Orangex

Orangex 是一个专为智能手机设计的, 基于 Termux 的代码编辑器。

详见: Orangex 说明文档

Repo: Orangex-Mobile

Orangex 特点

手机编程

借助 Termux 搭建手机上的 Linux 环境，提供几近于电脑的多语言通用编程体验, 支持 Python, C++, JavaScript, Java 等多种语言。

图形界面

提供专门为手机设计的、移动端友好的文件资源管理器、代码编辑器和终端快速执行界面。

体积较小

Termux 通过 Android 底层的 Linux 系统执行命令，不额外安装其他 Linux 系统；Orangex 以 Web 方式渲染界面，不需要额外安装图形界面，占用手机内存较少。

从零开始

为初学者精心设计的编程教程，无需电脑，只需要一台智能手机就能开始你的编程学习之旅。你好，新世界！

为自己搭建 RSS 订阅提醒服务

缘由

自己一直苦于关注的信息源太杂, 每次想要查看新的信息, 都得打开一堆网站和 APP (如别人的博客, Github, 微博, 知乎, B站之类的). 为了改善自己的订阅体验, 在 @Mexii 的帮助下, 我开始研究如何给自己搭建一个体验良好的 RSS 订阅提醒服务.

最终的解决方案如下:

• Inkrss (开源项目, RSS 订阅提醒的核心, 使用免费的 Cloudflare Workers)
• Vercel (免费的 Serverless 云函数服务, 能够免费托管 NodeJS, Python 代码)
• 企业微信 Server 酱 (免费开通企业微信, 然后使用 Server 酱进行信息提醒)
• RssHub (为了更好的体验, 需要托管在自建的服务器中, 需要服务器)

大致效果如下:

简单方便, 在 VSCode 中使用 Latex 公式和 Python 进行科学计算

简介

Latex Sympy Calculator 是一款 VSCode 插件, 它能够帮助你在 VSCode 写 Latex 或 Markdown 的时候, 一键计算 Latex 书写的数学公式.

当前支持的功能:

1. 算术: 加 (+), 减 (-), 点乘 (·), 叉乘 (×), 除法 (/), 乘方 (^), 绝对值 (|x|), 开方 (√), 虚数 (i)…
2. 字母表: 英文字母 a - z, A - Z, 希腊字母 α - ω, 下标 (x_1), 重音符 (ā)…
3. 常见函数: 最大公约数 (gcd), 最小公倍数 (lcm), 下界 (floor), 上届 (ceil), 最大值 (max), 最小值 (min), 取对数 (log), 自然对数 (ln), 指数 (exp), 三角函数 (sin, cos, tan, csc, sec, cot, arcsin, sinh, arsinh)…
4. 微积分: 求极限 ($lim_{n\to\infty}$), 求导/求微分 ($\frac{d}{dx}(x^2+x)$), 求积分 ($\int xdx$)…
5. 线性代数: 矩阵 (Matrix), 行列式 (Determinant), 转置 (Transpose), 求逆 (Inverse), 初等变换 (Elementary Transformation)…
6. 关系符: 大于 (>), 小于 (<), 大于等于 (≥), 小于等于 (≤), 相等 (=)…
7. 其他: 二项式…

当然, 实际上还有很多其他的功能, 只要是 Python Sympy 包支持的运算, 都可以通过这个插件来实现.

通过这个插件, 你就不再需要一字一句地将 Latex 转译成其他语言, 然后用 Matlab 或 MMA 等数学软件进行科学计算了. 简单的 符号推导, 矩阵运算, 微积分, 科学计算, 完全可以利用这个插件来实现.

如果你也在 VSCode 中用 Latex 或 Markdown 写数学公式, 那么这就是你 必备的 VSCode 科学计算插件.

插件的 GitHub 页面.

latex2sympy2 包的 Github 页面.

在提问之前

阅读《提问的智慧》有感.

每一个人, 特别是学计算机的人, 都要学会通过 STFW 和 RTFM 独立解决问题. 这是由多方原因决定的.

在 Markdown 中书写伪代码

0. 想法来源

最近上算法课需要书写伪代码, 但伪代码一般都是通过 Latex 书写的, 但我又不想专门为了它去写 Latex, 所以就开始考虑如何在 Markdown 中书写伪代码.

根据 “Atwood’s Law” 原则:

Any application that can be written in JavaScript, will eventually be written in JavaScript.

任何可以用 JavaScript 来写的应用, 最终都将用 JavaScript 来写.

我再次将目光投向前端, 寻找符合前端思想的解决方案.

最终我选定了 VSCode + Markdown Preview Enhanced + pseudocode.js 的组合.

(缺点是不能在 VSCode 中实时预览, 这个问题的主要原因是我不想再次魔改和维护别人写的插件了.)

大概效果:

Reversi 黑白棋的前端界面与 AI 实现

1. 黑白棋

黑白棋, 又叫翻转棋 (Reversi), 奥赛罗棋 (Othello), 苹果棋或正反棋 (Anti reversi). 黑白棋在西方和日本很流行. 游戏通过相互翻转对方的棋子, 最后以棋盘上谁的棋子多来判断胜负. 它的游戏规则简单, 因此上手很容易, 但是它的变化又非常复杂.

在线网址: https://reversi.orangex4.cool/

k-means 聚类算法

1. 概念

K-means 算法是一种无监督学习的聚类算法, 其基本思想是, 在几何空间上靠得越近的点就越相似.

2. 步骤

1. 将数据集归一化, 即将数据范围变为 $[0,1]$, 用于保证欧氏距离计算的准确性.
2. 选择 $k$ 个初始点, 用这 $k$ 个和样本维度相等的初始点作为聚类的中心点 (质点), 记作 $a_{i}, i=1,2,\cdots,k$.
3. 对数据集中每一个样本 $x_{i}$ 计算它到这 $k$ 个样本之间的距离, 并将其分到距离最近的中心点对应的类别中. 然后形成 $k$ 个聚类 $C_{i}$.
4. 对于每一个聚类 $C_{i}$, 重新计算它的聚类中心 $\displaystyle a_{i}=\frac{1}{|C_{i}|}\sum_{x\in C_{i}}x$, 即聚类里所有点的质心.
5. 重复第 3. 步骤, 直至这 $k$ 个中心点稳定, 不再变化.
6. 这 $k$ 个新中心点所对应的分类即无监督学习分类结果.

类似过程如图所示.

kNN 近邻分类算法及简单的 Python 实现

1. 概念

kNN 算法是一种分类和回归算法, 这里我们讨论 kNN 算法在分类问题中的应用.

简而言之, kNN 算法, 即给定一个含分类标记训练数据集 (training data), 对于一个新的未分类的新测试样本 (testing sample), 找到和这个测试样本最邻近的 k 个训练样本 (training samples), 则我们将这 k 个训练样本中出现次数最多的类别看作是这个新测试样本的类别, 这就完成了我们的分类问题.

PCA 主成分分析与数据降维

简介

PCA (Principal Component Analysis) 主成分分析是一种重要的数据分析方式, 常常用于高维数据降为低维数据.

PCA 可以用两种方式进行数学推导, 分别称为最大可分型和最近重构型, 前者基于基变换之后的方差最大, 后者基于点到划分平面的距离最小. 在这里, 我们使用最大可分型的方式进行数学推导.

本文大部分数学推导基于【机器学习】降维——PCA —— 知乎@阿泽, 但是做了更为完整易懂的解释, 并且附上了以 iris 数据集 (鸢尾花卉数据集) 为案例的相应的 python 代码实现.

教程向: 在 VSCode 中用 Markdown 做「数字化」学习笔记

VSCode 配上 Markdown 语言, 就能写出酷炫, 便捷, 且适应互联网的「数字化」学习笔记.

这个教程是我这段时间踩过各种各样的坑之后, 总结 VSCode 做学习笔记的最佳实践.

如果你对在 VSCode 中做笔记有什么好的主意, 欢迎留下你的意见, 我会第一时间在教程中加入!