Startup News

假期有点空闲,搭建了一个小工具: Startup News.

程序用的就是 Paul Graham 的 Hacker News 的代码,所以跟 HN 很像这是正常的。不过不正常的是,立刻就有人说这是抄袭 HN,问题是,这套代码是开源的。

这就是我们一部分人的思维,只要看界面像,立刻就是抄袭。

话说回来,为什么要弄这个玩具呢?

我自己需要一个这样的工具。每天打开浏览器,我想要大致知道这个行业,关于创业、技术、产品,出现了哪些值得阅读或是值得关注的内容。不一定是最新的内容,那是科技新闻网站要做的事情,我想知道的是潜在的「热点」,或者是一些小众化的流行内容,比如一位技术专家写了一篇技术文章,有深度,但是领域比较窄,这样的文章可能永远也不可能在 36Kr 或者 优快云 或是新浪科技的首页上看到,但是,我需要,这是我自己的需求。而且,上线这几天之间我已经发现了不少值得阅读的内容。

以前用 Google Reader 是可以完成这个需求的一部分,不过自从 Google 主动对 Google Reader 自宫以后,要发现类似的信息成本就变得高了起来。所以,需要一个这样的工具。

但是,既然有了 HN ,又弄一个克隆的东西干嘛呢? 没错, HN 每天我也在看,但是由于语言的关系,那上面永远也不可能出现「中文」的信息。HN 不可或缺,但是,我还需要更多。

那么,你为什么不自己写一个呢或是用其它类似的程序呢? 自己从头做一个没有必要,即使自己写一个,也不可能有 News.arc 这么好。这个程序唯一的遗憾是可定制化不那么灵活(当然搭建也的确够费事的),但是核心功能已经足够好了。其它类似的程序,都没有这个这么简洁精巧。

那么,你为什么不搞一个科技类垂直媒体呢? 我觉得内容的复制来复制去没有必要。与其将内容转贴来粘贴去,还不如,只给一个链接,把流量还给内容的创造者们。

那么,你弄了这个东西就一定能解决你的问题么?不一定。这个东西需要多人合作才能更好玩。一个人或者少数人的视野依然有限,必须要更多的参与者。现在问题变成了: 你乐于参与这种协作么?

那么,这个东西应该如何发展? 为避免陷入更多的空谈,我只能说:我还不知道。需要更多人使用才可能会看到这个工具的价值,也或许本身并没有价值。

那么,怎么才能用呢? 简单的说,第一步,注册;第二步:提交你认为值得提交的内容;第三步:看到别人提交的不错的内容做个投票,循环到第二步. 这几点就够了, 当然也欢迎就特定的话题发表你的看法,讨论一下.

最后,适合哪些人来玩? 创业者,技术人,产品人,投资者… 对科技类新闻感兴趣的所有人. 欢迎大家分享你看到的有价值并值得分享的内容. 也欢迎创业团队分享自己的产品和招聘信息.

一起来玩吧.


更多信息:延伸阅读

Google+
【电力系统】单机无穷大电力系统短路故障暂态稳定Simulink仿真(带说明文档)内容概要:本文档围绕“单机无穷大电力系统短路故障暂态稳定Simulink仿真”展开,提供了完整的仿真模型与说明文档,重点研究电力系统在发生短路故障后的暂态稳定性问题。通过Simulink搭建单机无穷大系统模型,模拟不同类型的短路故障(如三相短路),分析系统在故障期间及切除后的动态响应,包括发电机转子角度、转速、电压和功率等关键参数的变化,进而评估系统的暂态稳定能力。该仿真有助于理解电力系统稳定性机理,掌握暂态过程分析方法。; 适合人群:电气工程及相关专业的本科生、研究生,以及从事电力系统分析、运行与控制工作的科研人员和工程师。; 使用场景及目标:①学习电力系统暂态稳定的基本概念与分析方法;②掌握利用Simulink进行电力系统建模与仿真的技能;③研究短路故障对系统稳定性的影响及提高稳定性的措施(如故障清除时间优化);④辅助课程设计、毕业设计或科研项目中的系统仿真验证。; 阅读建议:建议结合电力系统稳定性理论知识进行学习,先理解仿真模型各模块的功能与参数设置,再运行仿真并仔细分析输出结果,尝试改变故障类型或系统参数以观察其对稳定性的影响,从而深化对暂态稳定问题的理解。
本研究聚焦于运用MATLAB平台,将支持向量机(SVM)应用于数据预测任务,并引入粒子群优化(PSO)算法对模型的关键参数进行自动调优。该研究属于机器学习领域的典型实践,其核心在于利用SVM构建分类模型,同时借助PSO的全局搜索能力,高效确定SVM的最优超参数配置,从而显著增强模型的整体预测效能。 支持向量机作为一种经典的监督学习方法,其基本原理是通过在高维特征空间中构造一个具有最大间隔的决策边界,以实现对样本数据的分类或回归分析。该算法擅长处理小规模样本集、非线性关系以及高维度特征识别问题,其有效性源于通过核函数将原始数据映射至更高维的空间,使得原本复杂的分类问题变得线性可分。 粒子群优化算法是一种模拟鸟群社会行为的群体智能优化技术。在该算法框架下,每个潜在解被视作一个“粒子”,粒子群在解空间中协同搜索,通过不断迭代更新自身速度与位置,并参考个体历史最优解和群体全局最优解的信息,逐步逼近问题的最优解。在本应用中,PSO被专门用于搜寻SVM中影响模型性能的两个关键参数——正则化参数C与核函数参数γ的最优组合。 项目所提供的实现代码涵盖了从数据加载、预处理(如标准化处理)、基础SVM模型构建到PSO优化流程的完整步骤。优化过程会针对不同的核函数(例如线性核、多项式核及径向基函数核等)进行参数寻优,并系统评估优化前后模型性能的差异。性能对比通常基于准确率、精确率、召回率及F1分数等多项分类指标展开,从而定量验证PSO算法在提升SVM模型分类能力方面的实际效果。 本研究通过一个具体的MATLAB实现案例,旨在演示如何将全局优化算法与机器学习模型相结合,以解决模型参数选择这一关键问题。通过此实践,研究者不仅能够深入理解SVM的工作原理,还能掌握利用智能优化技术提升模型泛化性能的有效方法,这对于机器学习在实际问题中的应用具有重要的参考价值。 资源来源于网络分享,仅用于学习交流使用,请勿用于商业,如有侵权请联系我删除!
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值