科学空间|Scientific Spaces

===我与《天文爱好者》不得不说的故事===

去年在订阅2012年的《天文爱好者》时，考虑到之后就要上大学了，所以只是订了半年，因此过了今年六月我就没有看新的《天文爱好者》了。暑假的两个月，还有九月、十月，将近四个月没有看它了，我本以为我已经适应了没有天爱的日子。

大概一个星期前，我在天爱的淘宝网重新买了最近四个月的《天文爱好者》，18日下午，我再见了它。那天晚上，我突然觉得很感动，有种感慨万千的感觉。虽然这么久没有看了，但是再看的感觉是如此的熟悉，如此的温馨。我原来觉得天文只是我的一个业余兴趣，如同生物化学那样，但在那瞬间我明白了我真的爱着天文，而且时间和空间的距离并不能减少我的爱！在那时，我决定了，我一定要从事天文相关专业——虽然我只是一个数学系学生！

==========行星周期下限==========

（2012.10.25：zwhzjh提出攝动力公式有错误，修正了攝动力的计算公式，之前写少了一个因子2，还有在最后的实际检验时，为了追求结果的合理性，忽略了方法的科学性，现在已经进行了修正，欢迎各位提更多意见。）

首颗被发现的系外行星

本文要探讨的东西是我在阅读《天文爱好者》的时候偶然发现的。在发现系外行星以前，人们通常都认为像木星这样的气态巨行星，公转周期都应该在十年以上。因此当瑞士天文学家米歇尔·迈耶和迪戴尔·邱洛兹发现第一颗系外行星时，他们简直无法确信自己的发现，因为这颗类木行星的公转周期只有短短的4.2天！但是经过确认，这的确是一颗系外行星，颠覆了过去的看法。我饶有兴致地研究下去，企图推导出某一密度行星的公转周期下限。

各位读者不妨先估计一下，它会与什么物理量有关？行星质量？母星质量？还是...？

点击阅读全文...

这是Arnold给物理系学生出的基础数学题。原文是Arnold于1991年，在Russian Math Surveys 46:1(1991),271-278上发的一篇文章，英文名叫 A mathematical trivium，这篇文章是有个前言的，用两页纸的内容吐槽了1991年的学生数学学得很烂，尤其是物理系的。文后附了100道数学题，号称是物理系学生的数学底线。

这是给物理系出的数学题，所以和一般的数学竞赛题目不同，没太多证明题，主要就是计算和解模型，而且还有不少近似估算的，带有明显的物理风格。虽然作者说这是物理系学生数学的底线，但即使对于数学系的学生来说，这些题目还是有不少难度的。网络也有一些题目的答案，但是都比较零散。在这里与大家分享一下题目。什么时候有时间了，或者刚好碰到类似的研究，我也会把题目做做，与各位分享。希望有兴趣的朋友做了之后也把答案与大家交流呀。

1

点击阅读全文...

转载理由：现在的deepin和ylmf（已经改为StartOs）都已经在制作自己的Linux，而当初它们都是制作GhostXp的大家。我的初中，即2009年以前，是GhostXP流行的时代，而我当时也加入了这一行列中，发表过一些GhostXP的作品。后来随着时代的发展，XP也就慢慢退出了舞台。我也就随之退出了这个舞台，也因此得以专注科学。但是，几乎所有我的电脑知识，都积累于那个时期，因为为了完成一个系统的制作和推广，需要懂得的电脑技术很多很多，我也得到了充分的锻炼。下面列举的一些人，都是当年GhostXP界的神话人物，有些我并不认识，但其名在当时就如雷贯耳；有些人在当时还十分幸运地加上了他们的QQ。这篇文章实际上已经是很久已经的了，但还是值得回味过去的时间，以此为我的初中时代留下一些回忆。

点击阅读全文...

笔者最近迷上了数据挖掘和机器学习，要做数据分析首先得有数据才行。对于我等平民来说，最廉价的获取数据的方法，应该是用爬虫在网络上爬取数据了。本文记录一下笔者爬取天猫某商品的全过程，淘宝上面的店铺也是类似的做法，不赘述。主要是分析页面以及用Python实现简单方便的抓取。

笔者使用的工具如下

Python 3——极其方便的编程语言。选择3.x的版本是因为3.x对中文处理更加友好。

Pandas——Python的一个附加库，用于数据整理。

IE 11——分析页面请求过程（其他类似的流量监控工具亦可）。

剩下的还有requests,re，这些都是Python自带的库。

实例页面（美的某热水器）：http://detail.tmall.com/item.htm?id=41464129793

点击阅读全文...

前言：四五月份的时候，我参加了两个数据挖掘相关的竞赛，分别是物电学院举办的“亮剑杯”，以及第三届 “泰迪杯”全国大学生数据挖掘竞赛。很碰巧的是，两个比赛中，都有一题主要涉及到中文情感分类工作。在做“亮剑杯”的时候，由于我还是初涉，水平有限，仅仅是基于传统的思路实现了一个简单的文本情感分类模型。而在后续的“泰迪杯”中，由于学习的深入，我已经基本了解深度学习的思想，并且用深度学习的算法实现了文本情感分类模型。因此，我打算将两个不同的模型都放到博客中，供读者参考。刚入门的读者，可以从中比较两者的不同，并且了解相关思路。高手请一笑置之。

基于情感词典

人的最简单的判断思维

点击阅读全文...

很多人觉得“模型”、“大数据”、“机器学习”这些字眼很高大很神秘，事实上，它跟我们生活中选水果差不了多少。本文用了几千字，来试图教会大家怎么选芒果...

模型的比喻

芒果

假如我要从一批芒果中，找出好吃的那个来。而我不能直接切开芒果尝尝，所以我只能观察芒果，能观察到的量有颜色、表面的气味、大小等等，这些就是我们能够收集到的信息（特征）。

生活中还要很多这样的例子，比如买火柴（可能年轻的城里人还没见过火柴？），如何判断一盒火柴的质量？难道要每根火柴都划划，看看着不着火？显然不行，我们最多也只能划几根，全部划了，火柴也不成火柴了。当然，我们还能看看火柴的样子，闻闻火柴的气味，这些动作是可以接受的。

点击阅读全文...

语言处理

在《文本情感分类（一）：传统模型》一文中，笔者简单介绍了进行文本情感分类的传统思路。传统的思路简单易懂，而且稳定性也比较强，然而存在着两个难以克服的局限性：一、精度问题，传统思路差强人意，当然一般的应用已经足够了，但是要进一步提高精度，却缺乏比较好的方法；二、背景知识问题，传统思路需要事先提取好情感词典，而这一步骤，往往需要人工操作才能保证准确率，换句话说，做这个事情的人，不仅仅要是数据挖掘专家，还需要语言学家，这个背景知识依赖性问题会阻碍着自然语言处理的进步。

点击阅读全文...

Python数据分析与挖掘实战

暑假的时候，应泰迪公司之约，我为他们的书《MATLAB数据挖掘与挖掘实战》编写了姊妹版：《Python数据挖掘与挖掘实战》（还有一个姊妹版是R语言的），主要的工作内容就是编写Python的介绍，以及把书上的MATLAB代码翻译为Python版本的。我欣然接受了，一来可以兼职赚点零花钱，二来可以系统地训练一下自身的Python编程，再则，还可以体验一次MATLAB、R、Python的大PK。现在书本已经正式发行，亚马逊、当当、京东、淘宝都可以找到，我也很荣幸被列为作者之一，于是这便算是我出版的第一本书了。

点击阅读全文...