[其它] ts3idtools:与团队合作的各种工具可以说出3种身份-源码

说明：ts3idtools 与teampeak 3身份一起使用的各种命令行工具。 受到的TSIdentityTool的启发（谢谢！） 如果您想知道身份的确切含义以及其作用方式，请阅读Landave上出色的 。 该工具使用（并包含预编译的二进制文件）来自的加密库。 ts3idgen 生成一个新的身份。 Usage: ./ts3idgen [options] Options: -h, --help Print this usage information -i,
<weixin_42105169> 上传 | 大小：26kb

[其它] chart-screenshot-measure-源码

说明：chart-screenshot-measure
<weixin_42108054> 上传 | 大小：13kb

[其它] Buku_Laravel_LTE-源码

说明：Buku_Laravel_LTE
<weixin_42134240> 上传 | 大小：52mb

[其它] timetable-bot:基于NoneBot的课程提醒机器人-源码

说明：时间表机器人 如何开始 使用nb create生成项目。 在src/plugins文件夹下编写src/plugins 。 使用nb run运行您的机器人。
<weixin_42118701> 上传 | 大小：94mb

[其它] menus-源码

说明：菜单 项目设置 yarn install 编译和热重装以进行开发 yarn serve 编译并最小化生产 yarn build 整理和修复文件 yarn lint 自定义配置 请参阅。
<weixin_42168750> 上传 | 大小：165kb

[其它] tv-源码

说明：tv
<weixin_42103128> 上传 | 大小：5mb

[其它] hazel:现代嵌入式编程语言-源码

说明：淡褐色的语言 | | | 榛树的主要特点 简洁性：不到一个小时就可以学习该语言 快速编译：带有Clang后端的≈80kloc / s，带有x64和tcc后端的≈1百万loc / s （Intel i5-7500，SSD，无优化） 易于开发：Hazel可在不到一秒钟的时间内完成编译 性能：和C一样快（Hazel的主要后端编译为人类可读的C） 安全性：无null，无全局变量，无未定义行为，默认情况下不可变 C到榛树翻译 热门代码重装 创新的内存管理 内置视觉库 轻松交叉编译 替换 C后端 稳定
<weixin_42105570> 上传 | 大小：75kb

[其它] Libilly-源码

说明：Create React App入门 该项目是通过引导的。 可用脚本 在项目目录中，可以运行： yarn start 在开发模式下运行应用程序。 打开在浏览器中查看它。 如果您进行编辑，则页面将重新加载。 您还将在控制台中看到任何棉绒错误。 yarn test 在交互式监视模式下启动测试运行器。 有关更多信息，请参见关于的部分。 yarn build 构建生产到应用程序build文件夹。 它在生产模式下正确捆绑了React，并优化了构建以获得最佳性能。 生成被最小化，并且文件名包括哈希
<weixin_42099906> 上传 | 大小：636kb

[其它] Html_Practice-3_Real_Time_Clock-源码

说明：Html_Practice-3_Real_Time_Clock
<weixin_42129300> 上传 | 大小：40kb

[其它] home-assistant-icons-源码

说明：图标上载以用于家庭助理通知等。
<weixin_42176827> 上传 | 大小：53kb

[其它] social-network-源码

说明：Create React App入门 该项目是通过引导的。 可用脚本 在项目目录中，可以运行： npm start 在开发模式下运行应用程序。 打开在浏览器中查看它。 如果您进行编辑，则页面将重新加载。 您还将在控制台中看到任何棉绒错误。 npm test 在交互式监视模式下启动测试运行器。 有关更多信息，请参见关于的部分。 npm run build 构建生产到应用程序build文件夹。 它在生产模式下正确捆绑了React，并优化了构建以获得最佳性能。 生成被最小化，并且文件名包括哈
<weixin_42172204> 上传 | 大小：375kb

[其它] Slot11_Intro-to-ML-源码

说明：Slot11_Intro-to-ML 描述 该存储库是为我的PESU IO课程“机器学习简介”创建的。 本课程为期四个星期，涵盖了下面列出的各个主题。 第一周[线性回归] 在第1周，我们研究了简单的线性回归并执行了两个示例。 在第一个示例代码中，我们使用numpy中的随机函数生成自己的数据集。 在第二个示例中，我们利用UCI机器学习存储库中的葡萄酒质量数据集，并对它执行线性回归。 第2周[支持向量机] 在星期二，我们了解了一种流行的分类算法：支持向量机。 我们利用UCI机器学习存储库中的乳腺
<weixin_42112658> 上传 | 大小：60kb