gopl-zh/📚 Go语言圣经中文版

Go语言圣经中文版

QQ群:102319854(中国最早的Go语言QQ群)


原先的 gopl-zh 因为DMCA问题已经删除,新的项目已经转为私有仓库,但是这里依然可以接收Issue提交。

这是重生后的地址(主要用于维护Issue和镜像列表):

  • https://github.com/golang-china/gopl-zh

译者信息:

网易云课堂·光谷码农课堂

https://study.163.com/provider/480000001914454/index.htm

加入QQ群:102319854

中国第一个Go语言QQ群

关注微信公众号(光谷码农/guanggu-coder)

加入微信群: 公众号底部菜单扫码进入

开发者头条号

https://toutiao.io/subjects/318517

常见缩写

  • gopl: 《The Go Programming Language》, http://gopl.io/
  • gopl-zh: gopl 的中文版本,https://github.com/golang-china/gopl-zh
  • D&K: gopl的作者 Alan A. A. Donovan · Brian W. Kernighan

镜像列表

  • https://github.com/gopl-zh/gopl-zh.github.com
  • https://docs.hacknode.org/gopl-zh/
  • https://books.studygolang.com/gopl-zh/
  • https://wizardforcel.gitbooks.io/gopl-zh/

开源图书推荐

v2-ui/支持多协议多用户的 v2ray 面板,Support multi-protocol multi-user v2ray panel

中文 | English

捐赠支持

如果你觉得面板好用的话,可以考虑一下捐赠支持,金额随意,感谢支持。
Paypal
– USDT:0xa77579db35ad766844d41aca541d658349268012
– 以太坊 (ETH):0xa77579db35ad766844d41aca541d658349268012
– 比特币 (BTC):bc1qemdf5vdz8cq07cdcqzhvzewy35994cxt7gnrpegaz8txwxfp2ysqtfw6hh

v2-ui

支持多协议多用户的 v2ray 面板,Support multi-protocol multi-user v2ray panel

帮助翻译

面板目前支持中文与英文,如果你发现了错误的翻译想帮助修正,或者想帮助翻译成更多的语言,可以在 translations 文件夹中找到各语言对应的翻译,例如 translations/zh/LC_MESSAGES/message.po 文件是中文翻译内容。其中 msgid 是英文原文,msgstr 是翻译后的内容,每个 msgid 对应一个 msgstr。

当然,文档目前也只支持中文和英文,如果你想帮助翻译,那么创建一个文件 README.lang.md,lang 是该语言的英文缩写,例如 en 代表英文。

详细教程

https://blog.sprov.xyz/v2-ui/

运行截图

http://www.githubchina.net/wp-content/uploads/2020/05/1.png
http://www.githubchina.net/wp-content/uploads/2020/05/2.png

功能介绍

  • 系统状态监控
  • 支持多用户多协议,浏览器可视化操作,无需敲命令
  • 支持的协议:vmess、shadowsocks、dokodemo-door、socks、http
  • vmess 支持的传输配置:tcp(http伪装、tls)、kcp(伪装)、ws(tls)、http(tls)、quic(tls)
  • 支持账号流量统计
  • 支持自定义 v2ray 配置模板
  • 支持 https 访问面板(需自备域名 + ssl 证书)
  • 更多高级配置项,详见面板

安装&升级

用户注意事项(必看)

v2-ui 与其它所有关于修改 v2ray 配置文件的工具完全不兼容(包括 sprov-ui),安装 v2-ui 后会导致 v2ray 配置文件被重写,导致原有 v2ray 账号丢失,如有必要,请自行提前做好备份,以免造成不必要的后果。

建议系统

  • CentOS 7+
  • Ubuntu 16+
  • Debian 8+

一键安装&升级

bash <(curl -Ls https://blog.sprov.xyz/v2-ui.sh)

手动安装&升级

手动安装 v2ray

https://github.com/v2ray/v2ray-core/releases

进入上面的 Github 地址,下载 v2ray 最新的 v2ray-linux-64.zip 文件,下载完成后将该文件上传至你的 VPS 里的 root 目录下。

使用以下命令进行本地安装 v2ray,如果你将 v2ray-linux-64.zip 文件上传至了其它目录,那么需要将命令中的 /root/v2ray-linux-64.zip 替换为你实际的文件路径。

bash <(curl -L -s https://install.direct/go.sh) --local /root/v2ray-linux-64.zip

如果安装顺利的话,进入下一步,若安装不顺利的话,可以向 v2ray 官方寻求帮助,因为这是 v2ray 官方的脚本,不是我的。

手动安装 v2-ui

https://github.com/sprov065/v2-ui/releases

从该地址中下载最新的 v2-ui-linux.tar.gz 文件,并上传至 VPS 的 /root/ 目录下。若你上传至其它的目录,则将第一行命令的 cd /root/ 改为 cd (实际的目录),不用包括文件名。

cd /root/
mv v2-ui-linux.tar.gz /usr/local/
cd /usr/local/
tar zxvf v2-ui-linux.tar.gz
rm v2-ui-linux.tar.gz -f
cd v2-ui
chmod +x v2-ui
cp -f v2-ui.service /etc/systemd/system/
systemctl daemon-reload
systemctl enable v2-ui
systemctl restart v2-ui

curl -o /usr/bin/v2-ui -Ls https://raw.githubusercontent.com/sprov065/v2-ui/master/v2-ui.sh
chmod +x /usr/bin/v2-ui

安装完毕后,输入 v2-ui 命令,你会看到你想要的。

如何手动升级

重复做一遍手动安装的操作即可升级

面板其它操作

v2-ui                  # 显示管理菜单 (功能更多)
v2-ui start            # 启动 v2-ui 面板
v2-ui stop             # 停止 v2-ui 面板
v2-ui restart          # 重启 v2-ui 面板
v2-ui status           # 查看 v2-ui 状态
v2-ui enable           # 设置 v2-ui 开机自启
v2-ui disable          # 取消 v2-ui 开机自启
v2-ui log              # 查看 v2-ui 日志
v2-ui update           # 更新 v2-ui 面板
v2-ui install          # 安装 v2-ui 面板
v2-ui uninstall        # 卸载 v2-ui 面板

数据备份与迁移

面板所有数据包括账号信息等都存在 /etc/v2-ui/v2-ui.db 中,只要备份此文件即可。在新服务器安装了面板之后,先关闭面板,再将备份的文件覆盖新安装的,最后启动面板即可。

注意,若配置了面板 ssl 证书,确保新服务器的同样的路径下有相同的证书文件,否则将无法在新服务器启动面板。同样的,若配置了 v2ray 的 tls,并且使用了证书文件配置,也要确保新服务器有证书文件,否则将无法启动 v2ray,若使用证书内容配置,则无需关心。

卸载面板

执行以下命令即可完全卸载面板,如果还需要卸载 v2ray,请自行找相关教程。

systemctl stop v2-ui
systemctl disable v2-ui
rm /usr/local/v2-ui/ -rf
rm /etc/v2-ui/ -rf
rm /etc/systemd/system/v2-ui.service -f
systemctl daemon-reload

常见问题

安装完了打不开面板

检查面板状态,确认正在运行后再确保 65432 端口已经放行,我再说三遍:端口放行、端口放行、端口放行

装了宝塔后打不开面板也无法使用 v2ray

面板与宝塔本身并没有冲突,只不过是因为宝塔启用了防火墙,只开启了常用的端口,所以需要进入宝塔管理界面放行面板监听端口(65432)和你所使用的其它 v2ray 账号端口。

没有 mtproto 协议?

就目前来说,mtproto 已经不再建议使用,所以我就没有加了,除非 v2ray 之后优化了 mtproto,做了一个新的 mtproto 来,我才会加上此协议。如果确实需要的话,请自行在面板设置中修改v2ray配置模板。

如何自定义 v2ray 配置文件

进入【面板设置】,有一项 【v2ray 配置模板】,你可以在此修改配置模板,例如修改路由,自己添加一个 mtproto 等等,都可以。如果你对 v2ray 配置文件不够熟悉的话,那么还是建议多去 v2ray 官方文档学习学习。

忘记用户名和密码

使用以下命令重置用户名和密码,默认都为 admin

/usr/local/v2-ui/v2-ui resetuser

面板设置修改错误导致面板无法启动

使用以下命令重置所有面板设置,默认面板端口修改为 65432,其它的也会重置为默认值,注意,这个命令不会重置用户名和密码。

/usr/local/v2-ui/v2-ui resetconfig

面板启动失败

出现:‘ascii’ codec can’t encode characters in position 0-6: ordinal not in range(128)

这是因为系统编码不支持中文的缘故,将系统编码设置为 UTF-8 即可,具体请自行搜索方法。

怎么没有重启 v2ray 的按钮了

本面板与 sprov-ui 手动重启 v2ray 的方式不同,采用自动的方式,当添加、修改、删除账号后,默认会在 60 秒内自动更新 v2ray 配置文件,并重启 v2ray。可在面板设置中修改【账号生效时间】,不宜设置过小的数值,否则会造成 CPU 使用率上升。

因时间误差导致 vmess 无法连接

引用 v2ray 官方的一句话:VMess 依赖于系统时间,请确保使用 V2Ray 的系统 UTC 时间误差在 90 秒之内,时区无关。在 Linux 系统中可以安装ntp服务来自动同步系统时间。

进去面板之后语言是英文的

确保你的浏览器设置浏览网页时优先使用中文,有些时候浏览器语言是中文的,但是浏览网页时优先显示英文,其次才是中文,这样就会造成面板语言是英文的,具体请根据浏览器设置,将中文排在第一位。

电脑版 Chrome 设置方法:设置 – 高级 – 语言 – 展开语言设置 – 根据您的偏好设置对语言进行排序 – 将中文排在第一位。

怎么限制账号网速和连接数

面板只是个方便你配置 v2ray 的工具,首先需要 v2ray 自身支持这些底层功能,面板才能支持。

怎么让面板的账号 IP 显示为我的域名

  • 将域名解析到你的 VPS 的 IP
  • 使用域名访问面板,如:http://blog.sprov.xyz:65432 ,具体域名和端口号以你的实际域名和端口号为准
  • 如果面板设置里正确配置了域名证书和密钥,那么就使用:https://blog.sprov.xyz:65432 访问面板
    >使用 CDN 的同志们注意了,CDN 通常只支持常见的 http 和 https 端口,所以使用 65432 是访问不了的,建议将面板端口设置为 CDN 商家支持的端口,肯定受支持的端口号是 80(http)和 443(https)

单端口多用户

设计之初并没有考虑到这个配置方式,目前再修改已经不太方便,所以之后大概率不会支持这个配置方式。

Telegram

群组:https://t.me/sprov_blog

频道:https://t.me/sprov_channel

MIXBOX/一款基于Shell的小米路由器工具箱,原为Monlor-Tools,A tool box for XiaoMi Router base on Shell.

MIXBOX

MIXBOX是一款全新的,完全基于Shell脚本的工具箱,为在路由器上实现程序的快速配置及运行管理,欢迎大佬们stars、fork及pr.

0.1.9.7以前的版本请手动更换下载源:https://monlor.coding.net/p/mbfiles/d/mbfiles/git/lfs/master


更新日志

  • 2020-05-07
    • 更换gitee为默认源
    • coding更换lfs储存方式的文件地址,导致工具箱下载源失效
    • 注意安装命令已更换
    • 回滚v2ray的sniff配置
  • 2020-05-04
    • 更新v2ray配置文件,inbound 和 inboundDetour 中增加 sniffing 配置
  • 2020-04-26
    • 优化工具箱离线使用
    • vsftpd不能使用的用户可以尝试entware的方式启用
    • 更新一些arm程序的二进制版本,感谢@DC提供的二进制程序
  • 2020-03-06
    • 更新frps到0.31.2
    • 修复工具箱下载插件失败的问题
  • 2020-03-05-2
    • 由于cdn缓存不刷新,还是滚回了coding源:https://monlor.coding.net/p/mbfiles/d/mbfiles/git/raw/master
    • 新增DLNA插件DMS
    • Qiandao插件bug修复
  • 2020-03-05
    • 由于coding限制仓库容量不能大于2G,尝试使用githubcdn源:https://cdn.jsdelivr.net/gh/monlor/mbfiles
    • 最新版本里选择github下载源默认为cdn源,推荐使用
    • 仓库已经重置,删除了历史记录
    • 修复EasyExployer启动bug,更新二进制程序版本
    • 更新BaiduPCS二进制程序
  • 2020-03-04
    • 为了减少项目体积,现在采用Github Actions自动部署插件安装包
    • coding下载源地址改为https://monlor.coding.net/p/mbfiles/d/mbfiles/git/raw/master
    • github下载源地址改为https://raw.githubusercontent.com/monlor/mbfiles/master
    • 这一版更新需要手动更新,请执行下方的手动更新命令,并手动更换下载源
    • 不想更新的以前的版本同样会保留,只是不再会更新
  • 2020-03-03
    • 更新工具箱coding下载源,请手动更换coding下载源:https://monlor.coding.net/p/MIXBOX/d/MIXBOX/git/raw/master
    • 更新插件Koolproxy规则地址
    • 更新qiandao插件,现在支持更多网站签到,并且支持mips设置,如R3
  • 2020-02-27
    • 新增插件npc,待测试
    • aria2版本更新
  • 2019-03-03
    • 修复v2ray配置文件问题(未测试),感谢@leafnsand的PR
    • 修复Entware插件无法启动ONMP的问题
    • 插件VerySyncBaiduPCS的程序版本更新
    • 现在修复小米路由器远程访问后会自动开放8098端口

介绍

工具箱MIXBOX公测发布,Monlor Tools不再更新。新版本有以下改变:
* MIXBOX
* 工具箱尝试支持更多的路由器固件,正在努力中,需要测试
* 去掉随时可能被小米封的web界面
* 移除针对小米路由器设置的功能,如修改samba路径和禁用迅雷等,合并到新的插件MIWIFI
* 增加一个应急功能,在用户目录创建文件uninstall_mixbox即可卸载工具箱
* 增加几个工具箱常用命令,applist:用于管理插件列表,cru:定时任务管理,mbdb:工具箱数据库,基于uci,mixbox:工具箱命令行交互界面
* 工具箱增加目录,/etc/mixbox/mbdb:存放数据文件,/etc/mixbox/var/run:存在程序进程pid文件,/etc/mixbox/var/log:工具箱日志目录
* 工具箱现在不会特意去兼容某个型号,比如R3上的Aria2问题,只考虑CPU架构,mips/arm等,所以如果R3/R1CM发现程序不兼容的情况,可以选择自己替换程序,或同时安装Monlor-Tools工具箱
* 插件安装去掉了离线安装的功能,后续会加入进来,给用户提供一个自己修改打包插件的机会

  • ShadowSocks
    • 订阅现在会多次尝试,如已安装EntWare中的curl程序会自动调用用作订阅
    • 现已支持v2ray并测试黑白名单和全局模式,正常使用,v2ray订阅暂不支持
    • 已支持kcptun加速功能,sskcp需为同一个服务器,否则不启用
    • 优化添加ss节点时的提示信息
    • 增加haveged程序,用于生成随机数
  • KoolProxy
    • 由于作者更新程序修改了视频模式的启用方式,更新了启动脚本
    • https证书生成不再使用openssl程序,而使用kp自带程序生成
  • 新增插件
    • AliDDNS:获取当前网络的ip,自动解析到阿里云
    • BaiduPCS:第三方百度网盘下载工具,带web界面
    • DropBear:移植小米路由器的SSH功能到工具箱
    • Frps:快速搭建frp服务端
    • PPTPD:快速搭建vpn服务器,基于EntWare环境
    • SmartDNS:智能dns解析,从多个上游dns服务器中选取最快的解析地址
    • SSServer:搭建ss服务器
    • Transmission:强大的pt下载工具,基于EntWare环境
    • WebD:极其小巧的网盘工具,功能比较简单
  • 其他等等等小更新…

注意事项

  • 用户目录是指存放一下大文件的目录,如下载的文件等
  • 经测试R3不支持EntWare环境,原因未知,所以基于EntWare的程序都无法使用

命令

一键安装

sh -c "$(curl -kfsSl https://monlor.coding.net/p/mbfiles/d/mbfiles/git/lfs/master/install.sh)" && source /etc/profile &> /dev/null

github源一键安装命令

sh -c "$(curl -kfsSl https://raw.githubusercontent.com/monlor/mbfiles/master/install_github.sh)" && source /etc/profile &> /dev/null

手动更新命令

sh -c "$(curl -kfsSl https://raw.githubusercontent.com/monlor/MIXBOX/master/apps/mixbox/scripts/update.sh)" && source /etc/profile &> /dev/null

手动卸载命令

sh -c "$(curl -kfsSl https://raw.githubusercontent.com/monlor/MIXBOX/master/apps/mixbox/scripts/uninstall.sh)" && source /etc/profile &> /dev/null

一键更新所有插件(请先更新工具箱)

applist installed -n | while read line; do mixbox upgrade $line; done

查看插件常用命令(appname为插件名)

mixbox help

小米路由器目录结构

/
|--- /etc/mixbox
|    |--- /apps/        --- 插件安装目录
|    |--- /config/      --- 工具箱配置文件目录
|    |--- /scripts/     --- 工具箱脚本目录
|    |--- /mbdb/        --- 工具箱数据文件目录
|  |--- /var/   --- 工具箱运行pid及日志存放目录
|--- /tmp
|    |--- /messages     --- 系统日志,工具箱日志
|--- /userdisk
|    |--- /data/        --- 硬盘目录
|--- /extdisks/
|    |--- /sd*/         --- 外接盘目录

插件列表

感谢以下插件列表中的作者给我们带来的这么好用的程序!作者链接待完善

  1. ShadowSocks
  2. KoolProxy
  3. Aria2
  4. VsFtpd
  5. kms
  6. Frpc
  7. Ngrok
  8. WebShell
  9. TinyProxy
  10. Entware
  11. KodExplorer
  12. EasyExplorer
  13. HttpFile
  14. VerySync
  15. FastDick
  16. FireWall
  17. JetBrains
  18. QianDao
  19. FileBrowser
  20. ZeroTier
  21. MIWIFI
  22. [AliDDNS]
  23. [BaiduPCS]
  24. [DropBear]
  25. [Frps]
  26. [PPTPD]
  27. [SmartDNS]
  28. [SSServer]
  29. [Transmission]
  30. [WebD]

快速制作插件

步骤

  • git clone https://github.com/monlor/MIXBOX.git
  • cd MIXBOX/
  • chmod +x ./tools/*.sh
  • ./tools/newapp.sh [插件名] [插件服务名] [插件介绍]
  • 修改插件脚本和配置文件
  • ./tools/gitsync.sh pack [插件名] [-v]

注意事项

  • 插件名必须为小写,插件服务名一般为驼峰的写法
  • 插件二进制名称建议与插件名对应,二进制名不能出现下划线,建议用横杠,如obfs-local
  • 执行完插件生成脚本后,插件会生成在apps中,注意名称不能与现有插件重复

请喝咖啡

微信 支付宝

deeplearning_ai_books/deeplearning.ai(吴恩达老师的深度学习课程笔记及资源)

Coursera深度学习教程中文笔记

课程概述

https://mooc.study.163.com/university/deeplearning_ai#/c

笔记在线阅读

这些课程专为已有一定基础(基本的编程知识,熟悉Python、对机器学习有基本了解),想要尝试进入人工智能领域的计算机专业人士准备。介绍显示:“深度学习是科技业最热门的技能之一,本课程将帮你掌握深度学习。”

在这5堂课中,学生将可以学习到深度学习的基础,学会构建神经网络,并用在包括吴恩达本人在内的多位业界顶尖专家指导下创建自己的机器学习项目。Deep Learning Specialization对卷积神经网络 (CNN)、递归神经网络 (RNN)、长短期记忆 (LSTM) 等深度学习常用的网络结构、工具和知识都有涉及。

课程中也会有很多实操项目,帮助学生更好地应用自己学到的深度学习技术,解决真实世界问题。这些项目将涵盖医疗、自动驾驶、和自然语言处理等时髦领域,以及音乐生成等等。Coursera上有一些特定方向和知识的资料,但一直没有比较全面、深入浅出的深度学习课程——《深度学习专业》的推出补上了这一空缺。

课程的语言是Python,使用的框架是Google开源的TensorFlow。最吸引人之处在于,课程导师就是吴恩达本人,两名助教均来自斯坦福计算机系。完成课程所需时间根据不同的学习进度,大约需要3-4个月左右。学生结课后,Coursera将授予他们Deep Learning Specialization结业证书。

“我们将帮助你掌握深度学习,理解如何应用深度学习,在人工智能业界开启你的职业生涯。”吴恩达在课程页面中提到。

本人黄海广博士,以前写过吴恩达老师的机器学习个人笔记。目前我正在组织团队整理中文笔记,由热心的朋友无偿帮忙制作整理,并持续更新。我们的团队的工作致力于AI在国内的推广,不会损害Coursera以及吴恩达老师的商业利益。

本人水平有限,如有公式、算法错误,请及时指出,发邮件给我。

笔记是根据视频和字幕写的,没有技术含量,只需要专注和严谨。

黄海广

我的知乎

机器学习qq群:1003271085(我们有10个群,加过一个就不需要加了)

微信公众号:机器学习初学者 gongzhong
知识星球:黄博的机器学习圈子xingqiu

注意:github下载太慢的话,关注我的公众号:“机器学习初学者”,回复“github镜像”即可下载本仓库的镜像文件,整个仓库压缩成一个iso。

我的知乎

主要编写人员:黄海广、林兴木(第四所有底稿,第五课第一二周,第三周前三节)、祝彦森:(第三课所有底稿)、贺志尧(第五课第三周底稿)、王翔、胡瀚文、 余笑、 郑浩、李怀松、 朱越鹏、陈伟贺、 曹越、 路皓翔、邱牧宸、 唐天泽、 张浩、 陈志豪、 游忍、 泽霖、沈伟臣、 贾红顺、 时超、 陈哲、赵一帆、 胡潇杨、段希、于冲、张鑫倩

参与编辑人员:黄海广、陈康凯、石晴路、钟博彦、向伟、严凤龙、刘成 、贺志尧、段希、陈瑶、林家泳、王翔、 谢士晨、蒋鹏

2018-04-14

本课程视频教程地址:https://mooc.study.163.com/university/deeplearning_ai#/c

有同学提供了一个离线视频的下载:链接:https://pan.baidu.com/s/1ciq3qHo0lgoD3MLRwfeqnA 密码:0kim

(该视频从www.deeplearning.ai 网站下载,因众所周知的原因,国内用户观看某些在线视频非常不容易,故一些学者一起制作了离线视频,旨在方便国内用户个人学习使用,请勿用于商业用途。视频内嵌中英文字幕,推荐使用potplayer播放。版权属于吴恩达老师所有,若在线视频流畅,请到官方网站观看。)

笔记网站(适合手机阅读)

吴恩达老师的机器学习课程笔记和视频:https://github.com/fengdu78/Coursera-ML-AndrewNg-Notes

此文档免费,请不要用于商业用途,可以自由传播。

赠人玫瑰,手有余香!

haiguang2000@qq.com

转载请注明出处:https://github.com/fengdu78/deeplearning_ai_books

机器学习qq群:659697409(我们有9个群,加过一个就不需要加了)

深度学习笔记目录

第一门课 神经网络和深度学习(Neural Networks and Deep Learning)

第一周:深度学习引言(Introduction to Deep Learning)

1.1 欢迎(Welcome)

1.2 什么是神经网络?(What is a Neural Network)

1.3 神经网络的监督学习(Supervised Learning with Neural Networks)

1.4 为什么神经网络会流行?(Why is Deep Learning taking off?)

1.5 关于本课程(About this Course)

1.6 课程资源(Course Resources)

1.7 Geoffery Hinton 专访(Geoffery Hinton interview)

第二周:神经网络的编程基础(Basics of Neural Network programming)

2.1 二分类(Binary Classification)

2.2 逻辑回归(Logistic Regression)

2.3 逻辑回归的代价函数(Logistic Regression Cost Function)

2.4 梯度下降(Gradient Descent)

2.5 导数(Derivatives)

2.6 更多的导数例子(More Derivative Examples)

2.7 计算图(Computation Graph)

2.8 计算图导数(Derivatives with a Computation Graph)

2.9 逻辑回归的梯度下降(Logistic Regression Gradient Descent)

2.10 梯度下降的例子(Gradient Descent on m Examples)

2.11 向量化(Vectorization)

2.12 更多的向量化例子(More Examples of Vectorization)

2.13 向量化逻辑回归(Vectorizing Logistic Regression)

2.14 向量化逻辑回归的梯度计算(Vectorizing Logistic Regression’s Gradient)

2.15 Python中的广播机制(Broadcasting in Python)

2.16 关于 Python与numpy向量的使用(A note on python or numpy vectors)

2.17 Jupyter/iPython Notebooks快速入门(Quick tour of Jupyter/iPython Notebooks)

2.18 逻辑回归损失函数详解(Explanation of logistic regression cost function)

第三周:浅层神经网络(Shallow neural networks)

3.1 神经网络概述(Neural Network Overview)

3.2 神经网络的表示(Neural Network Representation)

3.3 计算一个神经网络的输出(Computing a Neural Network’s output)

3.4 多样本向量化(Vectorizing across multiple examples)

3.5 向量化实现的解释(Justification for vectorized implementation)

3.6 激活函数(Activation functions)

3.7 为什么需要非线性激活函数?(why need a nonlinear activation function?)

3.8 激活函数的导数(Derivatives of activation functions)

3.9 神经网络的梯度下降(Gradient descent for neural networks)

3.10(选修)直观理解反向传播(Backpropagation intuition)

3.11 随机初始化(Random+Initialization)

第四周:深层神经网络(Deep Neural Networks)

4.1 深层神经网络(Deep L-layer neural network)

4.2 前向传播和反向传播(Forward and backward propagation)

4.3 深层网络中的前向和反向传播(Forward propagation in a Deep Network)

4.4 核对矩阵的维数(Getting your matrix dimensions right)

4.5 为什么使用深层表示?(Why deep representations?)

4.6 搭建神经网络块(Building blocks of deep neural networks)

4.7 参数VS超参数(Parameters vs Hyperparameters)

4.8 深度学习和大脑的关联性(What does this have to do with the brain?)

第二门课 改善深层神经网络:超参数调试、正则化以及优化(Improving Deep Neural Networks:Hyperparameter tuning, Regularization and Optimization)

第一周:深度学习的实用层面(Practical aspects of Deep Learning)

1.1 训练,验证,测试集(Train / Dev / Test sets)

1.2 偏差,方差(Bias /Variance)

1.3 机器学习基础(Basic Recipe for Machine Learning)

1.4 正则化(Regularization)

1.5 为什么正则化有利于预防过拟合呢?(Why regularization reduces overfitting?)

1.6 dropout 正则化(Dropout Regularization)

1.7 理解 dropout(Understanding Dropout)

1.8 其他正则化方法(Other regularization methods)

1.9 标准化输入(Normalizing inputs)

1.10 梯度消失/梯度爆炸(Vanishing / Exploding gradients)

1.11 神经网络的权重初始化(Weight Initialization for Deep NetworksVanishing /Exploding gradients)

1.12 梯度的数值逼近(Numerical approximation of gradients)

1.13 梯度检验(Gradient checking)

1.14 梯度检验应用的注意事项(Gradient Checking Implementation Notes)

第二周:优化算法 (Optimization algorithms)

2.1 Mini-batch 梯度下降(Mini-batch gradient descent)

2.2 理解Mini-batch 梯度下降(Understanding Mini-batch gradient descent)

2.3 指数加权平均(Exponentially weighted averages)

2.4 理解指数加权平均(Understanding Exponentially weighted averages)

2.5 指数加权平均的偏差修正(Bias correction in exponentially weighted averages)

2.6 momentum梯度下降(Gradient descent with momentum)

2.7 RMSprop——root mean square prop(RMSprop)

2.8 Adam优化算法(Adam optimization algorithm)

2.9 学习率衰减(Learning rate decay)

2.10 局部最优问题(The problem of local optima)

第三周超参数调试,batch正则化和程序框架(Hyperparameter tuning, Batch Normalization and Programming Frameworks)

3.1 调试处理(Tuning process)

3.2 为超参数选择和适合范围(Using an appropriate scale to pick hyperparameters)

3.3 超参数训练的实践:Pandas vs. Caviar(Hyperparameters tuning in practice: Pandas vs. Caviar)

3.4 网络中的正则化激活函数(Normalizing activations in a network)

3.5 将 Batch Norm拟合进神经网络(Fitting Batch Norm into a neural network)

3.6 为什么Batch Norm奏效?(Why does Batch Norm work?)

3.7 测试时的Batch Norm(Batch Norm at test time)

3.8 Softmax 回归(Softmax Regression)

3.9 训练一个Softmax 分类器(Training a softmax classifier)

3.10 深度学习框架(Deep learning frameworks)

3.11 TensorFlow(TensorFlow)

第三门课 结构化机器学习项目 (Structuring Machine Learning Projects)

第一周:机器学习策略(1)(ML Strategy (1))

1.1 为什么是ML策略? (Why ML Strategy)

1.2 正交化(Orthogonalization)

1.3 单一数字评估指标(Single number evaluation metric)

1.4 满足和优化指标 (Satisficing and Optimizing metric)

1.5 训练集、开发集、测试集的划分(Train/dev/test distributions)

1.6 开发集和测试集的大小 (Size of the dev and test sets)

1.7 什么时候改变开发集/测试集和评估指标(When to change dev/test sets and metrics)

1.8 为什么是人的表现 (Why human-level performance?)

1.9 可避免偏差(Avoidable bias)

1.10 理解人类的表现 (Understanding human-level performance)

1.11 超过人类的表现(Surpassing human-level performance)

1.12 改善你的模型表现 (Improving your model performance)

第二周:机器学习策略(2)(ML Strategy (2))

2.1 误差分析 (Carrying out error analysis)

2.2 清除标注错误的数据(Cleaning up incorrectly labeled data)

2.3 快速搭建你的第一个系统,并进行迭代(Build your first system quickly, then iterate)

2.4 在不同的分布上的训练集和测试集 (Training and testing on different distributions)

2.5 数据分布不匹配的偏差与方差分析 (Bias and Variance with mismatched data distributions)

2.6 处理数据不匹配问题(Addressing data mismatch)

2.7 迁移学习 (Transfer learning)

2.8 多任务学习(Multi-task learning)

2.9 什么是端到端的深度学习? (What is end-to-end deep learning?)

2.10 是否使用端到端的深度学习方法 (Whether to use end-to-end deep learning)

第四门课 卷积神经网络(Convolutional Neural Networks)

第一周 卷积神经网络(Foundations of Convolutional Neural Networks)

1.1 计算机视觉(Computer vision)

1.2 边缘检测示例(Edge detection example)

1.3 更多边缘检测内容(More edge detection)

1.4 Padding

1.5 卷积步长(Strided convolutions)

1.6 三维卷积(Convolutions over volumes)

1.7 单层卷积网络(One layer of a convolutional network)

1.8 简单卷积网络示例(A simple convolution network example)

1.9 池化层(Pooling layers)

1.10 卷积神经网络示例(Convolutional neural network example)

1.11 为什么使用卷积?(Why convolutions?)

第二周 深度卷积网络:实例探究(Deep convolutional models: case studies)

2.1 为什么要进行实例探究?(Why look at case studies?)

2.2 经典网络(Classic networks)

2.3 残差网络(Residual Networks (ResNets))

2.4 残差网络为什么有用?(Why ResNets work?)

2.5 网络中的网络以及 1×1 卷积(Network in Network and 1×1 convolutions)

2.6 谷歌 Inception 网络简介(Inception network motivation)

2.7 Inception 网络(Inception network)

2.8 使用开源的实现方案(Using open-source implementations)

2.9 迁移学习(Transfer Learning)

2.10 数据扩充(Data augmentation)

2.11 计算机视觉现状(The state of computer vision)

第三周 目标检测(Object detection)

3.1 目标定位(Object localization)

3.2 特征点检测(Landmark detection)

3.3 目标检测(Object detection)

3.4 卷积的滑动窗口实现(Convolutional implementation of sliding windows)

3.5 Bounding Box预测(Bounding box predictions)

3.6 交并比(Intersection over union)

3.7 非极大值抑制(Non-max suppression)

3.8 Anchor Boxes

3.9 YOLO 算法(Putting it together: YOLO algorithm)

3.10 候选区域(选修)(Region proposals (Optional))

第四周 特殊应用:人脸识别和神经风格转换(Special applications: Face recognition &Neural style transfer)

4.1 什么是人脸识别?(What is face recognition?)

4.2 One-Shot学习(One-shot learning)

4.3 Siamese 网络(Siamese network)

4.4 Triplet 损失(Triplet 损失)

4.5 面部验证与二分类(Face verification and binary classification)

4.6 什么是神经风格转换?(What is neural style transfer?)

4.7 什么是深度卷积网络?(What are deep ConvNets learning?)

4.8 代价函数(Cost function)

4.9 内容代价函数(Content cost function)

4.10 风格代价函数(Style cost function)

4.11 一维到三维推广(1D and 3D generalizations of models)

第五门课 序列模型(Sequence Models)

第一周 循环序列模型(Recurrent Neural Networks)
1.1 为什么选择序列模型?(Why Sequence Models?)

1.2 数学符号(Notation)

1.3 循环神经网络模型(Recurrent Neural Network Model)

1.4 通过时间的反向传播(Backpropagation through time)

1.5 不同类型的循环神经网络(Different types of RNNs)

1.6 语言模型和序列生成(Language model and sequence generation)

1.7 对新序列采样(Sampling novel sequences)

1.8 循环神经网络的梯度消失(Vanishing gradients with RNNs)

1.9 GRU单元(Gated Recurrent Unit(GRU))

1.10 长短期记忆(LSTM(long short term memory)unit)

1.11 双向循环神经网络(Bidirectional RNN)

1.12 深层循环神经网络(Deep RNNs)

第二周 自然语言处理与词嵌入(Natural Language Processing and Word Embeddings)

2.1 词汇表征(Word Representation)

2.2 使用词嵌入(Using Word Embeddings)

2.3 词嵌入的特性(Properties of Word Embeddings)

2.4 嵌入矩阵(Embedding Matrix)

2.5 学习词嵌入(Learning Word Embeddings)

2.6 Word2Vec

2.7 负采样(Negative Sampling)

2.8 GloVe 词向量(GloVe Word Vectors)

2.9 情绪分类(Sentiment Classification)

2.10 词嵌入除偏(Debiasing Word Embeddings)

第三周 序列模型和注意力机制(Sequence models & Attention mechanism)

3.1 基础模型(Basic Models)

3.2 选择最可能的句子(Picking the most likely sentence)

3.3 集束搜索(Beam Search)

3.4 改进集束搜索(Refinements to Beam Search)

3.5 集束搜索的误差分析(Error analysis in beam search)

3.6 Bleu 得分(选修)(Bleu Score (optional))

3.7 注意力模型直观理解(Attention Model Intuition)

3.8注意力模型(Attention Model)

3.9语音识别(Speech recognition)

3.10触发字检测(Trigger Word Detection)

3.11结论和致谢(Conclusion and thank you)

人工智能大师访谈

吴恩达采访 Geoffery Hinton

吴恩达采访 Ian Goodfellow

吴恩达采访 Ruslan Salakhutdinov

吴恩达采访 Yoshua Bengio

吴恩达采访 林元庆

吴恩达采访 Pieter Abbeel

吴恩达采访 Andrej Karpathy

附件

深度学习符号指南(原课程翻译)

ThinkAdmin/基于 ThinkPHP 基础开发平台(登录账号密码都是 admin )

大道至简 · 原生框架

非常感谢大家一直以来对 ThinkAdmin 的支持,ThinkAdmin 从 v1 到 v6 经历了几次大的调整,但总体都是基于 ThinkPHP 最新版本为核心在开发,以微信领域及最简后台为目标在设计。

由于现有功能并不能满足所有项目的需求,ThinkAdmin 只做基础底层的开发,这里包括系统权限管理,系统存储配置,微信授权管理,以及常用功能集成等…… 因此 ThinkAdmin 也被定性为外包二开基线项目,目前已经有许多公司及个人在使用。

ThinkAdmin v6 是基于 v1-v5 版本的积累,结合 ThinkPHP 6.0 的思维重新调整,减少大量原非必需的组件,自建存储层、服务层及任务机制,增加了许多友好指令!

ThinkAdmin v6 经历了数个项目实践与测试,不停的调整,目前系统模块及微信模块已经趋于稳定,现将系统模块及微信定为 v6 内核两大模块发布,其他商城模块及相关辅助模块后续更进……

再次感谢大家对 ThinkAdmin 的支持,同时也祝大家新年快乐!!!

ThinkAdmin v6 依赖自制组件 ThinkLibrary v6,ThinkLibrary v6 是针对 ThinkPHP 6.0 定制开发。

我们致力于二次开发底层框架,提供完整的组件及API,基于此框架可以快速开发应用。

另外项目安装及二次开发可以参考 ThinkPHP 官方文档,数据库文件摆放在项目根目录下。

ThinkAdmin 非常适用快速二次开发,默认集成 微信开发组件,支持微信服务号、微信支付、支付宝支付、七牛云存储、本地服务器存储、阿里云OSS存储等。 后台UI基于最新版本的 LayUI 及 RequireJs 加载第三方插件(建议自行了解 LayUI 及 RequireJs)。

注意事项

  • 项目测试需要自行搭建环境导入数据库( admin_v6.sql )并修改配置( config/database.php );
  • 若操作提示“演示系统禁止操作”等字样,需要删除演示路由配置( route/admin/demo.php )或清空路由文件;
  • 当前版本使用 ThinkPHP 6.0.x,对 PHP 版本标注不低于 PHP 7.1,具体请阅读 ThinkPHP 官方文档;
  • 环境需开启 PATHINFO,不再支持 ThinkPHP 的 URL 兼容模式运行(源于如何优雅的展示);

技术支持

开发前请认真阅读 ThinkPHP 官方文档会对您有帮助哦!

本地开发命令php think run,使用http://127.0.0.1:8000访问项目。

PHP 开发技术交流( QQ 群 513350915)

PHP微信开发群 (SDK)

注解权限

注解权限是指通过方法注释来实现后台RBAC授权管理,用注解来管理功能节点。

开发人员只需要写好注释,RBAC的节点会自动生成,只需要配置角色及用户就可以使用RBAC权限。

  • 此版本的权限使用注解实现
  • 注释必需使用标准的块注释,如下案例
  • 其中@auth true表示访问需要权限验证
  • 其中@menu true显示在菜单编辑的节点可选项
  • 其中@login true需要强制登录才可访问
/**
* 操作的名称
* @auth true  # 表示需要验证权限
* @menu true  # 在菜单编辑的节点可选项
* @login true # 需要强制登录可访问 
*/
public function index(){
   // @todo
}

代码仓库

ThinkAdmin 为 MIT 协议开源项目,安装使用或二次开发不受约束,欢迎 fork 项目。

部分代码来自互联网,若有异议可以联系作者进行删除。

  • 在线体验地址:https://v6.thinkadmin.top (账号和密码都是 admin )
  • Gitee仓库地址:https://gitee.com/zoujingli/ThinkAdmin/tree/v6
  • GitHub仓库地址:https://github.com/zoujingli/ThinkAdmin/tree/v6

框架指令

  • 执行 build.cmd 可更新 composer 插件,会删除并替换 vendor 目录
  • 执行 php think run 启用本地开发环境,访问 http://127.0.0.1:8000
  • 执行 php think xadmin:fansall 同步微信粉丝数据(依赖于 wechat 模块)
  • 执行 php think xadmin:version 查看当前版本号,显示 ThinkPHP 版本及 ThinkLibrary 版本

1. 线上代码更新

  • 执行 php think xadmin:install admin 从线上服务更新 admin 模块的所有文件(注意文件安全)
  • 执行 php think xadmin:install wechat 从线上服务更新 wechat 模块的所有文件(注意文件安全)
  • 执行 php think xadmin:install static 从线上服务更新 plugs 静态资料文件(注意文件安全)
  • 执行 php think xadmin:install config 从线上服务更新 config 常用配置文件(注意文件安全)

2. 守护进程管理

  • 执行 php think xadmin:queue listen [监听]启动任务监听主进程
  • 执行 php think xadmin:queue query [控制]查询正在运行的进程
  • 执行 php think xadmin:queue start [控制]创建守护监听主进程
  • 执行 php think xadmin:queue status [控制]查看监听主进程状态
  • 执行 php think xadmin:queue stop [控制]平滑停止所有的进程

赞助打赏

赞助

项目版本

体验账号及密码都是admin

ThinkAdmin v6 基于 ThinkPHP 6.0 开发(后台权限基于注解实现)

  • 在线体验地址:https://v6.thinkadmin.top
  • Gitee 代码地址:https://gitee.com/zoujingli/ThinkAdmin/tree/v6
  • Github 代码地址:https://github.com/zoujingli/ThinkAdmin/tree/v6

ThinkAdmin v5 基于 ThinkPHP 5.1 开发(后台权限基于注解实现)

  • 在线体验地址:https://v5.thinkadmin.top
  • Gitee 代码地址:https://gitee.com/zoujingli/ThinkAdmin/tree/v5
  • Github 代码地址:https://github.com/zoujingli/ThinkAdmin/tree/v5

ThinkAdmin v4 基于 ThinkPHP 5.1 开发(不建议继续使用)

  • 在线体验地址:https://v4.thinkadmin.top
  • Gitee 代码地址:https://gitee.com/zoujingli/ThinkAdmin/tree/v4
  • Github 代码地址:https://github.com/zoujingli/ThinkAdmin/tree/v4

ThinkAdmin v3 基于 ThinkPHP 5.1 开发(不建议继续使用)

  • 在线体验地址:https://v3.thinkadmin.top
  • Gitee 代码地址:https://gitee.com/zoujingli/ThinkAdmin/tree/v3
  • Github 代码地址:https://github.com/zoujingli/ThinkAdmin/tree/v3

ThinkAdmin v2 基于 ThinkPHP 5.0 开发(不建议继续使用)

  • 在线体验地址:https://v2.thinkadmin.top
  • Gitee 代码地址:https://gitee.com/zoujingli/ThinkAdmin/tree/v2
  • Github 代码地址:https://github.com/zoujingli/ThinkAdmin/tree/v2

ThinkAdmin v1 基于 ThinkPHP 5.0 开发(不建议继续使用)

  • 在线体验地址:https://v1.thinkadmin.top
  • Gitee 代码地址:https://gitee.com/zoujingli/ThinkAdmin/tree/v1
  • Github 代码地址:https://github.com/zoujingli/ThinkAdmin/tree/v1

Awesome-CS-Books/📚 Awesome CS Books/Series(.pdf by git lfs) Warehouse for Geeks, ProgrammingLanguage, SoftwareEngineering, Web, AI, ServerSideApplication, Infrastructure, FE etc. 💫 优秀计算机科学与技术领域相关的书籍归档。

中文版本 | English Version

Awesome CS Books Warehouse

Copyright © 王下邀月熊 Awesome

Awesome CS Books WarehouseAwesome-Coder 系列的重要组成,笔者阅读/收集的优秀计算机科学与技术领域相关的书籍归档,以 {年份}-{作者}-{书名}-{版本} 方式命名文件。阅读书籍永远是最为系统的学习方式,能够帮助我们缓解过于碎片化带来的技能不连贯性与片面性;本仓库以 IT CS 相关书籍为主,同时也会包含一些著名的、有价值的公开课程,对于书籍归档的原则请参考笔者的 IT 知识图谱与技术路线

为了保持对于原作者的尊重,目录条目中的链接都指向了发布网站/版权网站,所有非开源/非免费书籍皆以 :moneybag: 标识;笔者也使用 Git LFS 将部分书籍的 PDF 版本存放在了仓库目录下,方便读者取阅。需要声明的是,所有的 PDF 文件皆来自网络,若有版权侵犯,请及时告知,笔者先予以道歉并会及时删除;本仓库中的文档仅用于技术共享与交流,请勿用于商业用途。 对于阅读或者下载书籍过程中出现问题的,请参考 Git LFS 或者 Git CheatSheet 教程。

如果您想快速了解某本书的内容,建议前往 Awesome Digests 查看书摘。

About

加密文件的解压密码为:wx-coder

> GIT_LFS_SKIP_SMUDGE=1 git clone ...

Acknowledgements

Copyright & More

技术视野

您还可以前往 NGTE Books 主页浏览包含知识体系、编程语言、软件工程、模式与架构、Web 与大前端、服务端开发实践与工程架构、分布式基础架构、人工智能与深度学习、产品运营与创业等多类目的书籍列表:

NGTE Books

java/

java

​ 欢迎大家进入马士兵大学,希望大家在这里能够学到自己想要学习的技术,获得提升,找到理想的工作!

​ 本课程最贴合企业级需求的java基础课程,向上有完整的知识点覆盖,除了语言自身,数据结构、算法、设计模式、框架思想,多领域实现;向下,生动清晰阐述JVM原理,内存管理,垃圾回收算法,系统调用,多线程及各种锁实现源码分析,BIO/NIO/AIO到Netty源码原理,全程项目贯穿,推动理论实践,上课等于上班,经验超过传统教学后工作一年经验,夯实的课程内容保证你面试时气质、气场双优,同时我们设计课程更多的参考了架构师、大数据方向课程的依赖性,保证学有所用,用之不竭!

为了方便大家更快的进入学习状态,并且能够更好的掌握我们学习的知识,现将资料进行统一整理,大家可以按照自己的实际情况选择性的进行学习:

​ 本课程相关软件下载地址:

​ https://pan.baidu.com/s/1G4mDP_JyJdIpqpTzgqZJ1Q ;提取码:05fu

本课程共享目录地址:

​ https://github.com/bjmashibing/java

​ 在本仓库中所有的内容整理成单独的目录,每个目录中存放对应的资料,大家需要下载的时候去指定的目录下载即可,现将目录每个目录的名称目录展示如下:

javase : java基础语法部分
database : 数据库部分
web 前端 : java web部分

​ 每个具体阶段的目录又按照如下目录存放资料,大家需要哪部分下载即可。

code    //存放上课使用的代码
iamge   //存放markdown文档中使用的图片,注意,下载到本地之后,需要将文档中的图片路径换成自己的图片路径,这样才能正常显示,否则图片显示不出来,在github中是可以直接查看的
note    //存放上课使用的笔记文档或者markdown文档
ppt     //存放上课使用的ppt文件,已转换成对应的pdf,避免不同的软件打开后排版错误
作业     //存放上完课之后的作业,包含答案,但是作业只到继承结束,原因是继承之后更多的是代码,没有理论上的练习题了
注意:

​ 1、希望大家详细参阅上面的描述,以方便找到自己要下载的资料

​ 2、所有的课程相关的资料都是同步更新的,每节课上完之后会上传对应的资料

课程列表名称(已上完的课程):

1   开班典礼    2019/8/6 20:00-22:00
2   Java基本介绍、环境搭建、HelloWorld程序  2019/8/10 15:00-17:00
3   Java基础语法:标识符、保留字、数据类型、运算符   2019/8/10 20:00-22:00
4   Java二进制运算、数据类型的转换、分支结构  2019/8/11 15:00-17:00
5   Java循环结构、Scanner类   2019/8/17 15:00-17:00
6   Java递归算法、数组讲解、排序算法  2019/8/17 20:00-22:00   
7   Java面向过程与面向对象编程思想、类与对象  2019/8/18 15:00-17:00
8   Java面向对象之局部变量和成员变量、引用类型、this、static 2019/8/24 15:00-17:00
9   Java面向对象之代码块、Package、Import、封装  2019/8/24 20:00-22:00
10  Java面向对象之继承、Super、重写、抽象类、抽象方法   2019/8/25 15:00-17:00
11  Java面向对象之Object、多态  2019/8/31 15:00-17:00
12  Java面向对象之接口 2019/8/31 20:00-22:00
13  Java面向对象之内部类、异常简单介绍 2019/9/1 15:00-17:00
14  Java异常及常用类(包装类、String)  2019/9/7 15:00-17:00
15  Java常用类、Java集合框架(Collection)    2019/9/7 20:00-22:00
16  Java集合框架(ArrayList、LinkedList、Vector、Set、HashSet)   2019/9/8 15:00-17:00
17  Java集合框架(HashSet、TreeSet)以及泛型   2019/9/21 15:00-17:00
18  Java集合框架(HashMap、TreeMap)及源码分析  2019/9/21 20:00-22:00
19  Java集合框架(Collections、Arrays)及File类讲解    2019/9/22 15:00-17:00
20  IO流(字节流、字符流、输入流、输出流)    2019/9/22 20:00-22:00
21  IO流(标准输入、标准输出、打印流等) 2019/9/28 15:00-17:00
22  多线程-线程与进程、线程的实现方式   2019/9/28 20:00-22:00
23  多线程-线程的生命周期、线程同步与死锁 2019/9/29 15:00-17:00
24  多线程-生产者消费者问题、线程池    2019/10/12 15:00-17:00
25  网络编程-IP、TCP、UDP1    2019/10/12 20:00-22:00
26  网络编程-IP、TCP、UDP和lambda表达式   2019/10/13 15:00-17:00
27  jdk新特性-lambda表达式    2019/10/19 15:00-17:00
28  jdk新特性-stream api及自定义注解 2019/10/19 20:00-22:00
29  javase复习    2019/10/20 15:00-17:00
30  oracle安装介绍  2019/10/26 15:00-17:00
31  oracle SQL  2019/10/26 20:00-22:00
32  oracle函数和多表连接   2019/10/27 15:00-17:00
39  oracle的join语法及行专列   2019/11/2 15:00-17:00
40  oracle视图、用户管理、序列、DML    2019/11/2 20:00-22:00
41  数据库的事务  2019/11/3 15:00-17:00
42  数据库表的创建、表的约束、索引、数据库设计的范式    2019/11/9 15:00-17:00
43  JDBC及代码分层   2019/11/9 20:00-22:00
44  反射技术实现及封装   2019/11/10 15:00-17:00
45  DBUtil及数据库连接池(dbcp、c3p0)    2019/11/16 15:00-17:00
46  数据库连接池(druid、hikariCP)及索引原理 2019/11/16 20:00-22:00
47  索引原理2、mysql基本架构及日志实现    2019/11/17 15:00-17:00
48  mysql的执行计划  2019/11/23 15:00-17:00
49  mysql的锁机制   2019/11/23 20:00-22:00
50  mysql的主从复制和读写分离 2019/11/24 15:00-17:00
51  html的介绍及标签的使用   2019/11/30 15:00-17:00
52  CSS样式及选择器   2019/11/30 20:00-22:00
53  CSS盒子模型及定位  2019/12/1 15:00-17:00
54  CSS浮动及轮播图演示 2019/12/1 20:00-22:00
55  js介绍及内置功能函数、数据类型、变量 2019/12/7 15:00-17:00
56  js的变量及运算符   2019/12/7 20:00-22:00
57  js的流程控制语句   2019/12/8 15:00-17:00
58  js的函数基本使用   2019/12/14 15:00-17:00
59  js的数组和字符串的基本使用  2019/12/14 20:00-22:00
60  dom操作、常用方法、事件绑定 2019/12/15 15:00-17:00
61  echarts和js对象、函数上下文  2019/12/28 15:00-17:00
62  js构造函数、js原型链、继承及实战案例    2019/12/28 20:00-22:00
63  jquery简介、选择器、常用方法   2019/12/29 15:00-17:00
64  jquery的节点关系及函数操作    2020/1/4 15:00-17:00
65  jquery轮播图及函数库介绍 2020/1/4 20:00-22:00
66  Http协议、php的基本介绍 2020/1/5 15:00-17:00
67  ajax基本原理及使用 2020/1/11 15:00-17:00
68  ajax的接受数据的方式及三级联通案例 2020/1/11 20:00-22:00
69  vue框架的介绍及使用 2020/1/12 15:00-17:00
70  vue框架的调色板、属性值监听、百度预搜索、函数    2020/1/18 15:00-17:00
71  vue框架的生命周期、axios、拉取服务器数据,组件使用   2020/1/18 20:00-22:00
72  vue框架的高阶使用  2020/1/19 15:00-17:00
73  Spring框架的介绍及使用  2020/2/8 15:00-17:00
74  SpringIOC容器的配置使用1   2020/2/8 20:00-22:00
75  SpringIOC容器的配置使用2   2020/2/9 15:00-17:00
76  SpringIOC容器的注解使用    2020/2/15 15:00-17:00
77  SpringAOP的引入及配置使用   2020/2/15 20:00-22:00
78  SpringAOP的详细讲解  2020/2/15 15:00-17:00
79  SpringAOP的声明式事务控制  2020/2/22 15:00-17:00
80  SpringAOP声明式事务及源码讲解 2020/03/07 15:00-17:00
81  Spring源码讲解  2020/03/07 20:00-22:00
82  Spring源码讲解  2020/03/08 15:00-17:00
83  动态代理    2020/03/08 20:00-22:00
84  springmvc简单介绍及使用    2020/03/14 15:00-17:00
85  Springmvc的使用1   2020/03/14 20:00-22:00
86  Springmvc的使用2   2020/03/15 15:00-17:00
87  Springmvc的使用3   2020/03/15 20:00-22:00
88  Springmvc的使用4   2020/03/21 15:00-17:00
89  Springmvc的使用5   2020/03/21 20:00-22:00
90  Springmvc的源码讲解1 2020/03/22 15:00-17:00
91  Springmvc的源码讲解2 2020/03/22 20:00-22:00
92  mybatis的介绍和基本使用1    2020/03/28 15:00-17:00
93  mybatis基本使用2    2020/03/28 20:00-22:00
94  mybatis基本使用3    2020/03/29 15:00-17:00
95  mybatis基本使用4    2020/03/29 20:00-22:00
96  mybatis基本使用5    2020/04/04 15:00-17:00
97  mybatis基本使用6    2020/04/04 20:00-22:00
98  Mybatis源码讲解1    2020/04/05 15:00-17:00
99  何家云项目实战1    2020/04/11 15:00-17:00
100 何家云项目实战2    2020/04/11 20:00-22:00
101 何家云项目实战3    2020/04/12 15:00-17:00
102 何家云项目实战4    2020/04/12 20:00-22:00
103 何家云项目实战5    2020/04/18 15:00-17:00
104 何家云项目实战6    2020/04/18 20:00-22:00
105 何家云项目实战7    2020/04/19 15:00-17:00
106 何家云项目实战8    2020/04/19 20:00-22:00
......持续更新

zh.javascript.info/现代 JavaScript 教程(The Modern JavaScript Tutorial)

现代 JavaScript 教程中文版

Gitter
Telegram

  • 本教程为 React 官方文档 推荐教程,持续更新,永久免费,欢迎扫码关注微信公众号,加入读者群。
  • 如果你正在使用本教程学习,并且认为对你有很大帮助,也请你考虑扫码赞助本项目,请我读一本书 📚

微信扫码关注官方公众号,订阅更多精彩内容

加入读者交流群:

  • 微信群:加微信 imleviding扫二维码,验证信息填写 JS 教程
  • QQ 群:打开 QQ 搜索群号 576578767扫二维码,验证信息填写 JS 教程

本项目托管了现代 JavaScript 教程中文版的内容,该内容发布在 https://zh.javascript.info

目录

翻译

我们希望本教程可以以更多语言呈现。如果你感兴趣,那就快来和我们一起翻译吧。

详见 翻译

贡献指南

翻译流程:

  • 检查 中文翻译进度 issue(Chinese Translate Progress issue)
  • 选择一篇还没有被选走(在 列表 中暂未被人勾选)的文章。
  • 该 issue 中添加以文章标题为内容的评论,如 An Introduction to JavaScript
    • 我们的 bot 会在 列表 中勾选上对应的文章,这样其他人就知道你正在翻译该文章了。
    • 不要在该评论中添加其他说明。
    • 如果你发现有些文章索然已经被勾选,但是勾选人在认领任务后 15 天内未提交译文,此时你仍可以发表以该文章标题为内容的评论(并 @leviding),如 An Introduction to JavaScript @leviding
  • Fork 此仓库并开始翻译。完成翻译后,请提交一个 PR(请在认领翻译后的 15 天内提交)。
    • PR 应以文章标题命名。Bot 会自动补充更多信息。

请给维护者时间来审核和 merge 你的翻译,或者提出对应的修改意见。

如果你想成为一个维护者,请在 给我们提新 issue

如果你愿意的话,请让其他人知道你在翻译这个教程,并尝试邀请他们参与翻译。你可以通过微博或群聊来号召。

🎉 非常感谢!

目前中文版已上线,我们会在“关于本项目”页面写上你的名字和贡献。

注:https://javascript.info/translate 列出了完整的语言列表。

文件结构

每一个章节或任务都在它自己的文件夹里。

这个文件夹以 N-url 命名,N 为用于排序的数字,url 是该内容在网站上的链接中带有内容标题的部分。

文件的类型是依据文件夹中的文件定义的:

  • index.md 对应一个章节,
  • article.md 对应一个文章,
  • task.md 对应一个任务(对应的答案必须在 solution.md 文件中提供)。

每一个文件都以 # 一级标题 开始。

添加新内容非常容易。

翻译提示

请不要添加换行,段落或移除已有的行和段落。这样可以减少 merge 英文版中的新变化时出现的问题。

如果你觉得英文版可以被改善 —— 欢迎,请给 英文版教程发 PR

专有词条

  • 一些具体的专有词不应被翻译。如 “Function Declaration”。
  • 对于其他专有词,如 resolved promiseslashregexp 等等,请先找找本项目 WIKI 中的「英文-中文」术语对照表 中是否已有对应的词条。
    • 若没有对应或近似的近似,则可以寻找其他教程(如:MDN)的翻译。

补充:

  • 专有词条翻译完,在其后方以括号加英文的方式补上原词条,例如:同源政策(Same Origin Policy)或转义(transpile),等等。
    • 若一篇文章出現两次以上相同专有词条,则在第一次之后补上原词条即可。
  • 若都无法找到对应的词条翻译,请直接留下原文词条。

词条含义

在英文中很多词条有明确的含义在內,但对于一个不了解英文的人来说,会忽略该含义。

请谨记有必要时可以多加解释或增加额外的翻译,例如:

`ReadableStream` objects allows to read data chunk-by-chunk.
`ReadableStream` objects 允許一个个资料块(chunk)地读取资料。

标点符号

  • 本教程标点符号格式采用 此份指南
  • 资料链接、增強,都須 留下空白
  • 中文无斜体形式,英文的斜体翻译至中文改为 加粗

  • 斜线号 / 较为特殊,若用于分隔两同类型词条时,请维持半形斜线且两侧不加空白,但在词汇们整体的前后要留一空白做分隔:

    • Increment/decrement can only be applied to variables.递增/递减 只能被套用在变量上。
    • If the result of increment/decrement is not used, ...如果 递增/递减 的結果没被使用,...
  • 语一句话只能有一个逗号,但中文无此限制,可依据语气通顺程度将一些英文句点转为逗号。

  • 列举项目后的文字需加句号。<- 像这样

代码块中的文本

  • 翻译注释。
  • 翻译展示给用户的信息和用来举例的字符串。
  • 不要翻译变量(variables)、类(classes)和标识符(identifiers)。
  • 确保翻译后的代码可以正常运行。 🙂

例:

// Example
const text = "Hello, world";
document.querySelector('.hello').innerHTML = text;

✅ 请这样翻译(翻译注解):

// 范例
const text = 'Hello, world';
document.querySelector('.hello').innerHTML = text;

❌ 別翻译成(不要翻译类):

// 范例
const text = 'Hello, world';
// ".hello" 是一个类
// 不要翻译
document.querySelector('.你好').innerHTML = text;

外部链接

本翻译教程以维持原本外部连结为原则。

但如果这个外部链接是指向 Wikipedia 的,如 https://en.wikipedia.org/wiki/JavaScript,并且其有质量优良的目标语言的译文,请将链接指向该译文。

例如:

[JavaScript](https://en.wikipedia.org/wiki/JavaScript) is a programming language.

✅ OK (en -> zh):

[JavaScript](https://zh.wikipedia.org/wiki/JavaScript) 是一种编程语言。

对于指向 MDN 的外部链接,可以使用部分翻译的版本。

如果外部链接没有翻译的版本,请不要修改该链接。

诠释资料

一些文件,通常是练习题,顶部会有 YAML 的诠释资料(Metadata)并以 --- 分隔:

importance: 5

---
...

请不要翻译 “importance”(和其他放置在顶端的诠释资料)。

Anchors

某些标题以 [#anchor] 结尾,如:

## 扩散运算符 [#spread-operator]

请不要翻译或者去掉 [#...] 部分,它是 URL 锚点元素的依赖。

与英文版同步更新

详见 WIKI 中的「如何进行此教程的后续更新」。

管理员注意事项

详见 WIKI 中的「管理员注意事项」。

更多

更多说明请见 WIKI

在本地运行

你可以在本地运行本教程的服务端来预览你的翻译。

运行服务端的教程请见 https://github.com/javascript-tutorial/server

我们希望与大家合作维护本教程。本教程的贡献者列表请见:https://zh.javascript.info/about


本中文版教程的维护者们 🚀

Java-Interview-Advanced/中华石杉–互联网Java进阶面试训练营

中华石杉–互联网Java进阶面试训练营

[original]
[open-source-organization]
[reading]
[coding]
[sharing]
[stars]
[forks]
[contributors]
[help-wanted]
[issues]
PRs Welcome

内容说明:

本仓库存放的是公众号【狸猫技术窝】和中华石杉老师合作的课程《互联网Java进阶面试训练营》的笔记,版权归狸猫技术窝所有,侵权将追究法律责任

训练营详细信息请关注公众号【狸猫技术窝】了解

公众号:狸猫技术窝

更多技术干货,请扫描下方二维码,关注公众号狸猫技术窝

我的公众号

目录

面试指南

备战面试

常见面试题总结

面经

面试突击第一季

分布式消息队列

搜索引擎

分布式缓存

分库分表

分布式服务框架Dubbo

分布式锁

分布式事务

分布式会话

分布式限流降级

互联网Java进阶面试训练营

第一季-分布式

第二季-高并发

第三季-微服务

第四季-海量数据

第五季-高性能

第六季-高可用

Machine-Learning/⚡机器学习实战(Python3):kNN、决策树、贝叶斯、逻辑回归、SVM、线性回归、树回归

Machine-Learning

  • In English

  • 贵有恒,何必三更起五更睡;最无益,只怕一日曝十日寒。

  • 机器学习实战(详细代码注释+训练数据集)。

  • 个人网站

  • CSDN

  • 知乎

  • 学习交流群:关注公众号,回复交流群,拉你进群!

  • 公众号:JackCui-AI

  • 分享技术,乐享生活:Jack Cui公众号推送技术类文章,涉及深度学习、网络爬虫、Python基础等,欢迎您的关注!

Coder

文章首发声明

  • 文章在自己的个人网站首发,其他平台文章均属转发,如想获得最新更新进展,欢迎关注我的个人网站:http://cuijiahua.com/

第二章:kNN(k-邻域算法)

文章 个人网站 CSDN 知乎
Python3《机器学习实战》学习笔记(一):k-近邻算法(史诗级干货长文) 个人网站 CSDN 知乎

代码

第三章:Decision Tree(决策树)

文章 个人网站 CSDN 知乎
Python3《机器学习实战》学习笔记(二):决策树基础篇之让我们从相亲说起 个人网站 CSDN 知乎
Python3《机器学习实战》学习笔记(三):决策树实战篇之为自己配个隐形眼镜 个人网站 CSDN 知乎

代码

第四章:Navie Bayes(朴素贝叶斯)

文章 个人网站 CSDN 知乎
Python3《机器学习实战》学习笔记(四):朴素贝叶斯基础篇之言论过滤器 个人网站 CSDN 知乎
Python3《机器学习实战》学习笔记(五):朴素贝叶斯实战篇之新浪新闻分类 个人网站 CSDN 知乎

代码

第五章:Logistic(Logistic回归)

文章 个人网站 CSDN 知乎
Python3《机器学习实战》学习笔记(六):Logistic回归基础篇之梯度上升算法 个人网站 CSDN 知乎
Python3《机器学习实战》学习笔记(七):Logistic回归实战篇之预测病马死亡率 个人网站 CSDN 知乎

代码

第六章:SVM(支持向量机)

文章 个人网站 CSDN 知乎
Python3《机器学习实战》学习笔记(八):支持向量机原理篇之手撕线性SVM 个人网站 CSDN 知乎
Python3《机器学习实战》学习笔记(九):支持向量机实战篇之再撕非线性SVM 个人网站 CSDN 知乎

代码

第七章:AdaBoost

文章 个人网站 CSDN 知乎
Python3《机器学习实战》学习笔记(十):提升分类器性能利器-AdaBoost 个人网站 CSDN 知乎

代码

第八章:Regression

文章 个人网站 CSDN 知乎
Python3《机器学习实战》学习笔记(十一):线性回归基础篇之预测鲍鱼年龄 个人网站 CSDN 知乎
Python3《机器学习实战》学习笔记(十二):线性回归提高篇之乐高玩具套件二手价预测 个人网站 no no

代码

第九章:Regression Tree

文章 个人网站 CSDN 知乎
Python3《机器学习实战》学习笔记(十三):树回归基础篇之CART算法与树剪枝 个人网站 no no

代码