JackLee

地点 三盛国际公园游泳馆 泳池条件 25米 4泳道 室内恒温 拍摄设备 4K运动相机，品牌未知，深圳华强北山寨外贸货, 相机设置为拍摄1080P 30 帧 健身记录截图 视频反馈出来的问题 * 自由泳整体动作不流畅，完整动作看起来像有节奏的抽搐，在水下毫无流线型。 * 蛙泳划臂后下潜的过深，导致前进动力都被阻力消耗。 视频记录

地点 三盛国际公园游泳馆 泳池条件 25米 4泳道 室内恒温 拍摄设备 iphone 6s, 相机设置为拍摄1080P 30 帧 健身记录截图 视频反馈出来的问题 * 换气的时候，头抬有点高，眼睛往后方天上看，没有做到一只眼在水下，一只眼在水上，导致阻力过大。 * 空中移臂未做到完整高肘。 * 打腿不行，尤其是左腿，严重的锄头脚。 视频记录

中毒 昨天下午收到公司 IT 来邮件说，在公司深信服系统中监测出我的电脑疑似中毒: 看到邮件，第一时间觉得不可思议，我用苹果 OSX 系统，中毒概率应该比较低吧。不过深入想了下，自己平时下载软件，能直接下载 DMG 的，就不在 AppStore里面下，平时如果没有认真防范，中招也不是不可能。 中了什么病毒 根据邮件里面的关键字，谷歌了一下： 看来公司IT真没冤枉我，这个 Mokes 有专门针对苹果 OSX 的版本。 查毒杀毒 自从用了苹果系统，就从来没装过杀毒软件，在上一家公司的时候，公司 IT 部门会定期检查员工个人电脑上是否有装杀毒软件，每次临查，我都是提前溜到公司天台去躲避

jenkins 声明式pipeline调用远程Docker执行任务 调用远程服务器执行任务的好处 * 一些 CPU 密集计算型任务，比如编译，静态扫描等等，放在单独的服务器上执行，不会对 Jenkins 所在服务器造成性能负担。 * 通过配置多台同样标签的子节点服务器，可以将多个任务分配到这些子节点上并行处理。 将任务执行环境采用 docker 部署而不是直接安装的好处 * 什么是 Docker ？容器对应用程序的好处 * Docker 有什么优势 Jenkins 配置任务在远程服务器 Docker 容器中执行 1. 配置 Jenkins 子节点 * Step by step g

躺在沙发上看电影的正确姿势 解决什么问题 自己平时通过组装的一台 NAS 下载电影，这台 NAS运行着Ubuntu Desktop系统， 电影下载完了以后，通过 Nas 上面的 VLC 打开，然后在电视上播放。问题来了，观看的过程中 如果需要暂停，快进等操作，得从沙发上爬起来跑到电视旁边用鼠标操作，非常反人类。 解决途经 谷歌后发现 VLC 是可以通过 VLC Remote 软件进行远程控制的，这样躺沙发上，可以通过手机上的应用远程控制NAS上面的 VLC，实现进度条拖拉，换片，暂停播放等操作。 需要的软件 被控制端： VLC 播放应用, 目前看官网，基本全平台支持。 控制端:

Set up the ladder Install v[two]ray on linux server 1 2 3 sudo su bash <(curl -L -s https://install.direct/go.sh) The script installs the following files. * /usr/bin/v[two]ray/v[two]ray: v[two]ray executable * /usr/bin/v[two]ray/v[two]ctl: Utility * /etc/v[two]ray/config.json: Config file

远程智能儿童监控系统 设计背景 现代家庭中父母基本上是双职工，家里的儿童大多数时候由保姆或者爷爷奶奶辈照看，小朋友的顽皮以及活动特征的不可预测性时刻牵挂父母的心，通过现在互联网上的一些IOT产品（如小米摄像头，360摄像头等等），可以让父母很方便的实时查看家中的情况。但是父母也不可能时刻盯着监控画面看，需要在某些条件，某些场景下让父母收到系统通知，并立即播放现场直播画面，由父母选择后续操作。 适用场景 * 父母上班，儿童在家由其他人（如爷爷奶奶）照顾。 ** 当检测到小朋友在当前区域内无人看管，立刻通知远端父母实时查看直播视频，与被监控端进行通话，安抚或者呼叫现场人员。

决策树 决策树是一种非常基础又常见的机器学习模型。 一棵决策树（Decision Tree）是一个树结构（可以是二叉树或非二叉树），每个非叶节点对应一个特征，该节点的每个分支代表这个特征的一个取值，而每个叶节点存放一个类别或一个回归函数。 使用决策树进行决策的过程就是从根节点开始，提取出待分类项中相应的特征，按照其值选择输出分支，依次向下，直到到达叶子节点，将叶子节点存放的类别或者回归函数的运算结果作为输出（决策）结果。 构建决策树 1. 准备若干的训练数据（假设有 m 个样本）； 2. 标明每个样本预期的类别； 3. 人为选取一些特征（即决

#### 逻辑回归 逻辑回归的模型函数 $ h_\theta(x) = \frac{1}{1+e^{-\theta^Tx}} ​$ 逻辑回归的目标函数

逻辑回归 Logistic Regression （LR） 逻辑回归的模型函数 $ h_\theta(x) = \frac{1}{1+e^{-\theta^Tx}} $ 借助数学工具解决问题的方法 * 首先，将目标问题定义为一个函数； * 之后，选取最简单的假设作为其具体形式； * 然后，用事实数据验证该形式，确认有效后沿用，形成数学模型； * 一旦当前采用的数学模型出现问题，则对其进行修正（添加修正项），同样借助事实数据来求取修正项的形式，形成新的（升级版）数学模型。 直接、简单、基于现有成果——这也是人类在现实