没啥用的前言

我的电脑自从买来就故障不断，无故卡死、无故蓝屏、自动重启。好在频率都不高，忍一忍凑合用。最近一段时间蓝屏的频率激增到了忍无可忍的地步，作为一个Geek，我自然要想办法排查一下原因。蓝屏最常见的错误码是KMODE_EXCEPTION_NOT_HANDLED,IRQL_LESS_OR_NOT_EQUAL,PAGE_FAULT_IN_NONPAGED_AREA,这将凶手指向了驱动。然而「Windows Debugger」却分析不到可疑的驱动，有几次分析甚至将故障原因指向硬件。这让找真凶的过程异常艰难。好在微软提供了一个自带工具「Driver Verifier」，它可以检测驱动程序在运行过程中存在的问题，这给“查案”带来了一丝转机。

没用的前言

最近做了一个AI安全会议的倒计时网站，核心思想类似MVVM：开发者维护一份人类可读的yml，网站则根据这些yml生成对应HTML。开发和维护都比较友好，构建也有脚本自动化

作为Python的一个依赖管理工具，Anaconda实现了Pip「全局安装」和virtualenv「本地安装」的折衷，它使用「按名访问」的方式实现环境的隔离，使使用者能够灵活的隔离和共享环境。

然而要使用Anaconda+Jupyter+VSCode这一套组合拳可有不少坑。

清华的Anaconda镜像在华东地区是好是坏，好的时候一切顺利，坏的时候一个24K的包下5分钟；Anaconda的官方源则更惨，连repo.json都下不下来；
今天又是清华的源大姨妈的一天：Pytorch下载到100MB就超时，折腾了三个小时也装不上。而同在华东的SJTU的镜像就很稳定，这次全线换成SJTU啦。

前言

本文的是台湾大学2020机器学习Semi-supervised leraning的笔记。奉行Lazy evaluation策略，对这些知识更深层次的探究只在绝对必要时完成。

前言

支持向量机(Support Vector Machine,SVM)是一个能求解通用二元分类问题的模型。SVM使用Kernel trick，使得自己在能够表示非线性函数的同时Loss是有闭式解的Convex function。也有人把SVM当作线性模型向神经网络过渡的中间阶段。

前言

主成分分析(Principal component analysis,PCA)是一种常用的无监督学习算法。经过PCA后的数据会在它所处理的维度上会不相关(decorelation)。 而PCA所选的维度又通常比本来的维度要小，因此也可以用来做降维处理。

梯度下降法大部分时间都在进行向量和矩阵运算。这些运算是天然可以并行化的。因此使用GPU进行运算会比CPU运算快得多。而常用的框架Tensorflow就通过CUDA提供了GPU运算的支持。