这篇文章不提供Shadowsocks账号。
中韩电子商务(B2C和C2C)行业优势对比
这篇报告由我和一位韩国朋友应一个活动要求共同作成。 由于我们两人均不是经济金融相关专业，如有错误或不足，欢迎通过下方评论指正。 韩国篇 作者：金圣浩（水原大学，中语中文系） 韩国电子商务行业的优势相较于中国来说，主要体现在假冒伪劣商品监管， 免税店， 快递服务三个方面。下面将一一展开介绍。
可以在家完成<计算机科学专业>的网络课程整理
基础： 编程语言 （以下课程初学者选一种语言学习后，即可进行后续课程） Java程序设计 http://www.xuetangx.com/courses/course-v1:TsinghuaX+00740123_X+sp/about C++语言程序设计基础 (自主模式) http://www.xuetangx.com/courses/course-v1:TsinghuaX+00740043X_2015_T2+sp/about C++语言程序设计进阶 (自主模式) http://www.xuetangx.com/courses/course-v1:TsinghuaX+00740043_2x_2015_T2+sp/about
数字鸿沟为杨永信“助”了多少力？
最近中国的媒体和网络舆论均集中于杨永信电击疗法和其合法问题。我认为这个现状在暴露中国人权保护法律缺失的同时，也暴露了数字鸿沟问题下“落后区域的青少年对网路的低效率使用问题”以及“父母对网络的误解问题”。城乡数字鸿沟问题不仅体现在互联网的覆盖率上，也体现在人们对网络的使用目的上。较为发达的地区青少年会受到更多相关教育，懂得通过互联网高效学习，获取信息。
About This Blog
The posts about computer science are aimed at sharing and recording the knowledge I accumulated during studying and researching. Almost all posts in Life and Learning category were wrote in Chinese. I want to reorganize and record my thoughts on daily life and learning Of course, I will feel happy…
关于这个博客
这个博客的技术类文章主要是想 分享和记录学习研究过程中积累的知识 而Life and Learning分类的文章 主要是写给自己看 整理自己的想法，做一些记录 如果别人读到感觉有用或者有意思话也会很开心
记一次关于目标梦想，读书和公司管理的演讲 – 김왕기代表的演讲
开始大学生活后，大大小小听了各种演讲。 唯独这一次，让我产生了把它记录下来分享给大家的冲动。 演讲人是由笔者参加的‘韩中未来人才奖学金‘项目邀请的，演讲人信息放在了最后。 目录 关于目标梦想 如何找到自己的兴趣，制定目标梦想 拼尽全力依然失败的原因 成为专家的条件 哪种人才是公司偏好的 哪种人是公司绝对不选的 从根本解决问题 一些提问： 面试最后还有什么想说的？ 长期保持热情的原动力？ 如何有趣得读书？
你的生活就会变得完全不一样 ——《ビリギャル》观感
这两天见到朋友都会推荐《垫底辣妹》这部电影，我感觉身边小伙伴们都值得看一看～ 豆瓣页面 这个电影名称实在让人想吐槽，但是貌似大陆官方翻译就是这样。
Using Stanford POS tagger in NLTK
Add enviroment variable first: export CLASSPATH=dir/stanford-postagger-full-2015-04-20/stanford-postagger.jar export STANFORD_MODELS=dir/stanford-postagger-full-2015-04-20/models http://stackoverflow.com/questions/13883277/stanford-parser-and-nltk/34112695#34112695 >>> from nltk.tag import StanfordPOSTagger >>> st = StanfordPOSTagger(‘english-bidirectional-distsim.tagger’) >>> st.tag(‘What is the airspeed of an unladen swallow ?’.split()) [(‘What’, ‘WP’), (‘is’, ‘VBZ’), (‘the’, ‘DT’), (‘airspeed’, ‘NN’), (‘of’, ‘IN’), (‘an’, ‘DT’), (‘unladen’, ‘JJ’), (‘swallow’, ‘VB’), (‘?’, ‘.’)]
B-Spline Surface Implementation with OpenGL
In this implementation, instead of using any B-Spline built-in functions of OpenGL, I made my own functions calculate points on surface base on given knots and control points. OK, let’s start! Basic Information First of all, I want to specify some notations in this implementation. Here are two core expression…
突然上再读一遍大学和一个小小的梦想
有时候真想重新上一遍大学 现在的我，每天匆匆来往于图书馆 路过书架，有一些整理好的著名电影原著 却从来没有时间翻过 也许应该重新上一遍文科 这样会有大把时间泡在图书馆 慢慢品读 这个小小的梦想 是当我陷于在网上找各种中文教材的电子版的时候突然想到的 所以这个小小的梦想就是 给母校捐赠各种中文书籍 包括工科理科商科社会科学的专业课教材 以及教养科的中文教材 既然捐了专业的书籍，通识教育也应该少不了 所以 中文字典，唐诗宋词辞典等人文工具书 还有人文艺术小说类作品都不能落 嗯，暂时就是这些吧。
我所亲历的“韩国大学“新鲜趣事
首先不得不提的是 韩国人的两个小习惯 刷牙的习惯 无论是图书馆，教学楼还是公司办公室，到卫生间总是能见到韩国人在刷牙。一天刷3次以上都很正常。我见过最奇葩的一次是，在教室跟教授谈话的时候，嘴里衔着牙刷，满嘴泡沫，更神奇的是教授完全没有感觉不合适。那画面太美至今不敢多想。 关于拖鞋
Lemmatization of English words in sentences in XML format by Python
Lemmatization of English words in sentences in XML format by Python Python 2.7, NLTK 3.0 The input XML file look likes this: <?xml version=”1.0″ encoding=”UTF-8″?> <sentences version=”1.0″> <item id=”1″ asks-for=”cause” most-plausible-alternative=”1″> <p>my body cast a shadow over the grass . </p> <a1>the sun be rise . </a1> <a2>the grass be…
Gem5 Basic Guideline
All contents original from https://github.com/dependablecomputinglab This article is just a backup incase myself later using. Gem5 Installation step 1: install prerequisites for Ubuntu $ sudo apt-get update $ sudo apt-get upgrade $ sudo apt-get install -y git build-essential g++ zlib1g-dev scons m4 swig python-dev step 2: Download & Build Download
Notes for reading
Topic 6 Successful students think about how to study. They do not just “study”, diving into material, thoughtlessly trying to memorize it all. They absorb material selectively, building a framework of understanding that can be useful in new situations. make thoughtful descisions about which things were more imprtant than others….
Tips for basic data analysis in Python
source from python.org file header [code language=”python”] from sklearn.decomposition import PCA from sklearn.lda import LDA from numpy import genfromtxt from sklearn import preprocessing import numpy as np [/code] load data from csv file [code language=”python”] raw_sensor = genfromtxt(‘sensor.csv’, dtype=’string’, delimiter=’,’) string_sensor = raw_sensor[1:,1:9] sensor = string_sensor.astype(np.float) X = sensor[:100, 6:8]#0:2…