）。 这看起来有点像加州，但是很难看出任何规律。我们设置参数 alpha = 0.1，这样就更容易看出数据点的密度了（如下图所示）。 housing.plot(kind="scatter", x="longitude", y="latitude", alpha=0.1) 现在，我们可以很清晰地看出这些密度较大的区域了。 通常来说

Kaggle比赛入门新手教程（房价预测案例：前篇） Kaggle房价预测全流程详解 竞赛链接与背景介绍 竞赛代码解析 导入工具包 数据加载 数据预处理 异常值初筛 标签值对数变换 明确变量类型 缺失值处理 特征工程 特征创建：基于已有特征进行组合 对影响房价关键因子进行分箱 数值型变量偏度修正 删除单一值特征 特征简化：0/1二值化处理 特征编码 异常值复查：基于回归模型 消除one-hot特征矩阵的过拟合 Kaggle房价预测全流程详解 对于 刚刚入门 机器学习的童孩来说，如何快速地通过不同实战演练以提高代码能力和流程理解是一个需要关注的问题。 Kaggle平台 正好提供了数据科学家的所需要的交流环境，并且为痴迷于人工智能的狂热的爱好者举办了各种类型的竞赛（如， 数据科学/图像分类/图像识别/自然语言处理/漏洞检测 ）。 Kaggle社区是一种全球性的交流社区，集中大量优秀的AI科学家和数据分析家，能够相互分享实战经验和代码，并且有基础入门教程，对新手非常友好~ 竞赛链接与背景介绍 Kaggle平台官网 ：https://www.kaggle.com 房价预测竞赛网址 : https://www.kaggle.com/c/house-prices-advanced-regression-techniques 房价 是一个生活中耳熟能详的概念

可伸缩性解密：集群、节点和分片 更新连载中...请关注 Scalability and resilience: clusters,nodes, and shard Elasticsearch支持根据需要进行扩缩容.这得益于Elasticsearch是原生支持分布式的.可以通过往机器中添加服务器（节点）的方式扩大集群容量从而存储更多数据.Elasticsearch会自动的均一些数据和计算任务给新加入的数据.甚至不需要应用程序参与，Elasticsearch完全知道该怎么把数据均衡到多个节点并且提供良好的可伸缩性和高可用性.集群的节点越多这种操作越顺滑越无感. 就是这么丝滑，堪比丝袜! Elasticsearch is built to be always available and to scale with your needs. It does this by being distributed by nature. You can add servers (nodes) to a cluster to increase capacity and Elasticsearch automatically distributes your data and query load across all of the available nodes. No need to

交互设计之父阿兰·库珀说过这样一句话：“除非有更好的选择，否则就遵从标准”。在交互设计领域中，有很多被时间和前人验证过的设计法则，这些法则是从用户的行为逻辑中总结出来的，掌握这些法则能让我们迅速有效的完成自己的设计。接下来，笔者通过一些实例来解析下这些原则在设计中的应用。由于文章有点长，影响阅读体验，故本文将分为上下两篇。 一. 费茨定律（Fitts’ Law） 1. 费茨定律（Fitts’ Law）简介 费茨定律是由保罗·费茨（Paul M. Fitts）博士，在对人类操作过程中的运动特征、运动时间、运动范围和运动准确性进行研究之后提出的，时间是1954年。该定律被用来预测从任意一点到目标中心位置所需时间的数学模型，在人机交互（HCI）和设计领域的影响却最为广泛和深远。 费茨定律指的是：使用指点设备到达一个目标的时间，与当前设备位置和目标位置的距离（D）和目标大小（S）有关。用数学公式表达为：时间 T = a + b log2(D/S+1)。如下图： 上图中，T指的是：移动设备所需时长；a、b指的是：经验参数，它们依赖于具体的指点设备的物理特性，以及操作人员和环境等因素；D指的是：设备起始位置和目标位置之间的距离；S指的是：目标区域的面积大小。 2. 费茨定律（Fitts’ Law）在设计中的应用 （1）按钮等可点击区域在合理的范围之内越大越容易点击，反之，可点击区域越小

问题引入 随机森林是一个常用到的模型了，大家知道随机森林可以用来做回归，也可以用来做分类，那么随机森林能否用来做聚类呢？是个有趣的问题，让我们一起探讨下。 问题解答 其实随机森林是可以用来做聚类的，对于没有标签的特征，随机森林通过生成数据来实现聚类。其主要的步骤如下： 第一步 ：生成假冒数据和临时标签。 我们先给原数据集增加一列，名叫“标签”，原生数据每一行的标签都是“1”。下面生成一些假数据，假数据的每一列都是从原生数据中根据其经验分布随机产生的，人工合成的数据的标签是“0”。举个例子， 标签 身高 体重 年龄 1 184 158 25 1 170 162 37 1 165 132 45 1 110 78 9 1 145 100 14 1 ... ... ... 上面是原生数据，下面我们开始制造虚假数据 标签 身高 体重 年龄 1 184 158 25 1 170 162 37 1 165 132 45 1 110 78 9 1 145 100 14 1 ... ... ... 0 170 100 9 0 110 162 37 0 165 158 14 每行假数据的每一个元素都是从它所在的那一列中随机抽取的，列和列之间的抽取是独立的。这样一来，人工合成的假数据就破坏了原有数据的结构性。现在我们的数据集和标签就生成完了。 第二步 ：用该数据集训练Random

论文传送门 视频 论文主页 作者 山东大学 Yunhai Wang Mingliang Xue Yanyan Wang Xinyuan Yan 北京大学 Baoquan Chen 香港中文大学 Chi-Wing Fu 法国国立民航大学 Christophe Hurter 摘要 存在许多边捆绑技术（即简化数据以支持数据可视化和决策），但是它们不能直接应用于任何类型的数据集，并且它们的参数通常过于抽象并且难以设置。结果，这阻碍了用户创建有效的聚合可视化效果的能力。为了解决这一问题，我们研究了一种以任务驱动和以用户为中心的方法来处理视觉聚合的新颖方法。给定一个图形，我们的方法将产生一个杂乱的视图，如下所示：首先，用户研究不同的边绑定结果，并指定某些边绑定技术将提供用户所需结果的区域。其次，我们的系统然后计算这些指定区域之间的平滑且结构保留的过渡。最后，用户可以使用直接操作技术进一步微调全局可视化效果，以消除局部歧义并应用不同的视觉变形。在本文中，我们提供了设计原理和实现的详细信息。此外，我们展示了与当前的边捆绑技术相比，我们的算法如何提供更合适的结果，最后，我们提供了用法的具体实例，其中算法结合了各种边绑定结果以支持各种数据探索和可视化。 Introduction Edge bundling methods Force-Directed Edge Bundling Skeleton

论文传送门 作者 深圳大学 Min Lu Shuaiqi Wang Yang Yue Daniel Cohen-Or Hui Huang 海法大学 Joel Lanir 以色列特拉维夫大学 Noa Fish 摘要 这项工作提出了“小翼”，它是对经典散点图的增强，可以通过改善关联点的感知和与其相关聚类的不确定性来更好地感知多个类别。小翼被设计为属于数据点的一对双向笔划，它利用格式塔的闭合原理来塑造对簇形式的感知，而不是使用显式的除法编码。通过对长度和方向这两个主要属性的微妙设计，小翼使观看者能够对群集进行心理上的补全。通过进行一项受控用户研究，检查了小翼感知聚类关联的效率和某些点的不确定性。结果表明，小翼将点更紧密地关联到聚类中，并改善了关联不确定性的感知。 Introduction Visualize Multiclass in Scatterplot To support better perception of groups To convey assignment uncertainty Related work Perceptual Grouping Gestalt Principles a set of principles in psychology about how objects are visually perceived as groups by human

[20个项目学会BBC micro:bit编程]网易云课堂视频教程 点击这里 --硬件连接 注：一定确认人体运动传感器的3根接线顺序，接错有可能损坏模块，如果不确定，可以把图 7-1 人体运动传感器-正面上的透镜取下来，就可以看到3根线的标识了。 --实验编程 程序网址： https://makecode.microbit.org/_C56AjpbKh3DK --实验结果 如果检测到人，micro:bit显示一个对号，如果检测不到人，micro:bit显示一个错号。 注意事项: 　　1.接线之前一定要确认各个针脚的含义。同时确认哪个是用来调节灵敏度的，哪个是用来调节延时的，不用的厂家生产的人体运动检测模块可能不一样。正面的透镜一般是可以取下来的。 　　2.图 7-2 人体运动传感器-背面中的Retrigger setting jumper 设置在H处可以进行重复触发（人静止也可以检测到），设置在L处只能进行边沿触发（只有人动起来才能检测到）。 拓展知识： 　　市面上的人体运动传感器原理基本一样，大都是用的上面所示的传感器，唯一的不同可能是每个针脚的定义不同。因为人的体温基本恒定，在一个很小的范围内波动，而且人体的温度与其他动物的体温不同。特定的温度下发出的红外线的波长不同，通过检测红外线的波长来达到检测人体的目的。 　　关于更多人体运动检测模块的介绍，可以访问以下网址来了解