单页不会显示在博客列表，会在导航添加一个菜单。

留言

友情链接

这是一个指向外部地址的单页示例

Github

《人工智能》这本书其实就是告诉我们：个人应该做些什么，才能避免被AI取代？

人工智能

书籍推荐——李开复《人工智能》

情报是信息的一种高纬度形式，威胁是类型，因此威胁情报其实就是针对主体的、关于威胁的高纬度信息。

威胁情报

威胁情报基础知识摘抄

manage.py是每个Django项目中自动生成的一个用于管理项目的脚本文件，需要通过python命令执行。

Django

Python

Web技术——Django常用内置命令汇总

2022年中国网络安全行业白皮书发布，包含了网络安全行业现状与将来的发展趋势

新闻

网络安全

2022年中国网络安全行业白皮书

今天分享一下本人在笔记本上配置TensorFlow环境的过程。
说明
电脑配置：
- Acer笔记本
- CPU Inter Core i5-6200U
- GPU NVIDIA GeForce 940M
- Windows10
所需的环境：
- Anaconda3(64bit)
- CUDA-8.0
- CuDNN-5.1
- Python-3.6
- TensorFlow 或者 TensorFlow-gpu

TensorFlow

Windows10 Anaconda Tensorflow环境搭建

作者：特伦斯·迪金森
译者：谢懿
本书针对天文爱好者，从宇宙结构讲起，详细介绍了夜空中著名的恒星、行星、星团、星系以及彗星、流星和极光等，并介绍了各种观测方法，既包括目视观测，也包括使用双筒望远镜和天文望远镜观测。同时，本书还详细介绍了各类观星器材以及天文摄影所需的器材，包括品牌、选购方式、适用范围、使用方法等等，并给出了参考价位。书的末尾列出了一些参考资料，帮助读者进一步扩大视野。本书将复杂的天文观测问题直观化、亲切化，让星体

天文观测

书籍推荐——《夜观星空：天文观测实践指南》

欢迎来到Python图像处理专题，本专题将涉及图像处理领域的相关理论知识和延伸到计算机图形学及计算机视觉方面的相关理论，涉及方面主要从Photoshop、MSPaint等常见的绘图及图像处理工具的功能点的实现方法等。同时还会有相关的实战项目推出，尽情期待~！

图像处理

OpenCV

Python图像处理专题——序言

一、概述
（1）数据描述
数据来源：本项目数据全部来自华北水利水电大学官网通知页，链接：https://www5.ncwu.edu.cn/channels/5.html
数据获取：日期，发文部门，标题，内容，通知链接等，并将这些数据存储为CSV格式并转存到数据库中。
（2）整体步骤
第一步：从网页上获取HTML内容
第二步：分析网页内容并提取需要的信息
第三步：将获取到的信息整理并保存
第四步：将数据统计，分析

爬虫

数据分析

爬虫&数据分析实战——华北水利水电大学官网通知页

一、概述
1.数据来源
本次数据分析使用的数据来源腾讯视频的《奔跑吧》第九季第八期的弹幕数据。
2.数据概述
数据格式为JSON格式数据，包含在回调函数中，需使用正则表达式提取出来后再进行后续数据分析操作
3.依赖包及格式文件介绍
requests库是一个常用的用于http请求的模块，它使用python语言编写，基于urllib，采用 Apache2 Licensed 开源协议的 HTTP 库，可以方便的对网页进行

爬虫&数据分析实战——腾讯视频《奔跑吧》第九季弹幕数据分析

Faker是一个Python的第三方开源项目，可以生成虚假数据。内置的方法可以快速创建绝大多数类型的数据，比如姓名、地址、电话、身份证、时间、网络信息、文本信息等，并且结合python语法，可以向数据库批量构造压力测试数据。
github地址：https://github.com/joke2k/faker
官方文档：https://faker.readthedocs.io/en/master/

工具

Python工具——使用Faker制造假数据

对于个人收款支付系统，由于没有营业执照，微信、支付宝官方提供的接口无法使用，个人二维码收款又无法完成支付系统后续工作，这个问题一直以来都没有找到一个适合的解决方案。经过不断尝试，最终找到了一个非常好用的第三方工具来解决这个问题——GOGO支付，提供API接口，支付成功可回调接口。

GOGO支付——支付宝&微信个人支付系统解决方案

WebStack是一个网址导航网站，内容均由viggo收集并整理。该项目是基于bootstrap前端框架开发的静态导航页面，无后台管理功能，该项目经多位GitHub网友拓展，产生了很多衍生的版本，大多都已开源。

开发

一个Django版本的开源WebStack导航站点

光线追踪（Ray Tracing）是3D计算机图形学中一种特殊的渲染算法，用于在基于物理的渲染方式中模拟真实世界中的光线照射方式。目前，在动画、游戏等领域已经得到广泛使用。通常情况下，光线追踪很难定义它到底是什么，我们可以简单理解为与传统渲染方式（光栅化）相对的一种渲染方式。光线追踪实现了对光线的模拟，包括光的反射、折射、散射，甚至可以实现波动光学中光的各种性质，虽然能够得到非常不错的效果，但是模拟波动光在理论和实现上具有较大的难度，这也让很多人望

光线追踪

【Ray Tracing】光线追踪——概述

光线是实现光线追踪的基础，本章将说明如何实现一条光线。光线的一些性质
在实现一条光线之前，首先应该要定义光的一些性质（不考虑波动性），假设光线具有以下几个性质（并不是现实中的物理性质）：
1. 光线沿着直线传播
2. 光线之间无法碰撞
3. 光线从光源开始传播到眼睛中（中途可发生反射和折射）
4. 光线路径可逆，即从A发出的到B的光线，一定也可以从B发出到A

【Ray Tracing】光线追踪——光线的定义

图像是由各种各样的图形组成的，而图形的组成部分可以是汽车和街道、云朵和天空、原子和分子等，本章将要介绍基本图形的绘制方法，并将绘制方法通过Python代码实现。

Python图像处理专题——图形的绘制

直方图（Histogram）是一种对数据分布情况的图形表示，是一种二维统计图表，它的两个坐标分别是统计样本和该样本对应的某个属性的度量，以长条图（bar）的形式具体表现。因为直方图的长度及宽度很适合用来表现数量上的变化，所以较容易解读差异小的数值。

Python图像处理专题——直方图的绘制

数字图像处理和计算机图形学中的混合模式（blend mode或mixing mode）用于确定两个图层如何相互混合。大多数应用程序中的默认混合模式只是简单地通过用顶部图层中存在的任何内容覆盖底部图层；因为每个像素都有着不同的数值，所以诞生了许多方法来混合两个图层。

Python图像处理专题——混合模式

从头开始学习李航老师的《统计学习方法》，这本书写的很好，非常适合机器学习入门。什么是感知机？感知机是二类分类的线性分类模型，其输入为实例的特征向量，输出为实例的类别，取+1和-1二值。感知机学习旨在求出可以将数据进行划分的分离超平面，所以感知机能够解决的问题首先要求特征空间是线性可分的，再者是二类分类，即将样本分为{+1, -1}两类。

机器学习

机器学习入门之《统计学习方法》笔记整理——感知机

朴素贝叶斯(naive Bayes)法是基于贝叶斯定理与特征条件独立假设的分类方法。

机器学习入门之《统计学习方法》笔记整理——朴素贝叶斯

逻辑回归(logistic regression)是统计学习中的经典分类方法。其多用在二分类{0,1}问题上。最大嫡是概率模型学习的一个准则将其推广到分类问题得到最大熵模型(maximum entropy model)。逻辑回归模型与最大熵模型都属于对数线性模型。

机器学习入门之《统计学习方法》笔记整理——逻辑斯蒂回归

k近邻算法，即是给定一个训练数据集，对新的输入实例，在训练数据集中找到与该实例最邻近的K个实例，这K个实例的多数属于某个类，就把该输入实例分类到这个类中。

机器学习入门之《统计学习方法》笔记整理——K近邻算法

决策树是一种基本的分类和回归算法。
决策树模型呈树形结构，可以认为是if-then规则的集合，也可以认为是定义在特征空间与类空间上的条件概率分布。
决策树模型由结点和有向边组成，结点分为内部结点和叶结点，内部结点表示特征，叶结点表示类，有向边表示某一特征的取值。

机器学习入门之《统计学习方法》笔记整理——决策树

最大熵原理是概率模型学习的一个准则，最大熵原理认为，学习概率模型时，在所有的可能的概率模型中，熵最大的模型是最好的模型。通常用约束条件来确定概率模型的集合，所以，熵最大原理也可以描述为在满足约束条件的模型集合中选取熵最大的模型。

机器学习入门之《统计学习方法》笔记整理——最大熵模型

支持向量机(support vector machines, SVM)是一种二类分类模型。它的基本模型是定义在特征空间上的间隔最大的线性分类器；支持向量机还包括核技巧，这使它成为实质上的非线性分类器。支持向量机的学习策略就是间隔最大化，可形式化为一个求解凸二次规划(convex quadratic programming)的问题，也等价于正则化的合页损失函数的最小化问。支持向量机的学习算法是**求解凸二次规划的最优化算法。

机器学习入门之《统计学习方法》笔记整理——支持向量机

表格

QTechCode是一个基于izone搭建的专业Python技能分享平台，分享包含Python基础知识、机器学习、神经网络算法、Web技术、信息安全技术、爬虫技术、图像处理技术等诸多内容。