最开始听westlife在Croke Park告别演唱会的串烧觉得Bohemian Rhapsody旋律很好听，歌词也写得很好，于是便去听原唱，不得了，歌曲分了四章，有抒情有重金属摇滚，还有歌剧咏叹调   ，第一感觉是真牛X   最近因为一不小心听了Montreal演唱会现场版的Bohemian Rhapsody，觉得主唱的唱功太牛X，现场版我居然觉得比录音棚版好听，便去查了queen更多的信息，好家伙，原来脍炙人口的we will rock you和we are the champions也是queen的作品，他们的很多作品放到现在依旧是很高水平的作品，成就也是数不过来   queen的成员...

第3章 探索数据      第2章讨论了只是发现过程中重要的高层数据问题，本章是数据探索导论，对数据进行初步研究，以便更好地理解它的特殊性质。数据探索有助于选择合适的数据预处理和数据分析技术。   本章的三个主题：汇***计，可视化和联机分析处理（OLAP）。我的读书笔记也会分成三个部分，分别讨论学习这三个主题。      3.1 鸢尾花（Iris）数据集   这个数据集想必大家有所耳闻甚至是使用过，在这里只简单介绍。该数据集可以从加州大学欧文分校（UCI）的机器学习库中得到。鸢尾花数据集包含150中鸢尾花的信息，每50种取自三个鸢尾花之一：Setosa、Versicolor和Virginia...

第2章 2.4       2.4 相似性和相异性的度量   这一节的内容比较重要，而且公式比较多，所以单独拎出来。之所以说重要，是因为大多数数据挖掘和机器学习的算法都会涉及到相似性和相异性。本质上来讲，目前的数据挖掘和机器学习，乃至深度学习的本质都是统计学习，所以从根本上来讲，我们得到的模型，是希望跟现实情况有着尽可能接近的概率分布，这就是相似性的本质。既然涉及到了概率分布，那么实操中，我们自然是希望模型的输出和现实数据尽可能接近，这就是我们在模型中所求的相似性，一个抽象，一个具体。   我们一般使用邻近度（proximity）来表示相似性或相异性，邻近度一般会具化为具体的有物理意义的函数。...

第2章 2.3   在讨论完数据的基本概念，数据可能存在的问题以及解决方法，本小节讨论数据预处理的内容。       2.3.1 聚集（aggregation）   聚集是将两个或多个对象合并成单个对象。举例，将各个分公司中的各种商品的销售额汇总，得到各个分公司的销售总额，这里就相当于在对每一个公司将所有商品销售额进行了加和。      2.3.2 抽样   抽样是一种选择数据对象子集进行分析的常用方法。统计学上的抽样和数据挖掘上的抽样虽然动机不同，但是本质是相似的，前者是因为得到整个数据集（样本空间）的费用太高、太费时间，而后者是因为处理数据集中的所有数据的费用太高、太费时间。  用白话来说...

第2章  数据挖掘的大前提是数据，作为直接被分析的对象也好，或者是作为模型的输入也好，如果数据本身有问题，那么我们的结果一般也会有问题，这就是所谓的“garbage in，garbage out”。本章主要讨论跟数据相关的问题。       2.1 数据类型   数据集：数据对象的集合。   数据对象：记录、点、向量、模式、事件、案例、样本、观测或实体。   属性：用来刻画数据对象的基本特性，也成为变量、特性、字段、特征或维。   举一个例子，现在有一个学校的所有学生的成绩单，那么所有成绩单构成一个数据集，每一个同学作为一个数据对象，拥有ID、年级、性别和平均成绩等属性。      2.1.1...

写在最前：    之前一直在帮老板没日没夜地整综述，导致【有书共读】的笔记拖后了，在这里跟大家，尤其是期待这本书的读书笔记的同学们道个歉。当然道歉是没用的，为了表现出我的诚意，我会以比较快的速度更新。So far忙完了上一段，近期会有比较充足的时间来阅读此书，系统地学习和总结。   我个人的习惯是喜欢集中精力攻克某件事，因此我一口气刷了50页，感觉此书讲得很详细，知识很基础，可以搬出来学习和讨论的点很多。因此，每一次更新会以知识量为基础，而不是章节。   作为非科班出身的菜鸟，在基础方面我可能不如诸多数据挖掘、机器学习以及深度学习出身的很多同学，不过本人博士出身，理解能力还不错，对知识喜欢刨根...

刷了一波脉脉，不淡定了   有没有小伙伴正在实习的，告知一下是什么情况。。。辟个谣什么的。。。

今天下单了一只小可耐，混血，性别男，三个半月大。      现在想给小家伙起个名字，但是不知道该起什么好，来这里征求一下牛油们的建议！   （本来想整两只，一只叫玛莎，一只叫拉蒂，但现在只有一只，等凑齐了再考虑这么叫2333）      另外，在以后相处过程中，有什么需要注意的吗？      以及，在购买猫粮，猫窝，猫砂盆，猫抓板等用品方面，大家有什么推荐的吗？      谢谢！      以下附几张小可耐的图 （背景非本人，是从别人拍的视频里截的图，小可爱还在猫舍，过一周会空运到上海）

不知道牛油关注NBA的多不多，但是今天百感交集，想跟大家分享一下。   楼主06年开始关注NBA，因为06年总决赛喜欢上闪电侠，07年东决喜欢上小***，08年季后赛喜欢上唠嗑，作为韦詹科密见证了高飞球员接替传统中锋***联盟，再由高飞球员的***演化到如今的小球时代，像是一部未完待续的史诗级大片。   16年先见证了唠嗑60分谢幕战，联盟从此再无美如画。   如今看到詹韦最后一次同场竞技，赛后两人相拥，瞬间回忆起在热火作为队友四年间（以及在骑士短暂的半个赛季）的光辉岁月，肝胆相照，心有灵犀，默契的连线。以这样的方式，也许真的很圆满。他们俩也是截至目前为止历史上超巨二人组里，我觉得真正意义上能...

大家好，本人北京某985博士，现在有以下两个选择      1. 美团点评到店事业群，算法岗，sp      2. 华为终端智慧工程部，CV方向，也是算法研发，从薪资结构看应该是16级      方向上，美团主要是数据挖掘、推荐以及可能会涉及到NLP，技术方向主要跟业务挂钩；华为主要是智能手机图像、视频相关算法的研发。      待遇上，华为高6W，但是美团工作压力和加班应该要少一些，因此从性价比来看应该是各有千秋，难分伯仲。      平台上，两个公司应该都不差，都是大厂。技术方面，美团有非常不错的技术沉淀，华为的技术也不错并且也是以此为生产力的。      现在比较纠结，在此希望听一下各位...