北京邮电大学操作系统实验报告，包含第一组基本实验，第二组Linux内核，第三组进程管理，报告内包含代码。

在上一个版本中加入了开机自启动功能，程序第一次运行时使用管理权限运行，即可将自启信息写入注册表，同时修正了自启后找不到脚本文件问题

下载后文件根目录下有两个GIF图，分别描述管理员操作和顾客操作大概使用说明：1、数据库使用MySQL2、图形界面使用java的JFrame3、导入数据看：将supermarketdb.sql文件导入数据库中后4、修改项目根目录下的c3p0-config.xml的配置文件：com.mysql.jdbc.Driverjdbc:mysql://localhost:3306/supermarketdbroot123第一个参数：为修改连接数据库的驱动，MySQL的驱动包是这个，不用修改第二个参数：只用修改数据库的名字，如果是MySQL的数据库的话，本项目使用supermarketdb这个数据库，即导入的那个.sql文件第三个参数：数据库的用户名，根据自己情况修改第四个参数：数据库连接的密码，根据自己情况修改比较适合初学java的新手和练习数据库的同学

我们平时使用App的时候,经常在第一次使用的时候,会有类似”新手教程”之类的东西,来引导我们应该如何使用这个App。
但是这个”新手教程”不同于常规的引导页(引导页指第一次打开App时候,弹出的那种介绍视图。
他是静态的,不需要与用户交互,可以直接一页页翻,或者直接跳过。
)所谓的”新手教程”,就是按照App的提示,一步步跟着完成。

本资源适合excel工作日志人群：输入：年，月输出：名称为XXXX年XX月的excel，XXXX-XX-XX格式的sheet，从该月份第一天到最后一天。

视频播放显示第一帧JAVA源码

本书从实际应用出发，以CentOS7作为操作系统基础，介绍了目前企业中最常用的软件平台架设和管理方法。
通过运维的视角，介绍了运维的基础知识，软件平台的常见搭建思路。
本书共13章，分为3个知识区块。
涵盖的主要内容有：以CentOS7特性和安装、运维基础、网络配置与结构为第一个知识区块的基础知识；
企业中应用广泛的路由与策略路由，针对不同应用平台的文件共享服务NFS、Samba和FTP，目前最常见的Web平台LAMP、LNMP，中小型企业应用最为广泛的LVS集群技术，实现高可用性的双机热备系统等为第二知识区块的应用平台建设与管理方面的知识；
目前最热门的虚拟化和云计算为第三知识区块，主要有KVM虚拟化及oVirt管理平台，适合企业使用的GlusterFS存储技术，OpenStack和OpenNebula云平台等知识。
本书从实际生产应用环境出发，并注重安全与运维思路教学，既适合于有一定计算机基础的学习Linux的初学者，又适合于有一定Linux基础，需要学习运维知识的人员阅读。

MXOPCServer6.04SN是三菱OPC服务器软件的序列号，之前上传的安装包分为三个，资源名称MXOPCServer6.04的后缀名z01是第一个包，压缩资源名称MXOPCServer6.04.z03的后缀名zip是最后一个包。

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。

WeJapa实习NotesApp这是一个纯基于Nodejs的note应用程序restapi构建，未使用任何快速框架。
该应用程序连接到Atlas上的mongodb数据库新笔记创建的邮递员屏幕截图列出所有笔记的邮递员屏幕截图邮递员按ID读取单个笔记的屏幕截图邮递员按工作类别对笔记进行排序的屏幕截图邮递员按个人类别对笔记进行排序的屏幕截图邮递员按学习类别对笔记进行排序的屏幕截图邮递员按其他类别对笔记进行排序的屏幕截图邮递员分类笔记目录的屏幕截图

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。