摘要： 前天还在农林，昨天还在工大，今日已在大同济。已失眠近一个多月，昨日终于得以正常，豁然开朗，究其原因，是因为玩的太high，太累了，真是。不过，我也确实明白一些道道。在农林，三天，终日吃喝玩乐，打牌，打台球，聚餐，生活无节操，无规律，不过，倒也爽快，躺床即睡。我权当来这度假，不过，在这还是有正能量的。最后一次散伙饭，喝到最后，随处可听到鬼哭狼嚎的声音，我本是“局外人”，也不免触景生情。我发现农林确实适合短期度假，因为我会玩的很痛快，这里的人都很重感情，更倾向于“团队合作”，更喜欢一起，喜欢一起玩LOL，一起stay up，一起在答辩前夕打牌。而工大教会我的是另一样东西，那就是独立思考，独立学习， 阅读全文

摘要： 问题描述1、自动标号，如在（3-2）之前再插入公式，就变成（3-3）2、公式居中，编号右对齐具体操作1、首先有如下的公式2、在公式后面，选“插入题注”3、这里你可以新建标签“（”，再选标号“包含章节号”，再输入“）”4、就得到如下的的编号，去掉"（"和“4”直接的空格，美观点5、选中“视图”下面的“标尺”，就会显示标尺啦6、光标放在公式那行，点击标尺，移动到中间的位置7、点击下图中的制表符，改变到8、移动到最后边9、然后再公式前，敲入“Tab”键，在公式后敲入“Tab”键，结果如下 阅读全文

摘要： 看了互联网时代的社会语言学：基于SNS的文本数据挖掘blog地址：http://www.matrix67.com/blog/archives/5044全文思路1、介绍了无词典分词，且要考虑两个因素，一是内部凝固程度，二是外部自由程度2、举例说明，使用后缀数组，以O（nlogn）的时间复杂度来实现该算法3、介绍应用场景白话文１、不需要词典就把这句话给分了，有两个重点考核，一是排除那些是因为字偶然碰在一起形成的“词”，比如“的电影”；二是排除那些扩展性差的“词”，比如“辈子”２、暂时不涉及３、暂时不涉及我的体会抛开应用背景不讲，我关心的还是无词典分词，以下讲讲我的理解从细节上讲，如何算该词的概率， 阅读全文

摘要： 问题背景班长总是辛苦滴，是不是就得统计什么东西，每个人写好之后发到邮箱，一个个下载过来不说，还得一个个打开，复制黏贴，重复劳动呀，我们IT人，怎么能做这些如此简单的事，所以就想着简化点事，至少我下载过来，不用一个个打开复制黏贴，于是乎写个了python脚本。问题描述将一些列以数字命名的xls里面的内容，合并到一个xls中代码 1 import xlrd, xlwt, os, sys, re 2 #get the catalogue 3 filenames = os.listdir(os.getcwd()) 4 #new excel for write 5 newFile = xlwt.Work 阅读全文

摘要： 非常荣幸，根叔来浙江工业大学做报告“从传统文化看中国教育”根叔通过传统文化，看教育的目的，内容，形式，并通过中西比较，最后得出一个结论，应该让每个人的“自由”发展。起初，我并不是很想去听讲座，一看是根叔，院士级别的，那肯定是要来的，确实不虚此行，不惑之年的人讲出的话就是不一样。印象中比较深刻的是，讲到传统文化有糟粕，有精华，传统文化中有把教育当成做官的工具的，也有把教育实现自我发展。另外印象比较深刻的是，讲“我和它”，“我和你”的关系，举了一个例子，你父母很爱你，但更多的时候会把你当成他们预期的工具，这就是“我和它”的关系；应该是让每个孩子自由发展，这才是“我和你”的关系。确实如此，可是这风险 阅读全文

只有注册用户登录后才能阅读该文。 阅读全文

摘要： 有什么用非捕获类，在正则很简单时，没什么用，只有在正则中大量使用()时才有用详细说明-举例说明匹配2013-05-07，你可以用\d{4}-\d{2}-\d{2}，你也可以加个括号(\d{4})-(\d{2})-(\d{2})，意思是完全一样的，但加了括号，就意味括号里面的东西，你捕获到了，你可以再使用，这就是捕获组的概念上面这种情况，你是没必要加括号，但是，有时候你必不得已要加括号，比如说匹配1-100的数字，你会用^([1-9]?[0-9]|100)$，但是这个时候，会默认把括号里的东西捕获过来以供你下次使用，其实，你只是用着正则匹配而已，因此就造成了内存浪费，当正则复杂时，效率更加低下， 阅读全文

摘要： 引言viterbi算法简化最有可能的天气序列的运算过程，forward算法简化该该观察值的概率。问题描述你在中国，你朋友F在美国，F的作息有walk, shop, clean，但这选择跟天气有关，我们又知道Rainy的概率比Sunny的概率大这是初始概率这是天气转移矩阵这是在相应天气下发生相应事的概率分布然后，F这三天是walk，walk，shop，问最有可能的天气序列问题分析同样的，我们先用穷举法来算，即Sunny Sunny Sunny Sunny Sunny RainySunny Rainy SunnySunny Rainy RainyRainySunny SunnyRainySunny 阅读全文

摘要： 引言隐马尔可夫中第一个问题是评估问题，评估该观察序列发生的概率，forward算法就是减少重复运算，其实你动动手算多了，你也会发现应该这么做，你如果生在那个时代，这个算法就是你发现的哦。问题描述你在中国，你朋友F在美国，F的作息有walk, shop, clean，但这选择跟天气有关，我们又知道Rainy的概率比Sunny的概率大这是初始概率这是天气转移矩阵这是在相应天气下发生相应事的概率分布然后，F这三天是walk，walk，shop，求{walk，walk，shop}的概率是多少问题分析我们先用穷举法来，即Sunny Sunny Sunny Sunny Sunny RainySunny R 阅读全文

摘要： 引言想简单点，没这么复杂，上一篇，我们说天气就是马尔可夫模型，因为明天的天气只能今天有关，而跟之前的前天无关。一言以蔽之你在中国，那美国的天气就是隐马尔可夫模型，因为你不知道美国的天气，可是你知道其他条件，你有朋友在美国，他要么跑步，要么购物，而他的选择跟天气有关，你知道他这三天是跑步，跑步，购物，好了，描述完毕。再一个例子，你有一女朋友，她心情好时会唱歌，心情坏时会不接你电话，但是我们知道有时不接电话并不意味着她心情不好，另外女生不会说自己心情怎么样，而且我们认为女生的心情是符合马尔可夫模型的，即今天的心情只受昨天心情的影响，好了，这一天她对你唱歌了，接下来两天，她都不接你电话，这就是隐马尔 阅读全文