chenb

摘要： ### Basis(基础)： MSE(MeanSquare Error 均方误差)，LMS(Least MeanSquare 最小均方)，LSM(Least Square Methods 最小二乘法)，MLE(Maximum LikelihoodEstimation最大似然估计)，QP(Quadra 阅读全文

摘要： 对于大多数互联网公司的需求，不用考虑性能，且敏捷开发，精益创业思维尤为重要，那么用Python。 阅读全文

摘要： 前端除了UI重构外，还需要再正确的区域渲染出服务端的数据。那么有哪些前后端交互的技能 服务端渲染 世界上大多数动态服务页面都是服务端的数据渲染，接口-> 前端赋值->模板渲染，都是在服务器完成。所以当我们查看源码的时候，我们可以看到完整的html代码，包括每个数据值。 不同的模板可能存在不同模板语法 阅读全文

摘要： 函数 callMe 以参数的形式将一段可被执行的代码块的引用传递给另一个函数，callMe 就被称为回调函数。 highOrderFunc 是一个高阶函数（满足至少一个条件，1可以接受函数作为输入参数, 2. return 一个函数） 阅读全文

摘要： IT界从现在看，主要还是有三大领域，运维，开发，数据。 而python还是比较适合这三方面的。 1. ipython/numpy/scipy/pandas 做做数据分析师，数据挖掘 2. PIL/simpleCV/openCV 玩玩视觉识别 3. 买个 Raspberry Pi，可以做个小传感器，机 阅读全文

摘要： 作为企业贷款审查人，需要清楚几个问题 1. 企业是做什么的，做的如何（背景和财务分析） 2. 企业要用我们的钱干什么，为什么需要这么多钱，为什么要定这个期限（项目评估，贷款用途，期限） 3. 为什么我认为企业能够还出钱来？（偿债能力分析） 4. 我们怎么保证第一时间发现问题以便做好保全（贷后管理方案 阅读全文

摘要： 认知数据 当我们拿到一个数据集，我们应该如何去认知这个数据集。正确的步骤应该是 数据源质量 -> 数据类型 -> 数据集质量 -> 平均水平 -> 数据分布 -> 量变关系 -> 多维交叉。 仔细审核数据源的质量 经验教训告诉我们，在拿到数据集后，花些时间去审核数据源的质量都不为过。数据源，分为两部 阅读全文

摘要： 特征工程中 很常见的一步，特征离散化。最优离散化问题是一个 NP-hard问题。所以所谓的离散化方法只是某种启发式，某种情况下及考量下最优的方法。 好处 1. 减少连续特征的个数，减少存储空间大小 2. 更容易被接受。人更容易接受离散的范围，而不是准确的数值。也就是更容易理解，使用和解释 3. 离散 阅读全文

摘要： 凸优化之所以重要是因为他是优化问题中最容易被解决的。凸优化包含了线性优化，以及一些特殊性质的非线性优化。凸优化之所以容易，是因为局部最优解local optimal solution 就是全局最优解 global optimal solution。所以找到局部最优就找到了全局最优。 阅读全文

摘要： 1. 迭代出 文件中每一行 或者 或者 2. 迭代出一个单词 3. wc 统计行和字符 4. linux 的 at at命令用来安排一个程序在 将来 一次性执行。所有提交的任务都会被放在 /var/spool/at 目录下并且到了执行时间的时候 通过 atd 守护进程 来执行 5. 找出特定的文件 阅读全文