一. 前言

一个看似很简单的问题, 就是访问剪切板.

edge浏览器有一项功能就是复制连接粘贴到md文件时会自动复制标题并形成上面的链接形式.

鉴于edge已经臃肿得难以忍受, 大部分时间使用的是百分浏览器 - 追求速度, 简约和安全的网络浏览器, 所以就想写个脚本书签来实现这个功能.

按理说这个功能很简单, 就是复制网页的标题和链接, 然后拼起来复制到剪切板即可, 但最后发现访问剪切板是很麻烦的.

因为之前写过的脚本都是使用tampermonkey提供的GM_setClipboard, 从未注意到原生js api实现复制内容到剪切板所存在的问题.

一. 前言

一些虚拟机的使用记录.

• exsi
• vm workstation
• hyperV

Statistics versus machine learning | Nature Methods

一. 前言

(图与文无关, 来源马斯克 X, 对 AI/机器学习 过度夸张营销的嘲讽)

文章从生物科研的视角阐述统计学和机器学习的差异和联系.

以下是正文的基本翻译, 仅供参考.

Statistics draws population inferences from a sample, and machine learning finds generalizable predictive patterns.

统计学从样本中得出总体推断, 机器学习发现可泛化的预测模式.

一. 前言

基于JavaScript的分词工具实际上不少, 但是大部分是无法运行在浏览器上的, 多数只能在nodejs上运行, 或者是浏览器端的表现不佳(速度, 效果).

一直试图尝试将机器学习(统计/贝叶斯, 效仿垃圾邮件的过滤机制)引入到JavaScript(tampermonkey)实现对内容相对智能 的拦截, 但是一直找不到比较好的解决方案(特别是分词的处理).

一. 前言

模拟分析, 可以视作规划求解的组成部分.

Excel规划求解示例 - 上架商品利润最大化 | Lian (kyouichirou.github.io)

二. 模拟分析

通过使用 Excel 中的模拟分析工具, 可以在一个或多个公式中使用多个不同的值集来浏览所有不同结果.

例如, 可以执行模拟分析来构建两个预算, 并假设每个预算具有特定收益. 或者可以指定希望公式产生的结果, 然后确定哪个值集产生此结果. Excel 提供数种不同工具来帮助执行适合需求的分析.

一. 前言

小型工控机-软路由配置拾遗 | Lian (kyouichirou.github.io)

在上篇文章中, 介绍了各种远程连接的方式, 在这里还有一个坑要填, 那就是在iPhone上无法ssh连接exsi.

二. 解决

os: ios 14
terminal: PortX (尝试了多个不同的终端还是无法明文密码登录)

SSH access may fail post upgrade to ESXi 7.0 Update 3d (88055) (vmware.com)

不知道是哪边的锅, 看了下vm的文档, 可能是不同版本的ssh使用加密方式上的差异导致.

一. 前言

实现目标:

• 路由器
• 文件分享
• 虚拟机

主要解决局域网内开发环境分散(如: 多设备, 多python环境, 多个MySQL), 移动端广告难以拦截, 多设备文件分享麻烦, 以及多设备控制过于麻烦等问题.

简而言之, 就是: 净化 - 统一.

(上图: 号称难度系数最高数独)

数独是一个非常有趣的数学游戏, 最为常见的形式为九宫格(也有四宫格, 六宫格等): 9 x 9

一. 前言

在Excel规划求解加载项 | Lian (kyouichirou.github.io)一文, 使用规划求解加载项进行了简单的演示, 这里使用一个稍微复杂的示例来看看excel的求解器是否可以实现.

以下翻译并不逐字翻译.

Advanced LP Solving

Despite the maturity of LP technology, some use cases require more advanced techniques. For example, a number of different LP algorithms and implementations are available, each of which has strengths and weaknesses. Furthermore, numerical instability can cause solvers to slow down or fail to solve certain models.

尽管线性规划求解器的技术已经非常成熟, 但是在一些案例中依然需要一些更为先进的技术. 例如, 在大量的不同线性规划的求解算法和其实现中, 不同的算法之间各有优劣. 此外, 数值的不稳定可能导致模型的求解非常缓慢或是无法求解.

This guide introduces the concepts and provides examples to help you get the most performance and reliability out of LP solvers.

以下将介绍相关的案列, 以充分了解各个线性求解算法的性能和可靠性