[add] map

docs/About/map.md

@@ -0,0 +1,14 @@
+---
+tags:
+- 旅游
+hide:
+- tags
+- toc
+---
+
+# 点亮的地图
+
+!!! info "2024.05.11"
+    最近想去广西转转，有没有老表给点意见？
+
+<iframe src="https://www.google.com/maps/d/embed?mid=1WjiMmOgEu47pkKSe1hLhrtUEFR2xLRo&ehbc=2E312F&noprof=1" width="100%" height="500"></iframe>

docs/Note/vscode/modify_extension.md

@@ -0,0 +1,68 @@
+---
+tags:
+ - vscode
+---
+
+# 如何修改vscode扩展
+
+vscode默认支持的markdown语法比较少，我日常使用的几个扩展语法都不支持。有个插件可以部分兼容，但总是有一些不满意的地方：
+<figure markdown>
+[![qjebbs/vscode-markdown-extended](https://gh-card.dev/repos/qjebbs/vscode-markdown-extended.svg?fullname=)](https://github.com/qjebbs/vscode-markdown-extended)
+</figure>
+
+好在它是开源的，那我就自己改一改。
+
+一番搜索发现需要使用`node.js`工具链，没咋用过于是记录一下。
+
+## 安装nvm
+
+nvm（Node Version Manager）是node.js的版本管理器，可以安装不同版本的node。
+
+> 为什么Python官方不做一个这样的工具呢！
+
+安装也很简单，在Linux上只需要执行：
+```bash
+# installs NVM (Node Version Manager)
+curl -o- https://raw.githubusercontent.com/nvm-sh/nvm/v0.39.7/install.sh | bash
+```
+
+## 安装node
+使用之前安装的nvm，安装`node.js v18`（最新版本是`v20`，但是这个扩展要求`v18.x`）。
+```bash
+# download and install Node.js
+nvm install 18
+
+# verifies the right Node.js version is in the environment
+node -v # should print `v18.20.2`
+
+# verifies the right NPM version is in the environment
+npm -v # should print `10.5.0`
+```
+
+## 安装项目的依赖
+接下来就可以把项目的源代码clone下来，在项目的根目录使用命令：
+```bash
+npm install
+```
+
+即可安装项目的依赖包。
+
+!!! info "package.json"
+    node项目的所有信息都写在`package.json`中，类似于Python项目的`pyproject.toml`。
+
+## 打包扩展
+修改完代码后，使用`vsce`来打包扩展：
+```bash
+# 全局安装vsce
+npm install --global vsce
+```
+```bash
+# 使用vsce打包项目
+vsce package
+```
+
+然后项目根目录就会生成打包好的`.vsix`文件了。
+
+## 安装扩展
+最后，直接安装`.vsix`文件即可。
+![](assets/2024-05-11-21-25-01.png)

docs/SomeMath/prob/conditional_expectation.md

@@ -45,7 +45,7 @@ $$
 !!! cite "投影定理"
     $\mathcal{H}$是Hilbert空间，那么$\forall x\in \mathcal{H}$，任意非空闭子集$C\subset \mathcal{H}$，都存在唯一的$m \in C$使得
     $$
-    m = \argmin_{y \in C} \lVert x-y \rVert
+    m = \arg\min_{y \in C} \lVert x-y \rVert
     $$
 
     如果$C$还是线性子空间，那么$m$是唯一的元素使得$x-m \perp C$。
@@ -56,7 +56,7 @@ $$
 ### 期望
 所有常数构成的集合$\mathbb{R}$是$L^2$的线性闭子空间，那么存在唯一的$m\in \mathbb{R}$：
 $$
-m = \argmin_{y \in \mathbb{R}} \lVert X-y \rVert = \argmin_{y \in \mathbb{R}} \mathbb{E}|X-y|^2
+m = \arg\min_{y \in \mathbb{R}} \lVert X-y \rVert = \arg\min_{y \in \mathbb{R}} \mathbb{E}|X-y|^2
 $$
 这个优化问题有显示解：$m = \mathbb{E}(X)$，实际上这里的投影就是期望。
 
@@ -72,7 +72,7 @@ $$
 ### 条件期望
 假设随机变量$Y\in L^2$，集合$G(Y) = \{ g(Y): g \text{可测} ,\quad  g(Y)\in L^2 \}$是$L^2$的线性闭子空间，那么存在唯一的$m = e_X(Y)$：
 $$
-m = e_X(Y)= \argmin_{y \in G(Y)} \lVert X-y \rVert
+m = e_X(Y)= \arg\min_{y \in G(Y)} \lVert X-y \rVert
 $$
 
 这个$e_X(Y)$就是条件期望了。
@@ -101,9 +101,9 @@ $$
 实际上，测度论的这一套语言和Hilbert空间下的语言是完全一一对应的：
 
 - 一般情况下，我们定义的条件期望是从Hilbert空间投影到一个闭子空间
-  - 在测度论中就是一个子sigma代数
+    - 在测度论中就是一个子sigma代数
 - 我们定义条件于随机变量的条件期望是投影到所有Borel可测函数的象集
-  - 在测度论中就是由随机变量生成的最小sigma代数
+    - 在测度论中就是由随机变量生成的最小sigma代数
 
 略有不同的是，投影定理是从**最佳估计**出发的。而测度论的条件期望则是从**正交性**出发的。
 

nav.yml

@@ -3,6 +3,7 @@ nav:
     - About/index.md
     - About/about.md
     - About/devices.md
+    - About/map.md
     - 正式的简历: About/resume.html
     - About/hobby.md
     - About/links.md
@@ -41,6 +42,8 @@ nav:
     - SAS:
       - SAS的基本操作: Note/SAS/SAS_basic.md
       - SAS的统计应用: Note/SAS/SAS_application.md
+    - vscode:
+      - Note/vscode/modify_extension.md
   - Blog:
     - Blog/index.md
     - 2019: