• 我觉得没有必要涉及到语言之争. 更好的态度是将以前Rubist没有人啃的东西将之拿出来, 第一步迈出来固然很难, 但只要出来, 即使是相反方向的180度, 让第二人上来改进, 也会引到正轨.

    也不要想"开发出来 反正没人会用Ruby搞" 这样的有点功利的想法.

    我们能不能简单一点, Just for fun.

  • 先简单想一下, 后续我再补充好了.

    MLE是一种参数估计的技术, 对总体分布(离散/ 连续分布)的参数 进行估计,

    比如我们知道某样本观测是服从正态分布的, 但总体的均值和方差不清楚, 所以用样本均值和 样本方差( 分母 n , n-1 分出2种方差估计) 去来"猜测总体可能是这样的" ;

    MaPE 是最大后验概率, 在我最近看的NB学习策略中, 首先计算先验概率和独立条件概率, 然后用Bayesian估计 出某个样本 可能是属于 C1类的概率 可能是属于C_k类的概率, 那么到底决定是哪一类更稳妥呢.

    在监督学习中, 通常还有一个风险损失函数(我们自然是保守希望风险越低越好), 假设用常用的风险0-1损失函数去验证. 当你决定使用最大后验概率的分类去猜测和次大概率去猜测时, 前者的风险更小.

    这是我现在脑子简单回顾的东西.

    这周有时间的话我再写一下工式的推导.

    希望能有帮助.

  • 其实也不用. 我觉得学习的顺序在工作以后, 用新的视角来以自己最舒服的顺序去组织, 而非以学院Old School.

    笔者目前的学习方式是这样的: 兴趣使然, 需要研究目前用户的特征, 涉及到分类器, 想尝试用NB(朴素贝叶斯), 因此涉及到概率论与数理统计的知识, 以及概率空间, (线性, 矩阵), 所以找到了书和一些网上相关的内容.

    看得很慢, 一点点努力就好了. 比如今天需要解释的 Naive(朴素) 表示的是各特征间分布的独立性假设 (independence hypothesis) 以及Bayes条件概率分布的理论知识.

    学校的时候不太认真, 现在工作了还是要还的.

  • 在2012年的时候就潜水Ruby-china了, 那时还是Teahour.fm的忠实听众.

    工作后偶尔在V站看程序员吐槽成了日常生活调味.

    回一下楼主这个Topic:

    我最大的收获就是认真的看了 提问的智慧 的文档, 并且经常拿出来和新来的实习生朋友们分享. 以改变他们以前提前/回答问题的习惯.

    我觉得技术上的绝大多数问题都存在于网页中了, 只是要提高自己提问题的水平.

    在论坛上寻求答案说明:

    1. 不要求时效性
    2. 知道答案的人在线
    3. TA愿意花时间帮你
    4. TA的回答你能看懂
    5. TA的回答能帮到你
    6. TA比较Nice, 回答的语言和口气特别友善

    最后如果说当中的某几条没有满足你, 或者其他的另一个提问者, 都有可能导致你们产生这样的一个错觉:

    这个论坛对(新人)我不友善.

  • [求助] 两个女人的战争 v2 at 2016年11月09日

    可惜的放在<数学>这个分区......

  • 是个爱折腾的人....

  • Nice 支持

  • 这个东西哪里有卖? at 2015年06月03日

    可以分享下掉下来的经历吗.. 给大家作个教训也好.

  • 海量编程干货资源索引 at 2015年05月19日

    应该叫 awesome-awesome

估计这辈子也就会做数据了....

staticor.io

本职工作是数据方向的全栈工程师,

数据挖掘/数据分析师/大数据开发/算法推荐工程师/数据产品

擅长用户画像与精细化营销, 用户增长, 商业化BI设计

兴趣较多, 但问题也不少.

总得来说就是比较喜欢学习吧 ~

PS, 远离微信微博头条 保持专注

如何让自己喜欢上学习?

首先你得喜欢分享自己的知识, 然后要让自己分享的内容有人听, 有价值 ~ 接下来寻找你的听众, 吸取反馈, 迭代你的认知

就好啦!

喜欢柯南, 播客, 电子书

Ruby是本科时候受到Matz (松本行弘的程序世界)影响, 也因此而短暂用过rb一段时间.

虽然现在已经转向R与Python了 但好处是我觉得Ruby-China是自己向往的技术社区.

如果您也对互联网数据有兴趣的话 欢迎给我邮件联系.