我：练习讲故事讲长话的能力

(上图为<人类简史>作者Yuval Noah Harari) <人类简史>是一本奇书.之所以是一本奇书,在于它没有按着时间点或历史事件里程碑对人类的历史进行简述,而是自有一套大逻辑来解释人类和人类社会,历史事件只是这个大逻辑的支撑事实而已. 整本<人类简史>的目的只有一个,就是试图让人们明白什么是幸福以及如何获得幸福.而理解幸福和获得幸福的前提,也是<人类简史>的一个主要观点:人类社会是构建于虚构的故事之上,整个人类社会的前提是发达的"讲故事(St

现在回想起来,在我写这本书的过程当中,我用了几个月时间把过去看过的一些书又重新翻了一遍,像采撷百花酿成蜜一样,这些书启迪了我在书中的很多思考. 第一本书是<知识分子论>,大家知道是爱德华萨伊德写的,他是最有名的东方学家. 我写<主编死了>这本书时再去看<知识分子论>,我特别能感同身受萨伊德所强调的知识分子为什么始终站在边缘地带,保持了一种被放逐的心态,为什么始终站在批评的立场上,这跟新闻人的抱负和立场是非常相近的. 我们希望自己是专业的报道者和批评者,对这个社会,对人类

机器学习中的范数规则化之(一)L0.L1与L2范数 [email protected] http://blog.csdn.net/zouxy09 转自:http://blog.csdn.net/zouxy09/article/details/24971995 今天我们聊聊机器学习中出现的非常频繁的问题:过拟合与规则化.我们先简单的来理解下常用的L0.L1.L2和核范数规则化.最后聊下规则化项参数的选择问题.这里因为篇幅比较庞大,为了不吓到大家,我将这个五个部分分成两篇博文.知识有限,以下都是我一

机器学习中的范数规则化之(一)L0.L1与L2范数 [email protected] http://blog.csdn.net/zouxy09 今天我们聊聊机器学习中出现的非常频繁的问题:过拟合与规则化.我们先简单的来理解下常用的L0.L1.L2和核范数规则化.最后聊下规则化项参数的选择问题.这里因为篇幅比较庞大,为了不吓到大家,我将这个五个部分分成两篇博文.知识有限,以下都是我一些浅显的看法,如果理解存在错误,希望大家不吝指正.谢谢. 监督机器学习问题无非就是"minimizeyour er

L0.L1与L2范数.核范数 今天我们聊聊机器学习中出现的非常频繁的问题:过拟合与规则化.我们先简单的来理解下常用的L0.L1.L2和核范数规则化.最后聊下规则化项参数的选择问题.这里因为篇幅比较庞大,为了不吓到大家,我将这个五个部分分成两篇博文.知识有限,以下都是我一些浅显的看法,如果理解存在错误,希望大家不吝指正.谢谢. 监督机器学习问题无非就是"minimizeyour error while regularizing your parameters",也就是在规则化参数的同时最

干货 [ 如何理解“大块的黄金时间”和“碎片化的碎片时间”] 其实时间管理就两句话: 当我在创造价值的时候,我的专注力应该是无比专注,那么这时候的干扰值应该是降低的.在创造价值的时候,经常是在“大块的黄金时间”发生的,而不是用1分钟创造价值,所以尽量在这个时间段去做你的时间成本2倍~10倍价值的事情,而不是想到什么就做什么,这就是为什么很多中国人很勤劳,但是不能再财富上得到富足的原因,因为他们一直在做时间成本一倍,甚至更加低的成本回报,比如为了拿到超市开张的一个鸡蛋,宁愿在清晨排队排一小时的队伍

http://blog.csdn.net/zouxy09/article/details/24971995 机器学习中的范数规则化之(一)L0.L1与L2范数 [email protected] http://blog.csdn.net/zouxy09 今天我们聊聊机器学习中出现的非常频繁的问题:过拟合与规则化.我们先简单的来理解下常用的L0.L1.L2和核范数规则化.最后聊下规则化项参数的选择问题.这里因为篇幅比较庞大,为了不吓到大家,我将这个五个部分分成两篇博文.知识有限,以下都是我一些浅显

工具列表 1. **树莓派**(型号不要求,本人使用的是3B) 2. **usb麦克风**(某宝有卖,我就不打广告了) 用来录音 3. **音响或者喇叭**(某宝也有卖) 用来播放 以上就是需要的工具 对话机器人分成5步 1. 第一步:"录音":录音我用到的是使用了*arecord* 安装arecord: sudo apt-get install arecord 使用arecord录音: `arecord -D "plughw:1" -f S16_LE -r 160

机器学习中的范数规则化之(一)L0.L1与L2范数 [email protected] http://blog.csdn.net/zouxy09 今天我们聊聊机器学习中出现的非常频繁的问题:过拟合与规则化.我们先简单的来理解下常用的L0.L1.L2和核范数规则化.最后聊下规则化项参数的选择问题.这里因为篇幅比较庞大,为了不吓到大家,我将这个五个部分分成两篇博文.知识有限,以下都是我一些浅显的看法,如果理解存在错误,希望大家不吝指正.谢谢. 监督机器学习问题无非就是“minimizeyour er