kikifa的博客

版本从11.3 到14.3。11.3之前的请访问 https://download.csdn.net/download/suxinren373737/10126701 。 Xcode：Could not locate device support files 解决办法，将附件文件下载放到 /Applications/Xcode.app/Contents/Developer/Platforms/iPhoneOS.platform/DeviceSupport 目录下，右击Xcode.app--显示包内容（Show Package Contents）可打开Contents目录。

附件为两个.bat脚本文件，用于在Windows下备份MySQL数据库，一个是备份数据库文件，另一个是将数据库导出sql脚本。需要自己修改数据库名称，备份到sql脚本的，需要自己手动创建好路径文件夹。这两个批处理文件都是可以通过Windows任务计划直接调用的，已经测试过了。

该程序是本人开发的，基于百度API的图片文字识别程序，需要联网使用。注意，手机或相机拍的图片尺寸需要重新调整，因为图片尺寸太大不能正确识别。调整方式是用画图打开图片，然后缩小到正常尺寸，然后重新截图，然后再保存截图的新图片，这样才可以正常识别。

基于最新版的0.16.0生成的dll，适用于.net2.0，.net3.5，.net4.0，.net4.6，.netstandard1.5

SocketIO for Unity 是可以用在Unity中的基于广域网的通信插件，需要自己写服务端，当然网上很多，照着写也不难。个人自己写的一个大家可以参考https://github.com/suxinren/socketio-server.git

ASP.NET Core发布IIS运行报HTTP/1.1 500 Internal Server Error，安装该软件后需要重启。该版本为3.1.3 LTS版

ASP.NET Core发布IIS运行报HTTP/1.1 500 Internal Server Error，安装该软件后需要重启。该版本为2.1.17 LTS版

文件是Unity使用AzureKinectDK进行身体跟踪的示例项目。 安装AzureKinectSDK和NVIDIA CUDA后，可以直接运行的Unity项目， 注意仅适用于NVIDIA显卡，Body Tracking官方推荐显卡是GTX1070，我使用1060也可以正常运行。 SDK版本及Unity版本请参加“使用说明”，文档中提供了SDK下载地址。 项目代码仅适用于微软2019年最新的AzureKinectDK，不是之前的Kinect1、2代，请注意区别。

压制包中包括微软最新的AzureKinectDK开发环境搭建SDK，安装教程文档，部分错误解决文档，快速入门文档，由于Boby Tracking的SDK比较大，所以文档中提供了下载链接，以及cuda的下载链接。

Delphi7 编译慢、或 linking 阶段会出错、经常会出现内存泄漏或不足、或 RLink32.DLL 访问出错的情况。 直接把 bolndmm.dll 与rlink32.dll拷贝至delphi7下的bin目录中可以调试了。 按网友的说法 新版的内存管理器或连接器 bolndmm.dll与rlink32.dll 经过优化。

豆瓣电影用户评论数据40万条，包括如下字段：id，time，movieId，rating，content，creator，addTime

好用的SQLite数据库工具，轻量级，免安装，解压即用。

使用python语言实现的豆瓣电影数据搜索下载程序，包含数据文件和源代码

豆瓣电影数据共3.8万条。 包含[名字 投票人数 类型 产地 上映时间 时长 年代 评分 首映地点]

陈志泊写的《数据仓库与数据挖掘》，数据仓库与数据挖掘 - 陈志泊

数据挖掘 概念与技术 第三版中文版 pdf 出版者的话 中文版序 译者序 译者简介 第3版序 第2版序 前言 致谢 作者简介 第1章　引论 1.1　为什么进行数据挖掘 1.1.1　迈向信息时代 1.1.2　数据挖掘是信息技术的进化 1.2　什么是数据挖掘 1.3　可以挖掘什么类型的数据 1.3.1　数据库数据 1.3.2　数据仓库 1.3.3　事务数据 1.3.4　其他类型的数据 1.4　可以挖掘什么类型的模式 1.4.1　类/概念描述：特征化与区分 1.4.2　挖掘频繁模式、关联和相关性 1.4.3　用于预测分析的分类与回归 1.4.4　聚类分析 1.4.5　离群点分析 1.4.6　所有模式都是有趣的吗 1.5　使用什么技术 1.5.1　统计学 1.5.2　 机器学习 1.5.3　数据库系统与数据仓库 1.5.4　信息检索 1.6　面向什么类型的应用 1.6.1　商务智能 1.6.2　Web搜索引擎 1.7　数据挖掘的主要问题 1.7.1　挖掘方法 1.7.2　用户界面 1.7.3　有效性和可伸缩性 1.7.4　数据库类型的多样性 1.7.5　数据挖掘与社会 1.8　小结 1.9　习题 1.10　文献注释 第2章　认识数据 2.1　数据对象与属性类型 2.1.1　什么是属性 2.1.2　标称属性 2.1.3　二元属性 2.1.4　序数属性 2.1.5　数值属性 2.1.6　离散属性与连续属性 2.2　数据的基本统计描述 2.2.1　中心趋势度量：均值、中位数和众数 2.2.2　度量数据散布：极差、四分位数、方差、标准差和四分位数极差 2.2.3　数据的基本统计描述的图形显示 2.3　数据可视化 2.3.1　基于像素的可视化技术 2.3.2　几何投影可视化技术 2.3.3　基于图符的可视化技术 2.3.4　层次可视化技术 2.3.5　可视化复杂对象和关系 2.4　度量数据的相似性和相异性 2.4.1　数据矩阵与相异性矩阵 2.4.2　标称属性的邻近性度量 2.4.3　二元属性的邻近性度量 2.4.4　数值属性的相异性：闵可夫斯基距离 2.4.5　序数属性的邻近性度量 2.4.6　混合类型属性的相异性 2.4.7　余弦相似性 2.5　小结 2.6　习题 2.7　文献注释 第3章　数据预处理 3.1　数据预处理：概述 3.1.1　数据质量：为什么要对数据预处理 3.1.2　数据预处理的主要任务 3.2　数据清理 3.2.1　缺失值 3.2.2　噪声数据 3.2.3　数据清理作为一个过程 3.3　数据集成 3.3.1　实体识别问题 3.3.2　冗余和相关分析 3.3.3　元组重复 3.3.4　数据值冲突的检测与处理 3.4　数据归约 3.4.1　数据归约策略概述 3.4.2　小波变换 3.4.3　主成分分析 3.4.4　属性子集选择 3.4.5　回归和对数线性模型：参数化数据归约 3.4.6　直方图 3.4.7　聚类 3.4.8　抽样 3.4.9　数据立方体聚集 3.5　数据变换与数据离散化 3.5.1　数据变换策略概述 3.5.2　通过规范化变换数据 3.5.3　通过分箱离散化 3.5.4　通过直方图分析离散化 3.5.5　通过聚类、决策树和相关分析离散化 3.5.6　标称数据的概念分层产生 3.6　小结 3.7　习题 3.8　文献注释 第4章　数据仓库与联机分析处理 4.1　数据仓库：基本概念 4.1.1　什么是数据仓库 4.1.2　操作数据库系统与数据仓库的区别 4.1.3　为什么需要分离的数据仓库 4.1.4　数据仓库：一种多层体系结构 4.1.5　数据仓库模型：企业仓库、数据集市和虚拟仓库 4.1.6　数据提取、变换和装入 4.1.7　元数据库 4.2　数据仓库建模：数据立方体与OLAP 4.2.1　数据立方体：一种多维数据模型 4.2.2　星形、雪花形和事实星座：多维数据模型的模式 4.2.3　维：概念分层的作用 4.2.4　度量的分类和计算 4.2.5　典型的OLAP操作 4.2.6　查询多维数据库的星网查询模型 4.3　数据仓库的设计与使用 4.3.1　数据仓库的设计的商务分析框架 4.3.2　数据仓库的设计过程 4.3.3　数据仓库用于信息处理 4.3.4　从联机分析处理到多维数据挖掘 4.4　数据仓库的实现 4.4.1　数据立方体的有效计算：概述 4.4.2　索引OLAP数据：位图索引和连接索引 4.4.3　OLAP查询的有效处理 4.4.4　OLAP服务器结构：ROLAP、MOLAP、HOLAP的比较 4.5　数据泛化：面向属性的归纳 4.5.1　数据特征的面向属性的归纳 4.5.2　面向属性归纳的有效实现 4.5.3　类比较的面向属性归纳 4.6　小结 4.7　习题 4.8　文献注释 第5章　数据立方体技术 5.1　数据立方体计算：基本概念 5.1.1　立方体物化：完全立方体、冰山立方体、闭立方体和立方体外壳 5.1.2　数据立方体计算的一般策略 5.2　数据立方体计算方法 5.2.1　完全立方体计算的多路数组聚集 5.2.2　BUC：从顶点方体向下计算冰山立方体 5.2.3　Star-Cubing：使用动态星树结构计算冰山立方体 5.2.4　为快速高维OLAP预计算壳片段 5.3　使用探索立方体技术处理高级查询 5.3.1　抽样立方体：样本数据上基于OLAP的挖掘 5.3.2　排序立方体：top-k查询的有效计算 5.4　数据立方体空间的多维数据分析 5.4.1　预测立方体：立方体空间的预测挖掘 5.4.2　多特征立方体：多粒度上的复杂聚集 5.4.3　基于异常的、发现驱动的立方体空间探查 5.5　小结 5.6　习题 5.7　文献注释 第6章　挖掘频繁模式、关联和相关性：基本概念和方法 6.1　基本概念 6.1.1　购物篮分析：一个诱发例子 6.1.2　频繁项集、闭项集和关联规则 6.2　频繁项集挖掘方法 6.2.1　Apriori算法：通过限制候选产生发现频繁项集 6.2.2　由频繁项集产生关联规则 6.2.3　提高Apriori算法的效率 6.2.4　挖掘频繁项集的模式增长方法 6.2.5　使用垂直数据格式挖掘频繁项集 6.2.6　挖掘闭模式和极大模式 6.3　哪些模式是有趣的：模式评估方法 6.3.1　强规则不一定是有趣的 6.3.2　从关联分析到相关分析 6.3.3　模式评估度量比较 6.4　小结 6.5　习题 6.6　文献注释 第7章　高级模式挖掘 7.1　模式挖掘：一个路线图 7.2　多层、多维空间中的模式挖掘 7.2.1　挖掘多层关联规则 7.2.2　挖掘多维关联规则 7.2.3　挖掘量化关联规则 7.2.4　挖掘稀有模式和负模式 7.3　基于约束的频繁模式挖掘 7.3.1　关联规则的元规则制导挖掘 7.3.2　基于约束的模式产生：模式空间剪枝和数据空间剪枝 7.4　挖掘高维数据和巨型模式 7.5　挖掘压缩或近似模式 7.5.1　通过模式聚类挖掘压缩模式 7.5.2　提取感知冗余的top-k模式 7.6　模式探索与应用 7.6.1　频繁模式的语义注解 7.6.2　模式挖掘的应用 7.7　小结 7.8　习题 7.9　文献注释 第8章　分类：基本概念 8.1　基本概念 8.1.1　什么是分类 8.1.2　分类的一般方法 8.2　决策树归纳 8.2.1　决策树归纳 8.2.2　属性选择度量 8.2.3　树剪枝 8.2.4　可伸缩性与决策树归纳 8.2.5　决策树归纳的可视化挖掘 8.3　贝叶斯分类方法 8.3.1　贝叶斯定理 8.3.2　朴素贝叶斯分类 8.4　基于规则的分类 8.4.1　使用IF-THEN规则分类 8.4.2　由决策树提取规则 8.4.3　使用顺序覆盖算法的规则归纳 8.5　模型评估与选择 8.5.1　评估分类器性能的度量 8.5.2　保持方法和随机二次抽样 8.5.3　交叉验证 8.5.4　自助法 8.5.5　使用统计显著性检验选择模型 8.5.6　基于成本效益和ROC曲线比较分类器 8.6　提高分类准确率的技术 8.6.1　组合分类方法简介 8.6.2　装袋 8.6.3　提升和AdaBoost 8.6.4　随机森林 8.6.5　提高类不平衡数据的分类准确率 8.7　小结 8.8　习题 8.9　文献注释 第9章　分类：高级方法 9.1　贝叶斯信念网络 9.1.1　概念和机制 9.1.2　训练贝叶斯信念网络 9.2　用后向传播分类 9.2.1　多层前馈神经网络 9.2.2　定义网络拓扑 9.2.3　后向传播 9.2.4　黑盒内部：后向传播和可解释性 9.3　支持向量机 9.3.1　数据线性可分的情况 9.3.2　数据非线性可分的情况 9.4　使用频繁模式分类 9.4.1　关联分类 9.4.2　基于有区别力的频繁模式分类 9.5　惰性学习法(或从近邻学习） 9.5.1　k-最近邻分类 9.5.2　基于案例的推理 9.6　其他分类方法 9.6.1　遗传算法 9.6.2　粗糙集方法 9.6.3　模糊集方法 9.7　关于分类的其他问题 9.7.1　多类分类 9.7.2　半监督分类 9.7.3　主动学习 9.7.4　迁移学习 9.8　小结 9.9　习题 9.10　文献注释 第10章　聚类分析：基本概念和方法 10.1　聚类分析 10.1.1　什么是聚类分析 10.1.2　对聚类分析的要求 10.1.3　基本聚类方法概述 10.2　划分方法 10.2.1　k-均值：一种基于形心的技术 10.2.2　k-中心点：一种基于代表对象的技术 10.3　层次方法 10.3.1　凝聚的与分裂的层次聚类 10.3.2　算法方法的距离度量 10.3.3　BIRCH：使用聚类特征树的多阶段聚类 10.3.4　Chameleon：使用动态建模的多阶段层次聚类 10.3.5　概率层次聚类 10.4　基于密度的方法 10.4.1　DBSCAN：一种基于高密度连通区域的基于密度的聚类 10.4.2　OPTICS：通过点排序识别聚类结构 10.4.3　DENCLUE：基于密度分布函数的聚类 10.5　基于网格的方法 10.5.1　STING：统计信息网格 10.5.2　CLIQUE：一种类似于Apriori的子空间聚类方法 10.6　聚类评估 10.6.1　估计聚类趋势 10.6.2　确定簇数 10.6.3　测定聚类质量 10.7　小结 10.8　习题 10.9　文献注释 第11章　高级聚类分析 11.1　基于概率模型的聚类 11.1.1　模糊簇 11.1.2　基于概率模型的聚类 11.1.3　期望最大化算法 11.2　聚类高维数据 11.2.1　聚类高维数据：问题、挑战和主要方法 11.2.2　子空间聚类方法 11.2.3　双聚类 11.2.4　维归约方法和谱聚类 11.3　聚类图和网络数据 11.3.1　应用与挑战 11.3.2　相似性度量 11.3.3　图聚类方法 11.4　具有约束的聚类 11.4.1　约束的分类 11.4.2　具有约束的聚类方法 11.5　小结 11.6　习题 11.7　文献注释 第12章　离群点检测 12.1　离群点和离群点分析 12.1.1　什么是离群点 12.1.2　离群点的类型 12.1.3　离群点检测的挑战 12.2　离群点检测方法 12.2.1　监督、半监督和无监督方法 12.2.2　统计方法、基于邻近性的方法和基于聚类的方法 12.3　统计学方法 12.3.1　参数方法 12.3.2　非参数方法 12.4　基于邻近性的方法 12.4.1　基于距离的离群点检测和嵌套循环方法 12.4.2　基于网格的方法 12.4.3　基于密度的离群点检测 12.5　基于聚类的方法 12.6　基于分类的方法 12.7　挖掘情境离群点和集体离群点 12.7.1　把情境离群点检测转换成传统的离群点检测 12.7.2　关于情境对正常行为建模 12.7.3　挖掘集体离群点 12.8　高维数据中的离群点检测 12.8.1　扩充的传统离群点检测 12.8.2　发现子空间中的离群点 12.8.3　高维离群点建模 12.9　小结 12.10　习题 12.11　文献注释 第13章　数据挖掘的发展趋势和研究前沿 13.1　挖掘复杂的数据类型 13.1.1　挖掘序列数据：时间序列、符号序列和生物学序列 13.1.2　挖掘图和网络 13.1.3　挖掘其他类型的数据 13.2　数据挖掘的其他方法 13.2.1　统计学数据挖掘 13.2.2　关于数据挖掘基础的观点 13.2.3　可视和听觉数据挖掘 13.3　数据挖掘应用 13.3.1　金融数据分析的数据挖掘 13.3.2　零售和电信业的数据挖掘 13.3.3　科学与工程数据挖掘 13.3.4　入侵检测和预防数据挖掘 13.3.5　数据挖掘与推荐系统 13.4　数据挖掘与社会 13.4.1　普适的和无形的数据挖掘 13.4.2　数据挖掘的隐私、安全和社会影响 13.5　数据挖掘的发展趋势 13.6　小结 13.7　习题 13.8　文献注释 参考文献 索引

最全的全国的shp数据，包括 国界、省界、省 界 线、市界 以 及 县界。

基于C#的在线和客户端聊天系统，源代码分享，特别适合做毕业设计之类的。

这是一个可以发布到HoloLens的socket通信示例，基于Unity5.3.4f1编写的，发布到HoloLens绝对没问题的，你可以根据自己需求自行修改。

本项目是一个基于C#的简易在线报名系统，适合做毕业设计之类的使用

delphi mqtt客户端。支持delphi7，有心跳处理，包括发布和订阅。连接emq测试过。

MAXTOCODE 是世界领先利用WINDOWS底层技术保护.NET源代码的高技术产品。 它可以完美的与您的.NET程序结合在一起，拼尽全力的保护您的源代码和知识产权。 MAXTOCODE 已经完全超越了传统的混淆手段来保护源代码的方式，他将完全加密您的代码，使您的代码完全没有办法反编译。保护强度已经不是混淆器可以与之抗衡，是目前保护强度最大，最完美的.NET产品保护方案。 MAXTOCODE 是 Aiasted.SOFT 完全自主开发的一款 .NET 代码保护工具。它是目前世界上高强度保护工具之一。

基于.net的微信分享demo,分为三个文件 微信工具类，ashx接口，前端调用

Wamp就是Windows Apache Mysql PHP集成安装环境，即在window下的apache、php和mysql的服务器软件。WampServer是一款由法国人开发的Apache Web服务器、PHP解释器以及MySQL数据库的整合软件包。免去了开发人员将时间花费在繁琐的配置环境过程，从而腾出更多精力去做开发。在windows下将Apache+PHP+Mysql 集成环境，拥有简单的图形和菜单安装和配置环境。PHP扩展、Apache模块，开启/关闭鼠标点点就搞定，再也不用亲自去修改配置文件了，WAMP它会去做。再也不用到处询问php的安装问题了，用这软件一切都搞定了。本站提供WampServer官方下载。

可以在HoloLens中运行的好用的Json解析工具。传统的Json.Net x.x.x.unitypackage 包发布到HoloLens如果报错，请选择这个包，个人亲测可以发布到HoloLens正常运行。将解压后的放到Unity Assets自定义文件夹下即可。

直接导入到Unity3d中使用，支持android、IOS、HoloLens（UWP）的json解析库Newtonsoft.json。 This is an Unity3D package of Newtonsoft.Json 9.0.1. (UniGet compatible)

Xcode：Could not locate device support files 解决办法，将附件文件下载放到 /Applications/Xcode.app/Contents/Developer/Platforms/iPhoneOS.platform/DeviceSupport 目录下，右击Xcode.app--显示包内容（Show Package Contents）可打开Contents目录。 此包为最新版Xcode9.2beta2(9C34b)的资源，支持2017-11-7日更新的ios11.1