5、搭建 Linux 系统:硬件选择与组件解析

搭建 Linux 系统:硬件选择与组件解析

1. 终端用户培训与硬件决策

终端用户培训至关重要,对于 Linux 软件和硬件而言,用户专业知识的提升都不可或缺。习惯微软 Windows 或苹果 MacOS 的用户通常能较轻松地适应 Linux,若为其提供完整的桌面环境,如 K Desktop Environment(KDE)或 GNU Network Object Model Environment(GNOME),适应过程会更加顺利。在将大量用户从其他操作系统迁移至 Linux 时,可以组织 Linux 入门培训,展示 Linux 系统并强调其与旧系统的差异。

确定计算机大致规格和预算后,便可着手确定具体规格。若具备相关知识,建议明确每个组件的制造商和型号,并准备一到两个备用选项(不过,随机存取存储器(RAM)接近标准化商品,多数人购买时不太关注品牌,但 RAM 类型很重要)。之后可将清单带到商店,与特定系统中的组件进行对比,或交给定制电脑店获取报价。若对特定组件了解不足,可省略部分组件(如硬盘、光盘驱动器、显示器和主板)的品牌和型号。同时,务必研究视频卡、网卡、SCSI 主机适配器(若使用 SCSI 组件)和声卡(若计算机配备)与 Linux 的兼容性,这些组件可能会给 Linux 带来问题,提前研究可避免后续使用时的困扰。

2. 个人计算机硬件概述

计算机由多个组件构成,各组件需以高度可控的方式相互协作。若单个组件出现故障或组件间交互异常,计算机整体可能会出现细微或明显的故障。计算机的主要组件如下:
|组件名称|说明|
| ---- | ---- |
|主板|主板(有时也称为主机板)承载中央处理器(CPU)、RAM 和插卡

根据原作 https://pan.quark.cn/s/459657bcfd45 的源码改编 Classic-ML-Methods-Algo 引言 建立这个项目,是为了梳理和总结传统机器学习(Machine Learning)方法(methods)或者算法(algo),和各位同仁相互学习交流. 现在的深度学习本质上来自于传统的神经网络模型,很大程度上是传统机器学习的延续,同时也在不少时候需要结合传统方法来实现. 任何机器学习方法基本的流程结构都是通用的;使用的评价方法也基本通用;使用的一些数学知识也是通用的. 本文在梳理传统机器学习方法算法的同时也会顺便补充这些流程,数学上的知识以供参考. 机器学习 机器学习是人工智能(Artificial Intelligence)的一个分支,也是实现人工智能最重要的手段.区别于传统的基于规则(rule-based)的算法,机器学习可以从数据中获取知识,从而实现规定的任务[Ian Goodfellow and Yoshua Bengio and Aaron Courville的Deep Learning].这些知识可以分为四种: 总结(summarization) 预测(prediction) 估计(estimation) 假想验证(hypothesis testing) 机器学习主要关心的是预测[Varian在Big Data : New Tricks for Econometrics],预测的可以是连续性的输出变量,分类,聚类或者物品之间的有趣关联. 机器学习分类 根据数据配置(setting,是否有标签,可以是连续的也可以是离散的)和任务目标,我们可以将机器学习方法分为四种: 无监督(unsupervised) 训练数据没有给定...
评论
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