1、因子筛选应与所用模型相匹配，若是线性因子模型，只需选用能评估因子与收益间线性关系的指标，如IC、Rank IC；若是机器学习类的非线性模型，最好选用能进一步评估非线性关系的指标，如 Chi-square 及 Carmer's V 等；
一般使用scp远程拷贝操作时，需要输入目标服务器的用户名和密码，这个时候可以做linux服务器之间ssh互信配置， 这样在多个linux服务器之间做操作时就可以免密登陆。
之前在《记录一则Linux SSH的互信配置过程》、《Vertica 7.1安装最佳实践（RHEL6.4）》中，都分别提到了配置ssh互信的方法，本文在此基础上进一步整理配置ssh互信的方法，目的是将步骤尽可能的简化，从而更加适合在较大规模的集群中对ssh互信进行快速配置。
设置互信信息 首先添加rac2节点 依次点击 SSH Connectivity ,填写 oracle 密码，最后点击setup，安装程序会自动建立两节点互信 如之前建立过互信需勾选 reuse private and publick key选项
解压 p13390677_112040_Linux-x86-64_3of7.zip 文件提取grid安装文件
需求：四台Linux主机,IP地址为192.168.10.10/11/12/13,配置登录用户的互信 1.各节点ssh-keygen生成RSA密钥和公钥
公钥认证的基本思想 对信息的加密和解密采用不同的key，这对key分别称作private key（私钥）和public key（公钥），其中，public key存放在欲登录的服务器上，而private key为特定的客户机所持有。当客户机向服务器发出建立安全连接的请求时，首先发送自己的public key，如果这个public key是被服务器所允许的，服务器就发送一个经过public key加密的随机数据给客户机，这个数据只能通过private key解密，客户机将解密后的信息发还给服务器，服务器验证正
近些年的顶会，出现了一部分利用互信息取得很好效果的工作，它们横跨NLP、CV以及graph等领域。笔者最近也在浸淫（meng bi）这一方向，在这里和大家简要分享一些看法，如有雷同，不胜荣幸。
主要是基于图深度学习的入门内容。讲述最基本的基础知识，其中包括深度学习、数学、图神经网络等相关内容。该教程由代码医生工作室出版的全部书籍混编节选而成。偏重完整的知识体系和学习指南。
网络安全领域中的加密流量的检测是一个老生常谈的话题，随着人工智能的发展，给同样的问题，带来了不同的解决思路。
阿里云95块钱买的ECS要到期了，续费的话需要1000多。想了想服务器上也没啥重要的东西，于是趁着腾讯云折扣，花了288买了个三年的CVM。CVM就是一个云虚拟机，这里就暂且叫它服务器。
聚类算法的理想结果是同一类别内的点相似度高，而不同类别之间的点相似度低。聚类属于无监督学习，数据没有标签，为了比较不同聚类模型的好坏，我们也需要一些定量的指标来进行评估。根式是否提供样本的标签信息，相关的指标可以分为以下两大类
完美打造双屏，第一块为Ubuntu页面，配置各种开发环境及qq,微信等软件，今天也配置上了有道云笔记。
生活中、工作中，有时候总需要随机生成一些字符串，如果只是一两条还好，多了就不容易搞…… 对于开发人员可能没什么问题，但对于不是程序员的我们应该怎么做呢？ 答案很简单，一个Shell脚本就能实现
在MySQL搭建MHA高可用架构的时候，需要打通master、slave、以及mha manager之间的ssh互信，通常情况下，运维人员需要手动打通ssh互信，在自动化构建的过程中很不方便。如果可以使用自动化的脚本打通服务器之间的ssh互信，对自动化运维会有很大的帮助。
但开源组织究竟如何运作？在其中工作又如何建立信任和话语权？之前还没有人能完整分享。
继上篇的介绍了特征筛选中的TF-IDF与信息增益后，本篇继续介绍卡方检验和互信息。
CrossOver2023版是在Mac上运行Win软件的最简单方法，有了它，你无须 Win许可、重新启动或使用虚拟机即可在mac上使用Win软件。CrossOver23可以轻松地从Dock本地启动Win程序。CrossOver版还集成了macOS 功能，例如跨平台复制和粘贴，以及用于Win应用程序的共享文件系统。简单的使用方式，小白用户也可以自己安装虚拟机，让用户自己在mac电脑上安装Windows系统，增加电脑的使用方式，你可以用它来办公、来玩游戏，使用方式很广泛，需要注意的是，安装多个虚拟系统，需要电脑拥有很高的配置，方可支持运行！
在win10中使用Linux环境，不用安装虚拟机就，不用安装双系统，不用切换系统，直接在win10中使用Linux系统。
从今年四月份到现在已经工作快9个月了，最开始是做推荐系统，然后做机器学习，现在是文本挖掘，每个部分研究的时间都不多，但还是遇到了很多问题，目前就把一定要总结的问题总结一下，以后有时间多看看，提醒自己看有没有解决。 推荐系统： 1.冷启动热启动区别和联系？各个阶段需要的算法？ 2.每个算法的数学推导、适用情况、优缺点、改进方法、数据类型？ 3.如何平衡热启动时的准确率和召回率，两者不可能同时高，怎么平衡？从算法本身还是业务层面？惊喜度怎么添加？ 4.如何评价推荐系统的好坏？指标是啥？
利用 XNOR-Net 的方法对目标检测网络直接进行二值化，网络中的信息冗余(如图(c)和(d)的XNOR的信息内卷)会造成大量的假正例(如图(a)所示)。
在N多年前，搭建Oracle RAC环境的时候，其中有一项非常艰巨的任务就是配置节点服务器的互信关系，每次到了这个部分的时候就有点晕，因为文件需要在两个节点间拷过来，拷过去。 每次到了这个部分，就需要打开我的攻略笔记，然后严格按照上面的步骤来完成。到了OCM考试的时候，当时Oracle是提供了一个建立互信关系的脚本，直 接运行即可。搭建的过程省事不少。到了11g的RAC搭建中，在检查项中有一个就是建立互信关系，只需要在界面上点击即可完成。可见互信关系的建立过程是 越来越简化了。 当然回到工作环境中
最早我的第一个笔记本电脑是华硕的A43S系列的笔记本，因为当时立志要做一名程序员，所以就买了个配置相对较高的，内存8G，硬盘750G，CPU是i7的，当时大概是5200多的售价，大概兼职了小半年才忍痛从某东的购物车里面下单，货到之后经常干的一件事就是用鲁大师跑分，然后在一个宿舍内装逼，看谁的电脑能力叼。其实没卵用，后来才发现大多数程序员用的都是ThinkPad系列。
关键词：机器学习、推荐系统、文本挖掘 正文如下： 从今年四月份到现在已经工作快9个月了，最开始是做推荐系统，然后做机器学习，现在是文本挖掘，每个部分研究的时间都不多，但还是遇到了很多问题，目前就把一定要总结的问题总结一下，以后有时间多看看，提醒自己看有没有解决。 推荐系统： 1.冷启动热启动区别和联系？各个阶段需要的算法？ 2.每个算法的数学推导、适用情况、优缺点、改进方法、数据类型？ 3.如何平衡热启动时的准确率和召回率，两者不可能同时高，怎么平衡？从算法本身还是业务层面？惊喜度怎么添加
虽然win10现在自带子系统Ubuntu，以及自带虚拟机，可以安装其他系统，这些可以让我们体验下Linux，但是想要更好的使用，还是来一个纯净的比较干脆，不然感永远都摆脱不了对Windows的依赖哈哈。
只需要在管理机上安装，推荐使用 yum install ansible。 被管理机上需要有python环境。
Linux上运行Vivado这类EDA工具要比Window上快很多，大概就是优化的问题，所以选择Linux上开发是一个比较好的选择（主要是免费）。国内习惯了Win系统，所以用Linux比较少，那么有没有既可以在Windows上做一些文档之类的编写办公，同时在Linux上做FPGA开发呢？
用Python、NetCore、Shell分别开发一个Ubuntu版的定时提醒（附NetCore跨平台的两种发布方式）
最近在win10下面搭建了一个 WSL+cmder+oh-my-zsh 的程序员命令行环境，为什么呢？还不是买不起mac，加上自己的黑苹果瘫了，所有又回到了win10上面。不过上面不管是Cmd还是PowerShell都是难看的要死要死的，而且很多命令不支持，所以有了这一次的实践。
****前言：**** 今晚快要下班的时候，cp文件夹到U盘里面，由于文件过大并且里面的文件都是代码小文件，想想接近700M大有多少小文件，然而电脑就发烧式的发烫，真不敢想象呢，前所未有的发热，于是我就想关机来让电脑来歇歇，万万没想到的就是，电脑关机出现异常了，这时候我已经意识到电脑maybe出了问题。然后我就立马开机，果然不出我所料，电脑系统进不了了。来公司前我安装了linux+win双系统，电脑开机默认进入的是win系统，看到提示，感觉是win除了问题，真是奇怪：上次使用win系统都没有问题的，让你w
平时经常用定时提醒来提高工作效率，到了Linux。。。。蒙圈了，以前C#写的不能跨平台啊，于是就有了这篇文章~(有些人喜欢用番茄工作法，这个算是个福利了)
最近正在学习C++程序从 Windows 平台向 Unix 平台移植，参考了 qt 的宏定义文件
经过不断的迭代，Win10 下已经发布多时的 Linux 子系统（WSL - Windows Subsystem for Linux）现在已经比较成熟了；WSL 默认只是不带图形化界面的终端窗口，这个由开放心态带来的新组合，补齐了 Windows 在终端操作和包管理等方面的短板，加上 windows 下丰富的软件生态，开发体验上已经可以简单类比甚至局部超越 macOS 了。
windows10 推出了 linux 子系统，也许李纳斯对微软的让步，也许是看到越来越多后端开发程序员转向了 MAC 阵营。 拥有强大的 linux 命令与 linux 系统的大量应用与便捷的处理能力、编程能力对于 windows 来说简直是如虎添翼。 拥有最强大命令行工具的 linux 与最广泛的视窗用户基础的 windows，这两者的结合简直是万众期待。 那么，既然 windows10 提供了如此强大的功能，我们如何才能使用呢？ 默认情况下，win10 自带 linux 系统默认是关闭的，本篇日志我们就来详细讲解如何开启 win10 自带的 linux 子系统，如何解决遇到的一个个问题，以及最终如何把他打造成一个易用、好用的系统工具吧。
默认情况下，Win10的linux子系统(WSL)是只能使用命令行程序的。所有图形界面的程序都无法执行。
【编者按】：随着互联网技术的迅速发展与普及，如何对浩如烟海的数据进行分类、组织和管理，已经成为一个具有重要用途的研究课题。而在这些数据中，文本数据又是数量最大的一类。以统计理论为基础，利用机器学习算法对已知的训练数据做统计分析从而获得规律，再运用规律对未知数据做预测分析，已成为文本分类领域的主流。InfoQ联合“达观数据“共同策划了《文本数据的机器学习自动分类方法》系列文章，为您详细阐述机器学习文本分类的基本方法与处理流程。 本文为第一部分，着重介绍文本预处理以及特征抽取的方法。第二部分将会着重介绍特征向量
Linux 的中心原则是，所有更改都必须分解为小步骤进行 —— 您的每个 commit 都只能做一件事。这并不意味着每个 commit 都必须很小，比如对在数千个文件中使用的函数的 API 进行简单更改，可以使更改量很大，但仍然可以接受，因为它是针对某一项单一任务的更改。 通过始终遵循此原则，项目维护者可以更轻松地识别和隔离任何有问题的更改，而不影响其他的功能。
在网络物理增材制造系统中，侧信道攻击已被用于重建正在生产的 3D 对象的 G/M 代码（这是给制造系统的指令）。在产品大规模制造并投放市场之前的原型设计阶段，这种方法通过最意想不到的方式从组织窃取知识产权是有效的。然而，由于缺乏足够的侧信道信息泄漏，攻击者可能无法完全重建 G/M 码。在本文中提出了一种放大信息泄漏的新方法，通过暗中改变编译器来提高 G/M 代码恢复的机会。通过使用该编译器，攻击者可以轻松控制各种参数以放大 3D 打印机的信息泄漏，同时生产所需的对象并对真实用户隐藏。这种类型的攻击可能由有权访问工具链并寻求高度隐身的强大攻击者实施。本研究已经实现了此编译器，并证明与之前的攻击相比，它从四个侧信道（声学、功率、振动和电磁）恢复 G/M 代码的成功率提高了39%。
数据挖掘中，特征选择的过程就是计算特征与样本观测结果的相关性。卡方检验和互信息是用得较多的计算方法。
既可以看到民族性在其中的体现，也可以看到战争领导人的性格特点，还可以看到新技术的运用与碾压。
特征抽取是数据挖掘任务最为重要的一个环节，一般而言，它对最终结果的影响要高过数据挖掘算法本身。
我们在Linux应急时有时要用到Webshell查杀工具对被攻击站点进行木马扫描和清理；众所周知D哥的D盾在Webshell查杀方面做的还是很强的，但可惜没有Linux版，只能在Windows下使用。
瓦利[1]是一款开源的 DevOps 代码自动部署工具，目前官方有两个新旧版本，分别是基于 PHP2 和 Python。
在上一篇文章《手把手教你启用Win10的Linux子系统（超详细）》我们已经学了如何在Win10环境下装Linux子系统了，那么这一篇文章我们将学习如何在该Linux系统下安装Python3。
2017年圣诞节，我回家和父母一起欢庆假期，像通常从事IT工作的孩子们回家要做的一样，我父母也有一堆的关于电脑使用的问题要我处理。
无意间看到十几年前自己写的SAP系统安装文档，看着稚嫩的文字以及按部就班的安装步骤，一时间感慨万千。
之前写了一篇介绍 Ansible 的文章 ，今天回顾看来写的有些匆忙，一些具体的操作步骤都没有讲明白，不利于读者复现学习。最近又申请了一个几百台机器的环境，正好借此机会把如何在离线环境中使用 Ansible 详细记录一下。
随着应用程序及其存储库结构的复杂性增加，存储库中.gitlab-ci.yml文件变得难以管理。对于越来越流行的“ monorepo ”模式，此问题尤其重要，在该模式下，团队将用于多个相关服务的代码保存在一个存储库中。当前，当使用这种模式时，开发人员都使用同一.gitlab-ci.yml文件来为不同的应用程序组件触发不同的自动化过程，这可能会导致合并冲突和生产率下降，而团队则在等待管道“其一部分”的运行和完成。
领取专属 10元无门槛券
手把手带您无忧上云
云服务器
ICP备案
实时音视频
对象存储
云直播
