来跟我做吧，我不收你钱
只要你愿意卖力做就行
谁不想赚钱，每个人都是绞尽脑子的想各种赚钱的方法，不停的去网上找各种各样的方法来尝试
确实也有很多人付出了努力，但是结果往往确实忙活半天，白白的浪费了一堆力气
为什么呢？
因为你没有找到正确的方向，找到合适的方法去做这个事情
首先，你赚钱，总得找个好的项目吧
但是，你真正去行动之前，分析过你做的项目是否是好项目吗？
并没有！
好的项目有什么特点？
好的项目有这几个特点：
1：产品需求量大，小众产品做起来比较困难
2：利润高，如果毛利非常低，需要靠很大量才能做起来的，这个你就要掂量你是否有那个能力把这个项目做好
3：产品质量好，没有售后问题，好的产品，客户使用后，会帮你宣传，帮你推销，才能越做越好。
4：产品推销简单，不需要太多专业知识，就可以推销出去，这样发展下级代理也简单，别人操作上手快。
5：轻资本，小规模和低风险，投入太多的不合适第一次创业者
具备以上特点的项目，都是一个好的项目
看到这里，你就应该清楚了，你之前做的项目，可能多多少少并不符合上面这些条件
所以就造成了你做了很久都没有赚到钱的窘境
当然了，好的项目只是一个好的开始，在整个你做项目的过程中，其实也只占30%的比重
剩下的70%是什么呢？
其实就是推广营销
因为再好的项目，如果没有营销出去，没有多少客户，那也很难活下来，再烂的项目，只要有源源不断的客户，其实是怎么着都能赚到钱的
如何推广呢？
现在做推广，其实是很难的，为什么？
因为那些开放式的平台把自己家的推广门槛儿设置的很高了
为的是什么？
为的就是让你掏钱给他们，用他们的付费推广方式
但是，大多数人要是有这个钱，还需要去给平台付费推广吗？
不存在的！
那么如何做呢？
首先，你得有一款强大硬核的工具
如下
工具能注册大量的账号供你使用，因为做营销单单有几个账号肯定是不够用的
你想要批量的做出来效果，自然得批量的放大复制下去
有了大量的账号之后，你就可以大量的去平台上面推送你的广告了
软文也好，硬广也好，上的越多，你获得的效果就越好
还可以私信
通过工具，调整好协议，然后大批量的向相关平台上面的用户推送自己的广告
一天下来1万条最次也能引来500多个精准的粉丝
这是私信的方法
然后还可以用来做评论引流
通过大量的自动采集相关的话题，第一时间精准评论到火热的话题下，吸引别人过来找你
大量的生成伪原创文章
还有很多功能，这里就不细说了
做项目就是这样，你把遇到的问题一个个的踩坑排除掉，路自然会畅通无阻
讲完这些，简单说说我们吧
我们和市面上那些垃圾骗子不一样，我们是做项目的，我们做的项目都是在实战中积累经验，一点点踩坑积累盘活的
真正实战去操作的和那些只是空口说句话的，水平自然甩他们几十条街
我们推荐的项目都是执行性强的项目。不仅仅提供项目给你，还提供流量给你 ，这是我们和别人最大的区别。
如果你做过项目，你就会发现，执行流程到最后其实谁都知道，但是有的人能做起来，很多人就是做不起来。
因为你没有工具，就无法批量的去执行，就无法把规模做起来，到最后，你就只能半死不活状态。
我们没有任何的加盟费，也没有压货，让你轻装上阵。所有的路子都已经铺好，只要干就是了 。
以我们的经验，我们提供的项目，一周，基本全部都上手，操作非常简单，你只需要按照我们的方法，我们提供的工具，照着干就行了 。
我们定期会对你进行指导，但是我们不会每天给你打鸡血，我们做项目 ，都很忙，大家都在埋头苦干。
如果你想改变自己当下的现状，可以来找我们交流，有没有硬核的实力，你来了一看便知
参考下图
"""
Implementation of sequential minimal optimization (SMO) for support vector machines
(SVM).
Sequential minimal optimization (SMO) is an algorithm for solving the quadratic
programming (QP) problem that arises during the training of support vector
machines.
It was invented by John Platt in 1998.
Input:
0: type: numpy.ndarray.
1: first column of ndarray must be tags of samples, must be 1 or -1.
2: rows of ndarray represent samples.
Usage:
Command:
python3 sequential_minimum_optimization.py
Code:
from sequential_minimum_optimization import SmoSVM, Kernel
kernel = Kernel(kernel='poly', degree=3., coef0=1., gamma=0.5)
init_alphas = np.zeros(train.shape[0])
SVM = SmoSVM(train=train, alpha_list=init_alphas, kernel_func=kernel, cost=0.4,
b=0.0, tolerance=0.001)
SVM.fit()
predict = SVM.predict(test_samples)
Reference:
https://www.microsoft.com/en-us/research/wp-content/uploads/2016/02/smo-book.pdf
https://www.microsoft.com/en-us/research/wp-content/uploads/2016/02/tr-98-14.pdf
http://web.cs.iastate.edu/~honavar/smo-svm.pdf
"""
import os
import sys
import urllib.request
import matplotlib.pyplot as plt
import numpy as np
import pandas as pd
from sklearn.datasets import make_blobs, make_circles
from sklearn.preprocessing import StandardScaler
CANCER_DATASET_URL = "http://archive.ics.uci.edu/ml/machine-learning-databases/breast-cancer-wisconsin/wdbc.data"
class SmoSVM:
def __init__(
self,
train,
kernel_func,
alpha_list=None,
cost=0.4,
b=0.0,
tolerance=0.001,
auto_norm=True,
):
self._init = True
self._auto_norm = auto_norm
self._c = np.float64(cost)
self._b = np.float64(b)
self._tol = np.float64(tolerance) if tolerance > 0.0001 else np.float64(0.001)
self.tags = train[:, 0]
self.samples = self._norm(train[:, 1:]) if self._auto_norm else train[:, 1:]
self.alphas = alpha_list if alpha_list is not None else np.zeros(train.shape[0])
self.Kernel = kernel_func
self._eps = 0.001
self._all_samples = list(range(self.length))
self._K_matrix = self._calculate_k_matrix()
self._error = np.zeros(self.length)
self._unbound = []
self.choose_alpha = self._choose_alphas()
# Calculate alphas using SMO algorithm
def fit(self):
K = self._k
state = None
while True:
# 1: Find alpha1, alpha2
try:
i1, i2 = self.choose_alpha.send(state)
state = None
except StopIteration:
print("Optimization done!\nEvery sample satisfy the KKT condition!")
break
