星际空间StarSpace是一种通用的神经模型，用于有效学习实体嵌入以解决各种问题：学习单词，句子或文档级别的嵌入。
信息检索：对实体/文档或对象集的排名，例如对Web文档的排名。
文本分类或任何其他标记任务。
度量/相似度学习，例如学习句子或文档相似度。
基于内容或基于协作过滤的推荐，例如推荐音乐或视频。
嵌入图，例如多关系图，例如Freebase。
图像分类，排名或检索（例如，通过使用现有的ResNet功能）。
在一般情况下，它学会将不同类型的对象表示为一个通用的矢量嵌入空间，因此，名称中的星形（'*'，通配符）和空间会相互比较。
在给定查询实体/文档或对象的情况下，它学习对一组实体/文档或对象进行排名，该查询不一定与该集中的项目具有相同的类型。
有关其工作原理的更多详细信息，请参见。
消息StarSpace在Python中可用：请查看“部分以获取详细信息。

1、 QAC介绍和使用说明其他的功能概括1、提供一种可量化措施的代码度量值属性：33基于功能32基于文件和4个项目级别2、功能结构关系图，以提供控制流动洞察3、展示全局调用函数的关系图引用和文件树结构4、提供统计分析对代码质量的全面评估5、跨模块分析能力（CMA）、分析递归功能和全局标识符的各种问题6、简化的旧代码修改的设置基准模块Source..c文件通过分析工具生成3种文件source.c.i、source.c.met、source.c.err。
source.c.i文件可以直接生成报告文件，.met、.err这两个文件可以分析出功能结构、关系、特征标准、报告或者进行跨模块分析，对于跨模块分析和剖析器分析需要进行配置，source.c.met、source.c.err、配置文件可以在信息浏览器中显示2、 规划2.1、自动生成文件及参数说明生成自动文档步骤：1、从文件菜单中选者Auto-CreateProject2、进入RootFolderName，这是工程的根目录，后面的自动生成的文件都会对应此根目录产生3、进入StartingDirectory，这个源代码目录与工程的根目录相连4、进入OutputFilePath，这里可以选择QAC分析后的输出文件，好的情况就是用一个专门的目录和工程根目录相连5、Replicatesourcetreestructureinoutputpaths通常是为输出部分建立一个子目录结构，这里可以有2种选择，可以选择ParalleltoSourceStructure为源代码建立一个平行的目录结构，或者选择Sub-pathtoeachsourcelocation把规定的输出的子目录嵌入到源工程目录下面6、选择FileExtensions可以加入项目，通常只要选择一个.C文件，包括对.H文件也就被加入7、为文件夹选择一个个性，可能会使用默认设置为起始点，可以在QAC中选择Configuration菜单8、点击OK就是建立了工程，包含源文件工程和子文件夹9、保存文件，外部扩展名为.prj注意：也可以在已有的项目上自动生成一个文件夹，点击菜单Edit＞Auto-createSub-Folders，其余步骤和以上相同文件夹参数：包括文件夹名称、默认源路径、输出路径和三种个性可以进入Edit＞FolderParameters只可以改变文件夹参数，进入Edit＞PropagateChangestoSub-Folders可以改变所有子文件夹参数2.2、手动生成文档及参数说明生成手动文档步骤：1、从菜单File中选择NewProject，显示一个对话框NewProjectParameters2、进入RootFolderName，输入一个项目名称3、进入DefaultSourcePath为项目初始化文件夹，这个路径可以改变所有子文件夹4、在OutputFilePath中选择需要输出的分析文档5、为工程选个个性6、点击OK创建项目，这工程的配置是唯一的文件夹7、按要求增加更多的子文件夹和文件按要求8、保存文件，外部扩展名为.prj文件夹参数;在File＞Reopen这项中可以有10多个选项，当没用的文件可以选择Clean-up。
文件和目录的位置时重新打开项目，将检查的存在。
如果不存在一个条目将显示下面的对话框。
有的更正可以自动应用的过程。
2.3、选择输出文件一般文件夹的层次结构在在左边显示，选择的列表在文件的右边显示所有的选择都在Browse和dReports这两个菜单中A、如果选择单个文件或一组文件，则使用B、否则当前所选文件夹，再加上所有子其文件夹，窗体所选内容。
这意味着使用这些文件夹中的所有文件。
在浏览器内修改，有可能会改变开始的选择，用SelectFiles…在File菜单内2.4、互相比较和环境变化的报告2.4.1、根路径2.4.2、基于GUI的环境变量创建2.4.3、相对路径和环境变量的运用选择ApplyRelativePaths项可以选择相对路径减少的所有文件条目，根目录在右上角，表示保存项目文件的位置，确定路径是否合适相对路径减少。
选择MakefilepathsineachfolderrelativetoitsDefaultSourcePathentry项，如果想要应用一个虚拟的环境变量表达默认每个文件的源路径到其他文件条目下。
在AvailableEnvironmentVariables列表下，可以添加EVstoApply至右边框中，将这种替换只发生在项目中的项的文件或

文章仅包含部分从事该行业必须具备的数学知识，里面内容以数学原理性为主。
如统计学习部分关于模型选择，介绍了泛化能力，过拟合、欠拟合，偏差方差，参数估计准则，泛化能力评估，训练集、测试集、验证集等设计规范，性能度量，超参数调节等知识介绍。
注意本文只是个人的学习总结，请勿以此作为规范。

本文来自于RationalEdge：如果您的基于RUP的项目比较成功，您怎样知道您的团队所使用的RUP是这个项目成功的原因呢？这里GaryPollice提出了一个可以科学地度量几个迭代开发技术的方法。
　在过去两年内我曾不止一次地说过“软件工程”的说法是不恰当的，我们实际上操作的是软件开发。
1PhilippeKruchtenn和其它人说区分软件和其它工程学科主要有两点：其一是每个软件开发项目都是唯一的，其二是没有应用于所有软件的基本定律。
这难道意味着我们应该放弃所有寻找基本定律的希望，以及开发一个更像工程学的方法来开发软件吗？完全不是。
软件仍然是一个年轻的学科，在我们前面仍然有大量基础和应用研究

在桌面上进行度量，对齐，完全免费！！！

现在我们回到LDA的原理上，我们在第一节说讲到了LDA希望投影后希望同一种类别数据的投影点尽可能的接近，而不同类别的数据的类别中心之间的距离尽可能的大，但是这只是一个感官的度量。
现在我们首先从比较简单的二类LDA入手，严谨的分析LDA的原理。
　　　　假设我们的数据集D={(x1,y1),(x2,y2),...,((xm,ym))}D={(x1,y1),(x2,y2),...,((xm,ym))},其中任意样本xixi为n维向量，yi∈{0,1}yi∈{0,1}。
我们定义Nj(j=0,1)Nj(j=0,1)为第j类样本的个数，Xj(j=0,1)Xj(j=0,1)为第j类样本的集合，而μj(j=0,1)μj(j=0,1)为第j类样本的均值向量，定义Σj(j=0,1)Σj(j=0,1)为第j类样本的协方差矩阵（严格说是缺少分母部分的协方差矩阵）。
　　　　μjμj的表达式为：μj=1Nj∑x∈Xjx(j=0,1)μj=1Nj∑x∈Xjx(j=0,1)　　　　ΣjΣj的表达式为：Σj=∑x∈Xj(x−μj)(x−μj)T(j=0,1)Σj=∑x∈Xj(x−μj)(x−μj)T(j=0,1)　　　　由于是两类数据，因此我们只需要将数据投影到一条直线上即可。
假设我们的投影直线是向量ww,则对任意一个样本本xixi,它在直线ww的投影为wTxiwTxi,对于我们的两个类别的中心点μ0,μ1μ0,μ1,在在直线ww的投影为wTμ0wTμ0和wTμ1wTμ1。
由于LDA需要让不同类别的数据的类别中心之间的距离尽可能的大，也就是我们要最大化||wTμ0−wTμ1||22||wTμ0−wTμ1||22,同时我们希望同一种类别数据的投影点尽可能的接近，也就是要同类样本投影点的协方差wTΣ0wwTΣ0w和wTΣ1wwTΣ1w尽可能的小，即最小化wTΣ0w+wTΣ1wwTΣ0w+wTΣ1w。
综上所述，我们的优化目标为：argmaxwJ(w)=||wTμ0−wTμ1||22wTΣ0w+wTΣ1w=wT(μ0−μ1)(μ0−μ1)TwwT(Σ0+Σ1)wargmax⏟wJ(w)=||wTμ0−wTμ1||22wTΣ0w+wTΣ1w=wT(μ0−μ1)(μ0−μ1)TwwT(Σ0+Σ1)w　　　　我们一般定义类内散度矩阵SwSw为：Sw=Σ0+Σ1=∑x∈X0(x−μ0)(x−μ0)T+∑x∈X1(x−μ1)(x−μ1)TSw=Σ0+Σ1=∑x∈X0(x−μ0)(x−μ0)T+∑x∈X1(x−μ1)(x−μ1)T　　　　同时定义类间散度矩阵SbSb为：Sb=(μ0−μ1)(μ0−μ1)TSb=(μ0−μ1)(μ0−μ1)T　　　　这样我们的优化目标重写为：argmaxwJ(w)=wTSbwwTSwwargmax⏟wJ(w)=wTSbwwTSww　　　　仔细一看上式，这不就是我们的广义瑞利商嘛！这就简单了，利用我们第二节讲到的广义瑞利商的性质，我们知道我们的J(w)J(w)最大值为矩阵S−12wSbS−12wSw−12SbSw−12的最大特征值，而对应的ww为S−12wSbS−12wSw−12SbSw−12的最大特征值对应的特征向量!而S−1wSbSw−1Sb的特征值和S−12wSbS−12wSw−12SbSw−12的特征值相同,S−1wSbSw−1Sb的特征向量w′w′和S−12wSbS−12wSw−12SbSw−12的特征向量ww满足w′=S−12www′=Sw−12w的关系!　　　　注意到对于二类的时候，SbwSbw的方向恒为μ0−μ1μ0−μ1,不妨令Sbw=λ(μ0−μ1)Sbw=λ(μ0−μ1)，将其带入：(S−1wSb)w=λw(Sw−1Sb)w=λw，可以得到w=S−1w(μ0−μ1)w=Sw−1(μ0−μ1)，也就是说我们只要求出原始二类样本的均值和方差就可以确定最佳的投影方向ww了。

有效地测量任何产品的可用性都需要选择和使用正确的度量．并要有效地利用它所揭示出来的信息。
《用户体验度量》首次介绍了相关实用资料．可以使可用性从业人员和产品开发人员完成这种测量。
作者把几十个种度量整理成六类：绩效、基于问题的、自我报告式的、Web导航、综合性的／派生的，以及生理／行为的。
他们对每一种度量都进行了考察，并认真考虑了收集、分析和呈现这些数据的最佳方法。
他们对使用任何技术来测量任何类型产品的可用性都提供了步进式指导。

经典书籍，互联网必看，必看，是互联网大佬推荐的必读书，建议下载！

Description问题描述：在一个按照东西和南北方向划分成规整街区的城市里，n个居民点散乱地分布在不同的街区中。
用x坐标表示东西向，用y坐标表示南北向。
各居民点的位置可以由坐标(x,y)表示。
街区中任意2点(x1,y1)和(x2,y2)之间的距离可以用数值|x1-x2|+|y1-y2|度量。
居民们希望在城市中选择建立邮局的最佳位置，使n个居民点到邮局的距离总和最小。
编程任务：给定n个居民点的位置,编程计算n个居民点到邮局的距离总和的最小值。
Input输入由多组测试数据组成。
每组测试数据输入的第1行是居民点数n，1≤n≤10000。
接下来n行是居民点的位置，每行2个整数x和y，-10000≤x，y≤10000。
Output对应每组输入，输出的第1行中的数是n个居民点到邮局的距离总和的最小值。
SampleInput51222133-233SampleOutput10

静态检查:静态测试包括代码检查、静态结构分析、代码质量度量等。
它可以由人工进行，充分发挥人的逻辑思维优势，也可以借助软件工具自动进行。
代码检查代码检查包括代码走查、桌面检查、代码审查等，主要检查代码和设计的一致性，代码对标准的遵循、可读性，代码的逻辑表达的正确性，代码结构的合理性等方面；
可以发现违背程序编写标准的问题，程序中不安全、不明确和模糊的部分，找出程序中不可移植部分、违背程序编程风格的问题，包括变量检查、命名和类型审查、程序逻辑审查、程序语法检查和程序结构检查等内容。
”。
看了一系列的静态代码扫描或者叫静态代码分析工具后，总结对工具的看法：静态代码扫描工具，和编译器的某些功能其实是很相似

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。