关联分析是一种发现隐藏在大型数据集中的有趣关系的方法。 给定一组交易，它会找到规则，根据交易中其他项目的出现来预测一个项目的出现。 规则的形式为 A -> B（例如，{洋葱，土豆} - > {汉堡}）。 支持度和置信度的概念用于确定发现的规则的强度。 支持是同时包含 A 和 B 的事务的比例： 支持（A，B）= P（A，B） 置信度是交易的比例，其中 B 中的项目出现在包含 A 的交易中： 置信度(A,B) = P(B|A) 我们使用 Apriori 算法来识别频繁项集。 它通过识别数据库中频繁出现的单个项目并将它们扩展到更大的项目集，同时这些项目满足最低支持要求（数据库中项目的频率）。 然后使用 Apriori 确定的频繁项集来确定关联规则。

STM32F429_Discovery_UCOSII_移植

spring-cloud eureka 注册服务及发现实例，基于Springboot-2.1.10.RELEASE和SpringCloud-Greenwich.SR5

不容易被管理员发现的劫持跳转代码，代码地区判断跳转，使用规则已经写在里面了。

qt版的mdns的使用例子，设备发现的速度比较快

非常好的科普著作，精彩的讲述，生动的案例，有趣的插图

海思一名验证牛人写的验证总结，个人感觉写得还行，当然，里面一些比较偏激的观点可以不采纳。这篇文章可以作为IC初从业人员的参考文档。

自主驾驶车辆的深度模仿学习 自动驾驶汽车已经引起了学术界（例如牛津，麻省理工学院）和工业界（例如Google，特斯拉）的极大兴趣。 但是，由于普遍的知识，我们发现直接实现全自动驾驶（SAE 5级）非常困难。 为了解决这个问题，深度模仿学习是一种有前途的解决方案，可以从人类的演示中学习知识。 在这个项目中，我们研究了如何使用深度模仿学习来实现车辆动态控制（例如转向角，速度）。 我们使用了Udacity（ ）提供的数据集和模拟器以及现实世界中的comma.ai数据集。

发现 用C ++编写的Gameboy Advance模拟器 前言 我十岁的时候，我很清楚地记得观看YouTube上的人们使用一个名为“模拟器”的神秘程序在PC上玩Gameboy游戏。 尽管当时我没有安装自己的技术知识，但是这种经历激发了我对计算机系统的好奇心。 当我越来越了解计算机的工作原理时，我仍然不知道一台机器如何模拟另一台机器的技术细节。 我很早就决定在编程生涯中最终自己创建一个仿真器。 这个项目代表了十年的探索。 警告 该模拟器正在进行中。 在当前状态下，它可能无法很好地工作。 当前有许多未解决的错误。 有什么问题请联络我。 用法 发现当前需要GBA BIOS ROM才能运行（我目前正在使用高级仿真来实现所有BIOS调用，以终止该要求）。 我无法为您提供BIOS ROM。 DuckDuckGo是您的朋友在这里。 要从命令行使用发现： ./discovery path/to/ro

认为因短文本具有特征稀疏性和高度冗余性,微博短文本的预处理及学习方法研究已经成为微博信息挖掘及应用的关键,并在许多方面有着非常重要和广泛的应用。重点分析微博短文本的特性,并对微博短文本的预处理和学习方法及其应用现状进行归纳和总结,包括短文本特征表示、短文本特征拓展与选择、短文本分类与聚类学习、热点事件发现及自动文摘等。最后指出相关研究的局限性,并对未来的发展方向进行展望。