使用 WordPress 写博客也有几年时间了，多多少少总结了一些所谓的最佳实践，主要包括站点设置和常用插件方面。WordPress 作为目前最流行的博客系统，积累了大量的插件，但也因此导致 WordPress 的大多漏洞是由于相应插件引起的，个人认为常用的操作可以使用相关插件，而不常用的操作可直接进行相关设置。
WordPress 最佳实践
发表评论
为什么程序员应该使用Windows 10
这篇文章不会说明Windows相较于Linux和macOS对程序员的优势所在，它们三者之间各有优势，本文只想强调相较于之前的Windows版本，程序员更应该使用Windows 10，或许标题应该叫做”为什么程序员应该升级为Windows 10“更为贴切一点。
版本
微软曾经宣布Windows 10将会成为最后一版的Windows，这也意味着之后的Windows将是基于Windows10的改进和更新。直到本文写作之时，已经历过几个重要的Windows 10更新，如下：
- 2015年7月：Windows 10发布，代号Threshold 1，版本1507
- 2015年11月：代号Threshold 2，秋季更新，版本1511
- 2016年8月：代号Redstone 1，周年更新，版本1607
- 2017年4月：代号Redstone 2，创意者更新，版本1703
- 2017年10月：代号Redstone 3，秋季创意者更新，版本1709
- 2018年4月：代号Redstone 4，春季创意者更新，版本1803
每一个重要的版本更新都会引入许多新的功能，比如在创意者更新中加入了游戏模式和Windows Defender安全中心等，秋季创意者更新中引入了微软Fluent Design体系等，春季创意者更新中增加了时间线和就近共享等功能。要了解自己的Windows版本可以在运行窗口中输入winver查看。
计算几何(一)——凸包(Convex Hull)
凸包问题是计算几何（Computational Geometry）的一个重点，同样，如何构造凸包也是一个重要的研究方向，生活中许多问题都会用到构造凸包的知识，比如颜料混合，即如何从已有的颜料中通过混合得到未知的颜料。在这篇文章中，我将介绍5种重要的凸包构造算法，分别是极点算法、极边算法、增量式策略、Jarvis March、Graham Scan等，同时也将通过归约得到凸包构造算法时间复杂度的下界。
机器学习(五)——神经网络的学习算法
代价函数与反向传播
神经网络是当今最强大的学习算法之一，我将开始讲述一种在给定训练集下，为神经网络拟合参数的学习算法，正如我们讨论大多数学习算法一样，我们准备从拟合神经网络参数的代价函数开始讲起，我准备重点讲解神经网络在分类问题中的应用。我还是和以前一样，用m表示训练样本的数量，用大写字母L来表示神经网络结构的总层数，然后我准备用sl表示第L层的单元的数量，也就是神经元的数量，这其中不包括L层的偏差单元，输出层也就是sL，因为L本身等于总层数。我们将会讨论两种分类问题，第一种是二元分类，在这里y只能等于0或1，也就是神经网络的输出结果h(x)会是一个实数，在这类问题里，输出单元的个数sL将是1，为了简化记法，我会把K设为1，这样你可以把K看作输出层的单元数目。我们要考虑的第二类分类问题，就是多类别的分类问题，也就是会有K个不同的类，我们的假设输出就是一个K维向量，输出单元的个数就等于K，通常这类问题里，我们都有K大于或等于3，因为如果只有两个类别，我们就不需要使用这种一对多的方法。我们在神经网络里使用的代价函数，应该是逻辑回归里使用的代价函数的一般化形式，对于逻辑回归而言，我们通常使代价函数J(θ)最小化，也就是-1/m 乘以后面这个代价函数，然后再加上这个额外正则化项，这里是一个j从1到n的求和形式，因为我们并没有把偏差项0正则化。
机器学习(四)——神经网络的表层结构
动机
神经网络实际上是一个相对古老的算法，并且后来沉寂了一段时间，不过到了现在，它又成为许多机器学习问题的首选技术，既然我们已经有线性回归和逻辑回归算法了，为什么还要研究神经网络？有时我们要解决的问题可能依赖于研究复杂的非线性分类器，在此之前，我们只是简单的增加二次项或者三次项之类的逻辑回归算法，但这并不是一个解决复杂非线性问题的好办法，因为当n很大时，将会产生非常多的特征项，最后的结果很有可能是过拟合的，此外，在处理这么多项时，也存在运算量过大的问题。然而对于许多实际的机器学习问题，特征个数n是很大的，比如计算机视觉，神经网络在解决复杂的非线性分类问题上，被证明是一种好得多的算法，即使你输入特征空间或输入的特征维数n很大也能轻松搞定。
机器学习(三)——逻辑回归与正则化
分类及表示
在分类问题中，你要预测的变量y是离散的值，我们将学习一种叫做逻辑回归(Logistic Regression)的算法，这是目前最流行、使用最广泛的一种学习算法。在所有的这些问题中，我们想要预测的变量是变量y，我们可以认为它能够取两个值0或1，是或者不是垃圾邮件，是或者不是欺诈，恶性或良性。标记为0的类，还有一个名字，叫做负类(negative class)，标记为1的类，也叫做正类(positive class)。因此0可能代表良性肿瘤，1可能标记一个恶性肿瘤，将两个类别标记为正类或负类，0或1是任意的，其实怎样都可以，但是通常从直觉上来讲，负类总是表达缺少某样东西的意思，比如缺少恶性肿瘤，而正类就会表示存在某样我们寻找的东西，但是哪个是负类，哪个是正类的定义，有时是任意的，它并不太重要。现在，我们要开始研究只有两类0和1的分类问题，以后我们将讨论多类别问题，多类别问题中的变量y的取值可以是 0 1 2 和 3，或更多，这就是所谓的多类分类问题。那我们怎样开发一个分类算法呢？应用线性回归来解决分类问题通常不是一个好主意，通常来说，对一组数据使用线性回归，你可能会很幸运，但往往不是一个好想法，所以我不会用线性回归算法来解决分类问题。这里还有一个有趣的事情，如果我们要用线性回归算法来解决一个分类问题，对于分类，我们知道y取值为0或者1，但如果你使用的是线性回归，那么假设函数的输出值可能远大于1或者远小于0，这看起来有点儿奇怪，所以我们在接下来要研究的算法就叫做逻辑回归算法，这个算法的性质是，它的输出值永远在0到1之间，并不会大于1也不会小于0。顺便说一下，逻辑回归算法是分类算法，有时候可能因为这个算法的名字中出现了“回归”使你感到困惑，这只是因为历史原因而被这样称呼，所以千万不要被迷惑。
机器学习(二)——多变量线性回归
多变量线性回归
我们将开始介绍一种新的更为有效的线性回归形式，这种形式适用于多个变量，或者多特征量的情况。先简单介绍一下记法，现在我们有四个特征量，我要用x下标1 、x下标2等等，来表示这种情况下的四个特征量，然后仍然用Y来表示，我们所想要预测的输出变量，我要用小写n来表示特征量的数目，之前我们是用的“m”来表示样本的数量，然后我要用x上标(i)来表示第i个训练样本的输入特征值，x上标(2)这样表示，就是一个四维向量，事实上更普遍地来说，这是n维的向量，我用x上标(i)下标j来表示第i个训练样本的第j个特征量，因此具体的来说x上标(2)下标3代表着，第2个训练样本里的第3个特征量。既然我们有了多个特征量，我们的假设形式应该是怎样的，我们就不能再使用以前那种简单的表示方式了，取而代之的，我们将把线性回归的假设改成这样：
机器学习(一)——单变量线性回归
监督学习与无监督学习
监督学习(Supervised learning)，意指给出一个算法，需要部分数据集已经有正确答案。比如给定房价数据集，对于里面每个数据，算法都知道对应的正确房价，即这房子实际卖出的价格。算法的结果就是算出更多的正确价格。监督学习中的一种即回归问题，意指要预测一个连续值的输出，比如房价。虽然从技术上来说，一般把房价记到美分单位，所以实际还是个离散值，但通常把它看作实际数字，是一个标量值，一个连续值的数，而术语回归，意味着要预测这类连续值属性的种类。另一个监督学习的例子是：你能否估算出一个概率，即肿瘤为恶或为良的概率？专业地说，这是个分类问题。分类是要预测一个离散值输出，这里是恶性或良性。事实证明，在分类问题中，有时输出的值可能超过两种。监督学习中，对于数据集中的每个数据，都有相应的正确答案，（训练集）算法就是基于这些来做出预测。回归问题，即通过回归来预测一个连续值输出。分类问题，目标是预测离散值输出。
大话排序
伟大的计算机科学家D.E.Knuth曾指出，四分之一以上的CPU时间都用于执行同一类型的计算：按照某种约定的次序，将给定的一组元素顺序排列，比如将n个整数按通常的大小次序排成一个非降序列。这类操作统称排序(sorting)。
词典
词典(dictionary)这种数据结构在编程语言中很常见，比如Java中的HashMap与Hashtable、Python中的字典等等，一个键值对可以称为一个词条，即entry = (key, value)，而映射(map)就是词条的集合，但其中各词条(的关键码)互异，词典与映射基本相同，但允许词条的(关键码)雷同，进一步，关键码之间可以定义全序关系的词典称为有序词典(sorted dictionary)，映射和词典都是动态的，统称符号表(symbol table)。实现词典的重要技术便是散列(hash)，与其说散列是一种技术，不如说散列是一种思想，它重点解决的问题是数据结构在空间效率上的提高，而依照散列思想所实现的数据结构的访问方式不妨称为寻值访问(call-by-value)，这种方式更为自然，适用范围也更广泛。 继续阅读