Howard huowa222

## gist:7cca2022a6dbfbe49d75

简单验证码识别程序(源码)

简单验证码是指验证码图片里的字符，固定不变，或者变化很小的验证码，比如：字符上会有一些感扰点感扰线等情况，或者只有少数几种字体变化和字体大小变化。

这里给出源代码都是非常简单的源代码，学过《C程序设计》的都可以看懂，不会超出书本范围，而且不使用指针，这样VB，Delphi,JAVA 等语言都可以照此写出相应的源代码。

验证码识别可以分为三个大的步骤：预处理，分割，识别。

1. 预处理

## gist:81362b1d82220b41854c

"""""""""""""""""""""""""""""""""""""""""""""""""""""""""""""""
" Maintainer: amix the lucky stiff
"             http://amix.dk - amix@amix.dk
"
" Version: 3.6 - 25/08/10 14:40:30
"
" Blog_post:
"       http://amix.dk/blog/post/19486#The-ultimate-vim-configuration-vimrc
" Syntax_highlighted:

## gist:876646b2ce339386d88b


在这份教程中，我们将会学习到如何组织用户通过PHP上传成人照片或者裸照.

示例   下载

我在phpclasses.org上面偶然发现一个很有用的，由Bakr Alsharif开发的可以帮助开发者基于皮肤像素点来检测图片裸照的类文件.

## gist:9804335

    今天是我非常郁闷的一天，心情很差。today is my blue day. im not in mood to do anything. i know everybody hate aggressive boys.


## gist:9722256

穷人的恶性循环：
穷 -> 需要努力工作 -> 没有时间去交际 -> 人脉越来越狭窄 -> 工作越来越难做 -> 越需要努力去工作 -> 越没有时间去发展人脉 -> 越穷

富人的良性循环：
有钱 -> 工作很轻松 -> 很多时间都在交际上 -> 人脉越来越广 -> 工作越来越不用努力 -> 越有更多的时间精力去发展人脉 -> 越富有

程序员的恶性循环：
加班 -> 没空学习 -> 老是写同等水平代码 -> 无法提升代码质量 -> 老是出BUG -> 老是需要修改 -> 加班 -> ....

## gist:9668681


俗话说，天下武功，唯快不破。也就是说要练成天下高手的话，出招速度一定要快，这样才能在江湖上立足，不至于掉了脑袋。而程序员要在IT界混出个名堂，也要有高效的工作效率才行。IT行业时时刻刻都产生着新知识、新技术，要想跟上变革肯定要有几把刷子。


而我本人很喜欢各种各样的方式来提高自己的工作效率，可以分享给大家一些经验。

1、键盘功底要扎实。敲键盘时要使用标准指法。可能你认为这是程序员的基本功，可是我发现其实很多程序员都做不到这点。看着他们敲代码时那笨拙的指法我就心急。其实炼成标准指法不难，相当年我还是一指禅，打字极慢，痛定思定，在一周内我打字必用标准指法，再别扭也要坚持，一周后就适应了标准指法了。现在不说运指如飞也算是略有小成。练习指法和键盘速度可以给大家推荐一些网站:http://10fastfingers.com/typing-test/english,这个就是练习标准指法的，我可以轻松上60 WPM(每分钟60单词)，有个外国同事可以达到130以上，那才叫恐怖。http://typing.io/lessons，专门供程序员练习敲代码的网站，融合了各种括号和标点，难度有点大。

## gist:9640856


原文地址：http://in.sdo.com/?p=1707
收集和整理了目前互联网上能找到的开源推荐系统，并附上了个人的一些简单点评（未必全面准确），这个列表是目前为止比较全面的了，希望对大家了解掌握推荐系统有帮助（文/陈运文）
SVDFeature
由上海交大的同学开发，采用C++语言，代码质量很高。去年我们参加KDD竞赛时用过，很好很方便，而且出自咱们国人之手，所以置顶推荐！
项目地址：
http://svdfeature.apexlab.org/wiki/Main_Page
SVDFeature包含一个很灵活的Matrix Factorization推荐框架，能方便的实现SVD、SVD++等方法, 是单模型推荐算法中精度最高的一种。SVDFeature代码精炼，可以用相对较少的内存实现较大规模的单机版矩阵分解运算。
另外含有Logistic regression的model，可以很方便的用来进行ensemble运算

## gist:9640835


Apache Mahout 是 ApacheSoftware Foundation (ASF) 旗下的一个开源项目，提供一些可扩展的机器学习领域经典算法的实现，旨在帮助开发人员更加方便快捷地创建智能应用程序，并且，在 Mahout 的最近版本中还加入了对Apache Hadoop 的支持，使这些算法可以更高效的运行在云计算环境中。

在现实中广泛使用的推荐系统一般都是基于协同过滤算法的，一般分为基于用户(user)的协同过滤算法和基于项目（item）的协同过滤算法，这类算法通常都需要计算user和user，item和item之间的相似度，对于不同的数据量和不同类型的数据源，都需要不同的相似度计算方法来提高推荐性能和提高推荐的准确度，幸好在mahout中提供了大量的计算相似度的组件，这些组件实现了一些不同的相似度计算方法：
如图1：基于user的相似度计算


1.Pearson correlation-based similarity（皮尔森用户协同推荐算法）（一般不建议使用）
(PearsonCorrelationSimilarity) 根据用户对于物品的喜好分数进行用户的打分进行推荐，用户之间的相似度从-1~1

## gist:9640781

1.1、摘要
      贝叶斯分类是一类分类算法的总称，这类算法均以贝叶斯定理为基础，故统称为贝叶斯分类。本文作为分类算法的第一篇，将首先介绍分类问题，对分类问题进行一个正式的定义。然后，介绍贝叶斯分类算法的基础——贝叶斯定理。最后，通过实例讨论贝叶斯分类中最简单的一种：朴素贝叶斯分类。

1.2、分类问题综述
      对于分类问题，其实谁都不会陌生，说我们每个人每天都在执行分类操作一点都不夸张，只是我们没有意识到罢了。例如，当你看到一个陌生人，你的脑子下意识判断TA是男是女；你可能经常会走在路上对身旁的朋友说“这个人一看就很有钱、那边有个非主流”之类的话，其实这就是一种分类操作。

      从数学角度来说，分类问题可做如下定义：

      已知集合：和，确定映射规则，使得任意有且仅有一个使得成立。（不考虑模糊数学里的模糊集情况）

## gist:9640745


3.1、摘要
      在前面两篇文章中，分别介绍和讨论了朴素贝叶斯分类与贝叶斯网络两种分类算法。这两种算法都以贝叶斯定理为基础，可以对分类及决策问题进行概率推断。在这一篇文章中，将讨论另一种被广泛使用的分类算法——决策树（decision tree）。相比贝叶斯算法，决策树的优势在于构造过程不需要任何领域知识或参数设置，因此在实际应用中，对于探测式的知识发现，决策树更加适用。

3.2、决策树引导
      通俗来说，决策树分类的思想类似于找对象。现想象一个女孩的母亲要给这个女孩介绍男朋友，于是有了下面的对话：

      女儿：多大年纪了？

	简单验证码识别程序(源码)

	简单验证码是指验证码图片里的字符，固定不变，或者变化很小的验证码，比如：字符上会有一些感扰点感扰线等情况，或者只有少数几种字体变化和字体大小变化。

	这里给出源代码都是非常简单的源代码，学过《C程序设计》的都可以看懂，不会超出书本范围，而且不使用指针，这样VB，Delphi,JAVA 等语言都可以照此写出相应的源代码。

	验证码识别可以分为三个大的步骤：预处理，分割，识别。

	1. 预处理

	"""""""""""""""""""""""""""""""""""""""""""""""""""""""""""""""
	" Maintainer: amix the lucky stiff
	" http://amix.dk - amix@amix.dk
	"
	" Version: 3.6 - 25/08/10 14:40:30
	"
	" Blog_post:
	" http://amix.dk/blog/post/19486#The-ultimate-vim-configuration-vimrc
	" Syntax_highlighted:





	在这份教程中，我们将会学习到如何组织用户通过PHP上传成人照片或者裸照.

	示例下载

	我在phpclasses.org上面偶然发现一个很有用的，由Bakr Alsharif开发的可以帮助开发者基于皮肤像素点来检测图片裸照的类文件.

	今天是我非常郁闷的一天，心情很差。today is my blue day. im not in mood to do anything. i know everybody hate aggressive boys.

	穷人的恶性循环：
	穷 -> 需要努力工作 -> 没有时间去交际 -> 人脉越来越狭窄 -> 工作越来越难做 -> 越需要努力去工作 -> 越没有时间去发展人脉 -> 越穷

	富人的良性循环：
	有钱 -> 工作很轻松 -> 很多时间都在交际上 -> 人脉越来越广 -> 工作越来越不用努力 -> 越有更多的时间精力去发展人脉 -> 越富有

	程序员的恶性循环：
	加班 -> 没空学习 -> 老是写同等水平代码 -> 无法提升代码质量 -> 老是出BUG -> 老是需要修改 -> 加班 -> ....


	俗话说，天下武功，唯快不破。也就是说要练成天下高手的话，出招速度一定要快，这样才能在江湖上立足，不至于掉了脑袋。而程序员要在IT界混出个名堂，也要有高效的工作效率才行。IT行业时时刻刻都产生着新知识、新技术，要想跟上变革肯定要有几把刷子。



	而我本人很喜欢各种各样的方式来提高自己的工作效率，可以分享给大家一些经验。

	1、键盘功底要扎实。敲键盘时要使用标准指法。可能你认为这是程序员的基本功，可是我发现其实很多程序员都做不到这点。看着他们敲代码时那笨拙的指法我就心急。其实炼成标准指法不难，相当年我还是一指禅，打字极慢，痛定思定，在一周内我打字必用标准指法，再别扭也要坚持，一周后就适应了标准指法了。现在不说运指如飞也算是略有小成。练习指法和键盘速度可以给大家推荐一些网站:http://10fastfingers.com/typing-test/english,这个就是练习标准指法的，我可以轻松上60 WPM(每分钟60单词)，有个外国同事可以达到130以上，那才叫恐怖。http://typing.io/lessons，专门供程序员练习敲代码的网站，融合了各种括号和标点，难度有点大。


	原文地址：http://in.sdo.com/?p=1707
	收集和整理了目前互联网上能找到的开源推荐系统，并附上了个人的一些简单点评（未必全面准确），这个列表是目前为止比较全面的了，希望对大家了解掌握推荐系统有帮助（文/陈运文）
	SVDFeature
	由上海交大的同学开发，采用C++语言，代码质量很高。去年我们参加KDD竞赛时用过，很好很方便，而且出自咱们国人之手，所以置顶推荐！
	项目地址：
	http://svdfeature.apexlab.org/wiki/Main_Page
	SVDFeature包含一个很灵活的Matrix Factorization推荐框架，能方便的实现SVD、SVD++等方法, 是单模型推荐算法中精度最高的一种。SVDFeature代码精炼，可以用相对较少的内存实现较大规模的单机版矩阵分解运算。
	另外含有Logistic regression的model，可以很方便的用来进行ensemble运算


	Apache Mahout 是 ApacheSoftware Foundation (ASF) 旗下的一个开源项目，提供一些可扩展的机器学习领域经典算法的实现，旨在帮助开发人员更加方便快捷地创建智能应用程序，并且，在 Mahout 的最近版本中还加入了对Apache Hadoop 的支持，使这些算法可以更高效的运行在云计算环境中。

	在现实中广泛使用的推荐系统一般都是基于协同过滤算法的，一般分为基于用户(user)的协同过滤算法和基于项目（item）的协同过滤算法，这类算法通常都需要计算user和user，item和item之间的相似度，对于不同的数据量和不同类型的数据源，都需要不同的相似度计算方法来提高推荐性能和提高推荐的准确度，幸好在mahout中提供了大量的计算相似度的组件，这些组件实现了一些不同的相似度计算方法：
	如图1：基于user的相似度计算


	1.Pearson correlation-based similarity（皮尔森用户协同推荐算法）（一般不建议使用）
	(PearsonCorrelationSimilarity) 根据用户对于物品的喜好分数进行用户的打分进行推荐，用户之间的相似度从-1~1

	1.1、摘要
	贝叶斯分类是一类分类算法的总称，这类算法均以贝叶斯定理为基础，故统称为贝叶斯分类。本文作为分类算法的第一篇，将首先介绍分类问题，对分类问题进行一个正式的定义。然后，介绍贝叶斯分类算法的基础——贝叶斯定理。最后，通过实例讨论贝叶斯分类中最简单的一种：朴素贝叶斯分类。

	1.2、分类问题综述
	对于分类问题，其实谁都不会陌生，说我们每个人每天都在执行分类操作一点都不夸张，只是我们没有意识到罢了。例如，当你看到一个陌生人，你的脑子下意识判断TA是男是女；你可能经常会走在路上对身旁的朋友说“这个人一看就很有钱、那边有个非主流”之类的话，其实这就是一种分类操作。

	从数学角度来说，分类问题可做如下定义：

	已知集合：和，确定映射规则，使得任意有且仅有一个使得成立。（不考虑模糊数学里的模糊集情况）


	3.1、摘要
	在前面两篇文章中，分别介绍和讨论了朴素贝叶斯分类与贝叶斯网络两种分类算法。这两种算法都以贝叶斯定理为基础，可以对分类及决策问题进行概率推断。在这一篇文章中，将讨论另一种被广泛使用的分类算法——决策树（decision tree）。相比贝叶斯算法，决策树的优势在于构造过程不需要任何领域知识或参数设置，因此在实际应用中，对于探测式的知识发现，决策树更加适用。

	3.2、决策树引导
	通俗来说，决策树分类的思想类似于找对象。现想象一个女孩的母亲要给这个女孩介绍男朋友，于是有了下面的对话：

	女儿：多大年纪了？