（这个是我本人弄得，现在网上的很多资源都不能用，这个是百分百可用）采用的是VC++6.0编写的，本防火墙由以下几个模块组成：过滤规则添加模块，过滤规则显示模块，过滤规则存储模块，文件储存模块，安装卸载规则模块，IP封包过滤驱动功能模块。
用户只需要通过主界面菜单和按钮就可以灵活地操作防火墙，有效地保护Windows系统的安全。
用户只需要通过主界面菜单和按钮就可以灵活地操作防火墙，有效地保护Windows系统的安全。
2019/3/14 20:15:36
3.54MB
1
自动合并动作如果已批准拉取请求且状态检查已通过，此操作将自动合并拉取请求。
GitHub的分支保护规则用于确定特定分支能否允许自动合并。
给定以下条件，将为分支启用自动合并：合并规则之前需要拉取请求复审，以及为分支启用了新的推入提交时的其他关闭过时的拉取请求批准。
这样可以确保在批准和自动合并之间不能更改拉取请求。
启用合并规则之前需要通过状态检查，并且至少选择了一个状态检查。
输入项姓名必需的描述token是的为了能够触发其他工作流程，需要指定默认GITHUB_TOKEN以外的GitHub令牌。
merge-method不指定要使用的合并方法。
默认情况下，将按以下顺序选择第一个可用的：merge，squash，rebasesquash-title不压缩时，使用拉取请求标题作为提交消息。
do-not-merge-labels不
GitHub的分支保护规则用于确定特定分支能否允许自动合并。
给定以下条件，将为分支启用自动合并：合并规则之前需要拉取请求复审，以及为分支启用了新的推入提交时的其他关闭过时的拉取请求批准。
这样可以确保在批准和自动合并之间不能更改拉取请求。
启用合并规则之前需要通过状态检查，并且至少选择了一个状态检查。
输入项姓名必需的描述token是的为了能够触发其他工作流程，需要指定默认GITHUB_TOKEN以外的GitHub令牌。
merge-method不指定要使用的合并方法。
默认情况下，将按以下顺序选择第一个可用的：merge，squash，rebasesquash-title不压缩时，使用拉取请求标题作为提交消息。
do-not-merge-labels不
2016/9/5 7:26:14
215KB
1
自动合并动作如果已批准拉取请求且状态检查已通过，此操作将自动合并拉取请求。
GitHub的分支保护规则用于确定特定分支能否允许自动合并。
给定以下条件，将为分支启用自动合并：合并规则之前需要拉取请求复审，以及为分支启用了新的推入提交时的其他关闭过时的拉取请求批准。
这样可以确保在批准和自动合并之间不能更改拉取请求。
启用合并规则之前需要通过状态检查，并且至少选择了一个状态检查。
输入项姓名必需的描述token是的为了能够触发其他工作流程，需要指定默认GITHUB_TOKEN以外的GitHub令牌。
merge-method不指定要使用的合并方法。
默认情况下，将按以下顺序选择第一个可用的：merge，squash，rebasesquash-title不压缩时，使用拉取请求标题作为提交消息。
do-not-merge-labels不
GitHub的分支保护规则用于确定特定分支能否允许自动合并。
给定以下条件，将为分支启用自动合并：合并规则之前需要拉取请求复审，以及为分支启用了新的推入提交时的其他关闭过时的拉取请求批准。
这样可以确保在批准和自动合并之间不能更改拉取请求。
启用合并规则之前需要通过状态检查，并且至少选择了一个状态检查。
输入项姓名必需的描述token是的为了能够触发其他工作流程，需要指定默认GITHUB_TOKEN以外的GitHub令牌。
merge-method不指定要使用的合并方法。
默认情况下，将按以下顺序选择第一个可用的：merge，squash，rebasesquash-title不压缩时，使用拉取请求标题作为提交消息。
do-not-merge-labels不
2016/9/5 7:26:14
215KB
1
模式识别中贝叶斯算法判别身高体重matlab实现1）应用单个特征进行实验：以（a）身高或者（b）体重数据作为特征，在正态分布假设下利用最大似然法或者贝叶斯估计法估计分布密度参数，建立最小错误率Bayes分类器，写出得到的决策规则，将该分类器应用到测试样本，调查测试错误情况。
在分类器设计时可以调查采用不同先验概率（如0.5对0.5,0.75对0.25,0.9对0.1等）进行实验，调查对决策规则和错误率的影响。
2）应用两个特征进行实验：同时采用身高和体重数据作为特征，分别假设二者相关或不相关，在正态分布假设下估计概率密度，建立最小错误率Bayes分类器，写出得到的决策规则，将该分类器应用到训练/测试样本，调查训练/测试错误情况。
比较相关假设和不相关假设下结果的差异。
在分类器设计时可以调查采用不同先验概率（如0.5vs.0.5,0.75vs.0.25,0.9vs.0.1等）进行实验，调查对决策和错误率的影响。
3）自行给出一个决策表，采用最小风险的Bayes决策重复上面的某个或全部实验。
在分类器设计时可以调查采用不同先验概率（如0.5对0.5,0.75对0.25,0.9对0.1等）进行实验，调查对决策规则和错误率的影响。
2）应用两个特征进行实验：同时采用身高和体重数据作为特征，分别假设二者相关或不相关，在正态分布假设下估计概率密度，建立最小错误率Bayes分类器，写出得到的决策规则，将该分类器应用到训练/测试样本，调查训练/测试错误情况。
比较相关假设和不相关假设下结果的差异。
在分类器设计时可以调查采用不同先验概率（如0.5vs.0.5,0.75vs.0.25,0.9vs.0.1等）进行实验，调查对决策和错误率的影响。
3）自行给出一个决策表，采用最小风险的Bayes决策重复上面的某个或全部实验。
2016/6/25 22:06:17
669KB
1
基于产生式的知识表示方法,采用正向推理,根据特定应用建立好现实库、规则库及推理机后，根据用户输入的动物特征可以判断是何种动物。
可以添加新规则、查看规则库，且具有一定的异常检测及控制功能.本系统是采用C#及ASP.NET2.0编写的多网页WEB系统.采用VisualStudio开发平台和Access数据库。
可以添加新规则、查看规则库，且具有一定的异常检测及控制功能.本系统是采用C#及ASP.NET2.0编写的多网页WEB系统.采用VisualStudio开发平台和Access数据库。
2019/4/13 11:26:31
525KB
1
本人完全从Linux零基础一步步摸索总结出来的部署步骤。
ELK大致工作流程：Filebeat→Redis→Logstash→Elasticsearch→Kibana，Elastalert定时查询Elasticsearch保存的数据，当数据符合设定的规则时触发告警，发送短信、微信、邮件告诉。
ELK相关软件的版本都是7.2.0，Redis是5.0.4版本，Elastalert是0.1.39（需安装Python2），CentOS7.3。
ELK大致工作流程：Filebeat→Redis→Logstash→Elasticsearch→Kibana，Elastalert定时查询Elasticsearch保存的数据，当数据符合设定的规则时触发告警，发送短信、微信、邮件告诉。
ELK相关软件的版本都是7.2.0，Redis是5.0.4版本，Elastalert是0.1.39（需安装Python2），CentOS7.3。
2019/9/1 5:36:51
221KB
1
RPA，做过几个rpa项目，罗列总结自己常用得一些uipath和vba常用方法机器人流程自动化（RoboticProcessAutomation，RPA）是一种新型的技术理念，它允许通过软件机器人基于一定规则的交互动作来模拟和执行既定的业务流程。
RPA机器人好像人类一样能够操作各种IT应用程序，如浏览器、Office软件、Java/.net等语言编写的程序、ERP软件（SAP/Oracle）等等
RPA机器人好像人类一样能够操作各种IT应用程序，如浏览器、Office软件、Java/.net等语言编写的程序、ERP软件（SAP/Oracle）等等
2020/7/3 13:30:03
294KB
1
在很多企业的IT业务系统中，经常会有大量的业务规则配置，而且随着企业管理者的决策变化，这些业务规则也会随之发生更改。
为了顺应这样的需求，我们的IT业务系统应该能快速且低成本的更新。
顺应这样的需求，一般的作法是将业务规则的配置单独拿出来，使之与业务系统保持低耦合。
目前，实现这样的功能的程序，已经被开发成为规则引擎。
为了顺应这样的需求，我们的IT业务系统应该能快速且低成本的更新。
顺应这样的需求，一般的作法是将业务规则的配置单独拿出来，使之与业务系统保持低耦合。
目前，实现这样的功能的程序，已经被开发成为规则引擎。
2021/9/6 12:22:04
63.8MB
1
在很多企业的IT业务系统中，经常会有大量的业务规则配置，而且随着企业管理者的决策变化，这些业务规则也会随之发生更改。
为了顺应这样的需求，我们的IT业务系统应该能快速且低成本的更新。
顺应这样的需求，一般的作法是将业务规则的配置单独拿出来，使之与业务系统保持低耦合。
目前，实现这样的功能的程序，已经被开发成为规则引擎。
为了顺应这样的需求，我们的IT业务系统应该能快速且低成本的更新。
顺应这样的需求，一般的作法是将业务规则的配置单独拿出来，使之与业务系统保持低耦合。
目前，实现这样的功能的程序，已经被开发成为规则引擎。
2020/10/20 5:30:22
63.8MB
1
JAVA实现的关联规则的数据挖掘Apriori算法，采用图形化界面方式，可以实现从布尔类型数据库中找出关联规则
2018/1/9 7:36:40
20KB
1
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。
2024-04-09 15:03
15KB