引言这玩意比较神奇的就是不需要客户端，直接bash就能跑，缺点是必须公众号… 还有比较好用的就是可以直接分享局域网下面的其他端口，我觉得还挺有用的。 效果展示过程结论引用 i996 内网穿透/证书签发 GitHub - bugfan/i996: 免费 免搭建 免安装 内网穿透 ssl证书签发 远程办公 居家办公工具 方便调试微信小程序 (客户端无需安装任何程序拿来即用) 类似于natapp ngrok

引言为什么在mac上使用ios应用呢？ 比如三国杀移动端和网页不共通，比如手机bing免费GPT-4, 这个时候M1/M2就很优秀！ 但是官方是不允许直接安装的，所以我们要想想办法。 效果展示过程结论引用 「模拟器」有它就可以在Mac上运行iOS应用程序和游戏 - 知乎 Decrypt IPA Store GitHub - PlayCover/PlayCover: Community fork of PlayCover 叶子库导航 | IOS资源分享—做最稳定最优秀的iPA下载网站

向整个文档添加行号在 “布局” 选项卡上的 “页面设置” 组中，单击 “行号”。 “页面设置” 组中的行号 注意：如果您的文档分为多个部分，并且您希望为整个文档添加行号，首先需要选择该文档。在 “开始” 选项卡上的 “编辑” 组中单击 “选择”，然后单击 “全选”。或按 CTRL + A。 执行下列操作之一： 若要在整个文档中连续编号，请单击 “连续”。 若要从每页上的数字 1 开始，请单击 “重新开始每一页”。 若要在每个分节符后开始编号，请单击 “每节重新编号”。 有关更多高级行编号选项（如以不同间隔编号），请单击 “行号选项”，然后单击 “布局” 选项卡上的 “行号”。

引言引用 比 zerotier 更好的内网穿透方案 – Tailscale Tailscale

引言效果展示过程结论引用 sklearn.svm.SVC — scikit-learn 1.3.2 documentation

引言效果展示过程结论最后重装了 scipy 解决了。 引用 记录一次 Pytorch 使用中遇到 Segmentation fault (core dumped) 的经历 - 知乎

引言效果展示过程autoML[2]安装[3] 12conda install gxx_linux-64 gcc_linux-64 swigconda install auto-sklearn 结论引用 tpot AutoML: Ensemble！自動化集成學習戰力大評比 — — AutoKeras vs. Auto-Sklearn vs. TPOT vs. FLAML | by Alan Wang | Medium Installation — AutoSklearn 0.15.0 documentation

引言知其然而不知其所以然的态度做学问迟早要吃大亏的，不如说是前期工作做的越多越好，后期就会越爽越轻松。机器学习方面，虽然大家都是调参小子，但是随便调只为了拟合测试集肯定是不对的，所以我认为好好看看每个参数代表什么是很有必要的。这次主要看的是 xgboost 的参数详情，来自官网[1]. 参数详情部分翻译来源于[2], 详细说明参照官网[3]. 通用参数booster [默认=gbtree]描述：选择要使用的提升器类型，可以是 gbtree（树模型）、gblinear（线性模型）或 dart（Dropouts meet Multiple Additive Regression Trees）。 device [默认=cpu]描述：XGBoost 运行的设备选择，可设置为以下值：cpu: 使用 CPU。cuda: 使用 GPU（CUDA 设备）。cuda:: 是指定要使用的 GPU 的序数（如果有多个设备）。gpu: 默认 GPU 设备选择，从可用且受支持的设备列表中选择。目前只支持 cuda 设备。gpu:: 默认 GPU 设备选择，从可用且受支持的设备列表中选择。目 ...

引言效果展示过程选用指引机器学习数据标准化的六种方法[1] 123456789if data == 'Non-Normal Distribution': try power_transformelif data contains outliers: try robust_scaleelse: try minmax_scaleif data == 'Normal Distribution': try scale, normalize 判断是否满足正态分布的方法[2,3,4,5] 是否归一化在机器学习中，基因表达量通常使用测序数据的读取计数或归一化读取计数作为值。这些值可以通过 RNA 测序（RNA-seq）获得，这是一种使用高通量测序技术来识别和定量转录 RNA 的方法。然后，这些读取计数可以进一步归一化以消除实验偏差和技术偏差。 例如，常见的归一化方法包括 TPM（每百万转录本）和 FPKM（每千基因每百万映射）或 RPKM（每千基因每百万映射）。这些方法考虑了基因长度和测序深度的影响，使得不同样本之间的基因表达量可以 ...

引言首先，这个我怀疑不是 log 数据，而是 tpm, tpm 加一起是 1 百万，所以单个一般就是几，十几二，ComBat 的输入要求是经过归一化操作的表达量数据，归一化的方法可以是 array 等包处理的，也可以用 ComBat-Seq 处理 raw count三，在 sva 包的 sva for sequencing (svaseq) 一节中，作者说In our original work we used the identify function for data measured on an approximately symmetric and continuous scale. For sequencing data, which are often represented as counts, a more suitable model may involve the use of a moderated log function(在我们最初的工作中，我们对在近似对称和连续尺度上测量的数据使用了识别函数。对于通常表示为计数的测序数据，更合适的模型可能涉及使用调节的对数函 ...