Soft & Share 開源報報 212 – 將來自任何資料庫的資料作為公開無伺服器的 web 服務的命令列工具

學習資源

這是一個包含在 leetcode premium 上可用的公司面試問題列表的儲存庫

• https://github.com/MysteryVaibhav/leetcode_company_wise_questions

此儲存庫中的每個 pdf 檔案都對應於一個基於 leetcode company 標記的針對特定公司的 leetcode 問題列表。

工具

使用拖放( Drag & Drop )網站建構器 javascript 程式庫。

• https://github.com/givanz/VvvebJs

使用 jQuery 和 Bootstrap 4 建構。

使用 Startbootstrap 登陸頁面的演示頁面和 Bootstrap 4元件。

Nightscout Web 監視器 – 血糖監控系統

• https://github.com/nightscout/cgm-remote-monitor

這就像一個基於 Web 的 CGM (連續血糖監測器) ，允許多個照顧者遠端即時檢視病人的血糖資料。伺服器從實體 CGM 讀取 MongoDB 資料，當資料可用時，伺服器將傳送新的 SGV (感測器葡萄糖值)。然後用圖形顯示資料，並使用自迴歸二階模型提前0.5小時預測血糖值。警報是為高值和低值生成的，任何資料觀察者都可以清除這些警報。

用於下載 Udemy 課程的桌面應用程式

• https://github.com/FaisalUmair/udemy-downloader-gui

一個用於下載 Udemy 課程的跨平台(Windows，Mac，Linux)桌面應用程式。

Web 應用程式開發

將來自任何資料庫的資料作為公開無伺服器的 web 服務的命令列工具

• https://github.com/octoproject/octo-cli

Octo-cli 將從任何資料庫中提供的資料作為無伺服器 web 服務，從而簡化了建構資料驅動應用程式的過程。

Knative 和 OpenFaaS 是目前在 octo-cli 中唯一受支援的無伺服器框架。

Octo 將建立一個端點，將你的資料作為服務公開，所有你需要提供的是描述你的服務的 yml 檔案。

用於本地檔案共享的漸進式 Web 應用程式( PWA )

• https://github.com/RobinLinus/snapdrop

Snapdrop: 瀏覽器中的本地檔案共享，受蘋果 Airdrop 啟發。

Snapdrop 使用了以下這些技術

• Vanilla HTML5 / ES6 / CSS3
• Progressive Web App
• WebRTC
• WebSockets
• NodeJS
• Material Design

學術個人網站的 Github Pages 樣板

• https://github.com/academicpages/academicpages.github.io

學術網站的 Github Pages 樣板。這是Stuart Geiger從Minimal Mistakes Jekyll Theme中分離出來的，Minimal Mistakes Jekyll Theme是2016年Michael Rose的作品，由麻省理工學院授權發行。

資料科學

使用 Jupyter  筆記本卡爾曼濾波( Kalman Filter )書。注重建立直覺和經驗，而不是形式上的證明。

• https://github.com/rlabbe/Kalman-and-Bayesian-Filters-in-Python

卡爾曼和貝葉斯濾波器的介紹性文字。所有的程式碼都是用 Python 編寫的，書本身也是用 Juptyer Notebook 編寫的，這樣你就可以在瀏覽器中執行和修改程式碼。

什麼是卡爾曼濾波器和貝葉斯濾波器？

感測器噪音很大。這個世界充滿了我們想要測量和跟蹤的資料和事件，但是我們不能依靠感測器給我們提供完美的資訊。我車上的 GPS 可以報告海拔高度。每次我經過路上的同一個地方，它報告的海拔高度都略有不同。如果我稱同一個物體兩次，我的廚房秤會給出不同的讀數。

在簡單的情況下，解決辦法是顯而易見的。如果我的體重計給出的讀數略有不同，我只需要取幾個讀數，然後平均就可以了。或者我可以用一個更精確的刻度來代替它。但是，當感測器噪音很大，或者環境使資料收集困難時，我們該怎麼辦呢？我們可能試圖追蹤一架低空飛行的飛機的動向。我們可能想為無人機設計一個自動駕駛儀，或者確保我們的農用拖拉機播種整個農田。我研究電腦視覺，我需要在影象中追蹤移動的物體，電腦視覺演算法產生非常吵雜和不可靠的結果。

這本書教你如何解決這些過濾問題。我使用了很多不同的演算法，但它們都是基於貝葉斯機率的。簡單來說，貝葉斯機率基於過去的資訊來決定什麼是真實的。

如果我現在問你我的車的方向，你不會知道的。你提供的數字介於1 ° 和360 ° 之間，正確的機率是1/360。現在假設我兩秒鐘前告訴你它的方向是243 ° 。在2秒鐘內我的車不能轉很遠，所以你可以做出更準確的預測。你正在使用過去的資訊來更準確地推斷有關當前或未來的資訊。

這個世界也是吵雜的。這個預測可以幫助你做出更好的估計，但它也會受到噪音的影響。我可能只是為了一隻狗而剎車，或者在一個路面坑洞附近轉彎。路上的強風和冰是影響我的車行駛路線的外部因素。在控制文獻中，我們稱這為噪音，儘管你可能不這樣認為。

還有更多的貝葉斯機率，但你有主要的想法。知識是不確定的，我們會根據證據的力量來改變我們的信念。卡爾曼濾波器和貝葉斯濾波器混合我們的噪音和有限的知識如何表現一個系統與噪音和有限的感測器讀數產生最佳估計的狀態的系統。我們的原則是絕不放棄資訊。

假設我們正在跟蹤一個物體，一個感測器報告說它突然改變了方向。它真的轉向了嗎，還是資料帶有噪音？這要看情況。如果這是一架噴射戰鬥機，我們會很傾向於相信關於突然機動的報導。如果是直線行駛的貨運列車，我們可以打折扣。我們將根據感測器的精度進一步修改我們的信念。我們的信念取決於過去，取決於我們跟蹤的系統的知識和感測器的特性。

卡爾曼濾波器是由魯道夫 · 埃米爾 · 卡曼發明的，用數學上最優的方法來解決這類問題。它的第一次使用是在阿波羅登月任務，從那時起，它已被用於各種各樣的領域。在飛機、潛艇和巡航導彈上都有卡爾曼濾波器。華爾街用它們來跟蹤市場。它們被用於機器人、物聯網感測器和實驗室儀器。化工廠用它們來控制和監測反應。它們被用來進行醫學成像和去除心臟訊號中的噪音。如果涉及到感測器和/或時間序列資料，通常會涉及 Kalman 濾波器或卡爾曼濾波器的近親。