很多小伙伴想获取paascloud开源项目的数据库脚本和三方jar，找不到地方，特分享给大家。

与Hibernate、Struts一样，Spring也是一个开源项目，它的作者是RodJohnson，官方网站是http://www.springframework.org/。

Yocto：Yocto是这个开源项目的名称，该项目旨在协助我们自定义Linux系统Poky：Poky有两个含义。
第一个含义是用来构建Linux的构建系统，值得注意的该Poky仅仅是一个概念，而非一个实体：它包含了BitBake工具、编译工具链、BSP、诸多程序包或层，可以认为Poky即是Yocto的本质；
此外Poky还有另外一层意思，使用Poky系统得到的默认参考Linux发行版也叫Poky（当然，我们可以对此发行版随意命名）。
很有用的yocto教程，看完包会

从CodePlex上面找到的一个C#写的爬虫程序，有兴味的同学可以看一下，CodePlex今年10月份，变成只读的了，所有的开源项目都迁移到GitHub上面，不管怎么说，在开源的上面，微软又输给了GitHub

由P2PU构建的用于创建在线课程的开源项目Box-in-a-Box是一个免费的工具，用于构建和发布在线课程-无需事先编码经验。
要创建您自己的课程，只需派生此存储库并删除CNAME文件。
详细文档可在。
要更改模板本身，一个良好的开端是，和目录。
这些目录包含所有使用的规划和样式文件。
问题？询问P2PU的。
Box-in-a-Box由使用构建，并根据MIT许可证共享。
课程内容（“模块”）是根据共享的。

ReduxDevTools是一个开源项目,是为谷歌浏览器用户打造的一款实用调试插件,主要适用于开发者使用,使用该插件可以有效地对应用程序或者网页的形态进行调试操作。
下载后是一个文件夹，点击加载解压，添加到谷歌浏览器

无需数据库本资源包含界面预览本系统没有数据库，您可将目前网络上的任意网站的接口瞬间变成您的数据源，取数据超easy-----------------------------------------------------------------如何部署-------------------------------------------------------------------------下载压缩包，将压缩包中的yijavaBlog-1.0.0.war解压缩到Tomcat的webapps/ROOT即可访问浏览-----------------------------------------------------------------接口配置的例子-------------------------------------------------------------------{name:"mobileSegment",url:"https://api.it120.cc/common/mobile-segment/location",returnType:"json"}上面配置后，您就可以直接在html静态页面上这样写：${mobileSegment("mobile=13500000000").data.province}即可在页面上显示“广东”，除了province，您可以获取接口返回的任意数据哦~-----------------------------------------------------------------关于接口------------------------------------------------------------------------目前有很多网站偶读提供了接口服务，比如juhe.cnapistore.baidu.commarket.aliyun.com/data您无需担心接口的稳定性和速度等问题（您自己搭建的数据库能比他们稳定、安全么？）脱离了数据库还有一个棒棒的原因：您可以随时更换你的网站服务器，而不要关心数据迁移问题，因为数据本身就是保存在阿里云、百度、聚合数据上的同时，聪明的您或许发现了：可以同时部署在多台服务器上，配置一样的接口即可，不就轻松实现分布式集群部署了么？~-----------------------------------------------------------------开源项目------------------------------------------------------------------------本项目是一个开源项目，所以您完全可以无偿使用，同时也希望您加入到这个项目的贡献中来，为开源出一份微博之力吧：~开源项目地址：https://github.com/gooking/yijava-blog有什么好的想法或者建议，欢迎在github上面给我留言、互动~

这是k8s二次开发的开源项目安装部署教程1，运用vue+iview写前端，python+flask写框架10

C#工业通信的开源项目HslCommunication源码，在Vs2019可编译运转，全部源码。
需要的可以研究

文本挖掘tmSVM开源项目集成libSVM和liblinear包含Python和Java两种版本带PDF源码参考文档简介文本挖掘无论在学术界还是在工业界都有很广泛的应用场景。
而文本分类是文本挖掘中一个非常重要的手段与技术。
现有的分类技术都已经非常成熟，SVM、KNN、DecisionTree、AN、NB在不同的应用中都展示出较好的效果，前人也在将这些分类算法应用于文本分类中做出许多出色的工作。
但在实际的商业应用中，仍然有很多问题没有很好的解决，比如文本分类中的高维性和稀疏性、类别的不平衡、小样本的训练、Unlabeled样本的有效利用、如何选择最佳的训练样本等。
这些问题都将导致curveofdimension、过拟合等问题。
这个开源系统的目的是集众人智慧，将文本挖掘、文本分类前沿领域效果非常好的算法实现并有效组织，形成一条完整系统将文本挖掘尤其是文本分类的过程自动化。
该系统提供了Python和Java两种版本。
主要特征该系统在封装libsvm、liblinear的基础上，又增加了特征选择、LSA特征抽取、SVM模型参数选择、libsvm格式转化模块以及一些实用的工具。
其主要特征如下：封装并完全兼容*libsvm、liblinear。
基于Chi*的featureselection见feature_selection基于LatentSemanticAnalysis的featureextraction见feature_extraction支持Binary,Tf,log(tf),Tf*Idf,tf*rf,tf*chi等多种特征权重见feature_weight文本特征向量的归一化见Normalization利用交叉验证对SVM模型参数自动选择。
见SVM_model_selection支持macro-average、micro-average、F-measure、Recall、Precision、Accuracy等多种评价指标见evaluation_measure支持多个SVM模型同时进行模型预测采用python的csc_matrix支持存储大稀疏矩阵。
引入第三方分词工具自动进行分词将文本直接转化为libsvm、liblinear所支持的格式。
使用该系统可以做什么对文本自动做SVM模型的训练。
包括Libsvm、Liblinear包的选择，分词，词典生成，特征选择，SVM参数的选优，SVM模型的训练等都可以一步完成。
利用生成的模型对未知文本做预测。
并返回预测的标签以及该类的隶属度分数。
可自动识别libsvm和liblinear的模型。
自动分析预测结果，评判模型效果。
计算预测结果的F值、召回率、准确率、Macro,Micro等指标，并会计算特定阈值、以及指定区间所有阈值下的相应指标。
分词。
对文本利用mmseg算法对文本进行分词。
特征选择。
对文本进行特征选择，选择最具代表性的词。
SVM参数的选择。
利用交叉验证方法对SVM模型的参数进行识别，可以指定搜索范围，大于大数据，会自动选择子集做粗粒度的搜索，然后再用全量数据做细粒度的搜索，直到找到最优的参数。
对libsvm会选择c,g(gamma)，对与liblinear会选择c。
对文本直接生成libsvm、liblinear的输入格式。
libsvm、liblinear以及其他诸如weka等数据挖掘软件都要求数据是具有向量格式，使用该系统可以生成这种格式：labelindex:valueSVM模型训练。
利用libsvm、liblinear对模型进行训练。
利用LSA对进行FeatureExtraction*，从而提高分类效果。
开始使用QuickStart里面提供了方便的使用指导如何使用该系统可以在命令行（Linux或cmd中）中直接使用，也可以在程序通过直接调用源程序使用。
在程序中使用。
#将TMSVM系统的路径加入到Python搜索路径中importsyssys.path.insert(0,yourPath+"\tmsvm\src")importtms#对data文件夹下的binary_seged.train文件进行训练。
tms.tms_train(“../data/binary_seged.train”)#利用已经训练好的模型，对对data文件夹下的binary_seged.test文件预测tms.tms_predict(“../data/binary_seged.test”,”../model/tms.config”)#对预测的结果进行分析，评判模型的效果tms.tms_analysis(“../tms.result”)在命令行中调用#对data文件夹下的binary_seged.train文件进行训练。
$pythonauto_train.py[options]../data/binary_seged.train#利用已经训练好的模型，对对data文件夹下的binary_seged.test文件预测pythonpredict.py../data/binary_seged.train../model/tms.config#对预测的结果进行分析，评判模型的效果$pythonresult_anlaysis.py../tms.result上面的调用方式都是使用系统中默认的参数，更具体、灵活的参数见程序调用接口输入格式labelvalue1[value2]其中label是定义的类标签，如果是binaryclassification，建议positive样本为1，negative样本为-1。
如果为multi-classification。
label可以是任意的整数。
其中value为文本内容。
label和value以及value1和value2之间需要用特殊字符进行分割，如”\t”模型输出模型结果会放在指定保存路径下的“model”文件夹中，里面有3个文件，默认情况下为dic.key、tms.model和tms.config。
其中dic.key为特征选择后的词典；
tms.model为训练好的SVM分类模型;tms.config为模型的配置文件，里面记录了模型训练时使用的参数。
临时文件会放在“temp”文件夹中。
里面有两个文件：tms.param和tms.train。
其中tms.param为SVM模型参数选择时所实验的参数。
tms.train是供libsvm和liblinear训练器所使用的输入格式。
源程序说明src:即该系统的源代码，提供了5个可以在Linux下可以直接调用的程序:auto_train.py、train.py、predict.py为在Linux下通过命令行调用的接口。
tms.py为在程序中调用的主文件，直接通过importtms即可调用系统的所有函数。
其他文件为程序中实现各个功能的文件。
lsa_src：LSA模型的源程序。
dependence:系统所依赖的一些包。
包括libsvm、liblinear、Pymmseg在Linux32位和64位以及windows下的支持包(dll,so文件)。
tools:提供的一些有用的工具，包括result_analysis.py等。
java：java版本的模型预测程序，项目重要更新日志2012/09/21针对linux下的bug进行修正。
重新生成win和linux版本的。
2012/03/08增加stem模块，并修正了几个Bug。
2011/11/22tmsvm正式发布。
联系方式邮箱:zhzhl202@163.comThanks本系统引用了libsvm、liblinear的包，非常感谢Chih-JenLin写出这么优秀的软件。
本系统还引用了Pymmseg，非常感谢pluskid能为mmseg写出Python下可以直接使用的程序从最初的想法萌生到第一版上线，中间试验了很多算法，最终因为效果不好删掉了很多代码，在这期间得到了许多人的帮助，非常感谢杨铮、江洋、敏知、施平等人的悉心指导。
特别感谢丽红一直以来的默默支持。

在日常工作中，钉钉打卡成了我生活中不可或缺的一部分。然而，有时候这个看似简单的任务却给我带来了不少烦恼。 每天早晚，我总是得牢记打开钉钉应用，点击"工作台"，再找到"考勤打卡"进行签到。有时候因为工作忙碌，会忘记打卡，导致考勤异常，影响当月的工作评价。而且，由于我使用的是苹果手机，有时候系统更新后，钉钉的某些功能会出现异常，使得打卡变得更加麻烦。 另外，我的家人使用的是安卓手机，他们也经常抱怨钉钉打卡的繁琐。尤其是对于那些不太熟悉手机操作的长辈来说，每次打卡都是一次挑战。他们总是担心自己会操作失误，导致打卡失败。 为了解决这些烦恼，我开始思考是否可以通过编写一个全自动化脚本来实现钉钉打卡。经过一段时间的摸索和学习，我终于成功编写出了一个适用于苹果和安卓系统的钉钉打卡脚本。