-
《清单革命》读书笔记
如何持续、正确、安全地把事情做好？或许我们犯错是因为没有掌握相关知识；或许并不是，而是没有正确使用这些知识。
-
《刻意练习》读书笔记
我们的大脑拥有和莫扎特这样的“天才”相同的适应能力，“天才”只是更多地利用了这种适应能力
-
《聪明的投资者》读书笔记(下)
格雷厄姆对于投资的意义就像欧几里得对于几何学、达尔文对于生物进化论一样重要。
-
《聪明的投资者》读书笔记(上)
格雷厄姆对于投资的意义就像欧几里得对于几何学、达尔文对于生物进化论一样重要。
-
机场客流量的时空分布预测冠军方案
为了有效利用机场资源，机场正利用大数据技术，提升生产运营的效率。机场拥有巨大的旅客吞吐量，与巨大的人员流动相对应的则是巨大的服务压力。安防、安检、突发事件应急、值机、行李追踪等机场服务都希望能够预测未来的旅客吞吐量，并据此提前调配人力物力，更好地为旅客服务。
-
机器学习评价指标大汇总
在使用机器学习算法的过程中，针对不同场景需要不同的评价指标，在这里对常用的指标进行一个简单的汇总。
-
放回采样最终不同样本数量
机器学习很多场景中会用到放回采样，比如bagging方法。采样后的数据集会有一些数据重复，一些数据缺失，从\(N\)个样本中采样\(K\)个样本，不同样本数量的期望为\(U(K)=N(1-\left(\frac{N-1}{N}\right)^K)\)。怎么来的呢？这里给出简单的证明。
-
从数学分析的角度来看Softmax
Softmax是机器学习中最常用的输出函数之一，网上有很多资料介绍它是什么以及它的用法，但却没有资料来介绍它背后的原理。本文首先简单地介绍一下Softmax，然后着重从数学分析的角度来分析一下它背后的原理。
-
归一化与标准化
在机器学习和数据挖掘中，经常会听到两个名词：归一化（Normalization）与标准化（Standardization）。它们具体是什么？带来什么益处？具体怎么用？本文来具体讨论这些问题。
-
如何处理数据中的缺失值
现实世界中的数据往往非常杂乱，未经处理的原始数据中某些属性数据缺失是经常出现的情况。另外，在做特征工程时经常会有些样本的某些特征无法求出。路漫漫其修远兮，数据还是要继续挖的，本文介绍几种处理数据中缺失值的主要方法。
-
如何解决机器学习中数据不平衡问题
这几年来，机器学习和数据挖掘非常火热，它们逐渐为世界带来实际价值。与此同时，越来越多的机器学习算法从学术界走向工业界，而在这个过程中会有很多困难。数据不平衡问题虽然不是最难的，但绝对是最重要的问题之一。
Subscribe via RSS