task_tracker_cli
我的真正意义上的第一个项目，虽然说很大程度上借鉴了别人的智慧，但也算是一个个细节抠过来了 https://github.com/lephuocloc1729/task_tracker_cli 这个项目是怎么从零开始构建的？ 这个项目是一个从零开始构建的简单命令行任务管理应用，其构建过程大致可以归纳为以下几个步骤： 项目规划与需求定义 确定项目的目标：实现一个命令行界面的任务管理器，支持添加、更新、删除、标记（如进行中或完成）和列出任务。 设计数据存储方案：例如使用一个 JSON 文件（tasks.json）来存储任务数据。 创建 Git 仓库 在 GitHub 上新建仓库（如 task_tracker_cli）。 本地使用 git init 初始化仓库，然后关联远程仓库（例如使用 git remote add origin ... 命令）。 搭建项目结构 创建主要的 Java 源代码文件： Task.java：定义任务对象的属性和方法。 TaskManager.java：负责管理任务（例如添加、更新、删除任务以及与 tasks.json...
MySQL
简介笔记：MySQL DataBase：简称DB 概念：长期存放在计算机内，有组织，可共享的大量数据的集合 作用：保存，安全管理数据（增删改查） 关系型数据库（SQL）： MySQL , Oracle , SQL Server , SQLite , DB2 通过外键关联来建立表与表之间的关系 非关系型数据库（NOSQL）： Redis , MongoDB 数据以对象的形式存储，对象之间的关系通过每个对象自身的属性来决定 DBMS：数据库管理系统 ( DataBase Management System ) SQL： SQL 是处理关系数据库的标准语言，用于插入、搜索、更新和删除数据库记录。 SQL 关键字不区分大小写：select 与 SELECT 相同 配置卸载：教你彻底卸载MySQL 并重装（保姆级教程 ）_mysql怎么卸载干净重装-CSDN博客 安装：MySQL超详细安装配置教程(亲测有效)_mysql安装教程-CSDN博客 安装推荐使用压缩版 压缩包：MySQL :: Download MySQL Community...
Git
[推荐教程](简介 - Git教程 - 廖雪峰的官方网站) 简介目前世界上最先进的分布式版本控制系统（没有之一） 场景你要用Microsoft Word写过长篇大论： 想删除一个段落，又怕将来想恢复找不回来怎么办？-＞手动保存一大堆版本 过了一周，你想找回被删除的文字，但是已经记不清删除前保存在哪个文件里了，只好一个一个文件去找 看着一堆乱七八糟的文件，想保留最新的一个，然后把其他的删掉，又怕哪天会用上，还不敢删 有些部分需要你的财务同事帮助填写，于是你把文件Copy到U盘里给她，一天后，同事再把Word文件传给你，此时，你必须想想，发给她之后到你收到她的文件期间，你作了哪些改动，得把你的改动和她的部分合并，真困难 于是你想，如果有一个软件，不但能自动帮我记录每次文件的改动，还可以让同事协作编辑，这样就不用自己管理一堆类似的文件了，也不需要把文件传来传去。如果想查看某次改动，只需要在软件里瞄一眼就可以，岂不是很方便？ 由此诞生了Git，结束了手动管理多个“版本”的史前时代，进入到版本控制的20世纪 集中式 vs...
命令行
命令行GUI、CLICSGO就不是命令行软件 GUI： *Command-Line Interface，命令行界面，*命令行界面用鼠标双击会跳窗口的软件 CLI： Graphical User Interface，图形用户界面在终端里敲键盘才能用的软件 Type GUI CLI 浏览器 Chrome/Firefox w3m/lynx 图像处理 PhotoShop ImageMagick 视频编辑 Pr/Davinci resolve FFmpeg 文本编辑 VSCode/Sublime Vim/TECO 为什么要使用命令行因为我们用计算机的目的不同：程序员要写程序 而命令行比GUI更高效 比如apt install gcc一行就能安装完整的C语言编译工具 *example：*比较两个文件是否相同 命令行： 123文本文件的比较：vimdiff file1 file2非文本文件的比较：diff file1 file2很大的文件：md5sum file1...
赛博扫盲
...
线性回归的从零开始实现（深度学习）
虽然现代的深度学习框架几乎可以自动化地进行所有这些工作，但从零开始实现可以确保我们真正知道自己在做什么。 同时，了解更细致的工作原理将方便我们自定义模型、自定义层或自定义损失函数 生成数据集为了简单起见，我们将根据带有噪声的线性模型构造一个人造数据集。 任务使用这个有限样本的数据集来恢复这个模型的参数 生成一个包含1000个样本的数据集，每个样本包含从标准正态分布中采样的2个特征。 使用线性模型参数$\mathbf{w} = [2, -3.4]^\top$、$b = 4.2$和噪声项$\epsilon$生成数据集及其标签：$$\mathbf{y}= \mathbf{X} \mathbf{w} + b + \mathbf\epsilon$$$\epsilon$可以视为模型预测和标签时的潜在观测误差。在这里我们认为标准假设成立，即$\epsilon$服从均值为0的正态分布。为了简化问题，我们将标准差设为0.01。 123456789101112131415161718192021222324%matplotlib inlineimport...
线性回归（深度学习）
回归（regression）是能为一个或多个自变量与因变量之间关系建模的一类方法 线性回归（linear regression） 线性回归的基本元素 线性模型 损失函数 解析解 随机梯度下降 用模型进行预测 例子根据房屋的面积（平方英尺）和房龄（年）来估算房屋价格（美元）。 训练数据集（training data set） 或训练集（training set）：房屋的销售价格、面积和房龄 样本（sample）/数据点（data point）或数据样本（data instance）：每行数据 标签（label）或目标（target）：试图预测的目标（比如预测房屋价格） 特征（feature）或协变量（covariate）：预测所依据的自变量（面积和房龄） 线性模型$$\mathrm{price} = w_{\mathrm{area}} \cdot \mathrm{area} + w_{\mathrm{age}} \cdot \mathrm{age} +...
概率（深度学习）
简单地说，机器学习就是做出预测 概率是一种灵活的语言，用于说明我们的确定程度，并且它可以有效地应用于广泛的领域中 基本概率论掷骰子1234567891011121314%matplotlib inlineimport torchfrom torch.distributions import multinomialfrom d2l import torch as d2lfair_probs = torch.ones([6]) / 6multinomial.Multinomial(1, fair_probs).sample() # tensor([0., 0., 0., 1., 0., 0.])multinomial.Multinomial(10, fair_probs).sample() # tensor([1., 2., 2., 1., 1., 3.])# 将结果存储为32位浮点数以进行除法counts = multinomial.Multinomial(1000, fair_probs).sample()counts / 1000 # 相对频率作为估计值#...
微积分（深度学习）
安装 matplotlib 库和 d2l 库123conda activate d2lpip install matplotlibpip install d2l 验证安装1234import matplotlibprint(matplotlib.__version__)import d2lprint(d2l.__version__) 导数和微分假设我们有一个函数$f: \mathbb{R} \rightarrow \mathbb{R}$，其输入和输出都是标量，如果$f$的导数存在，这个极限被定义为：$$f’(x) = \lim_{h \rightarrow 0} \frac{f(x+h) - f(x)}{h}.$$如果$f’(a)$存在，则称$f$在$a$处是可微（differentiable）的。 1234567%matplotlib inline import numpy as npfrom matplotlib_inline import backend_inlinefrom d2l import torch as d2ldef f(x): ...
