4
Dec
科学空间：2010年12月重要天象
By 苏剑林 | 2010-12-04 | 18754位读者 | 引用
月全食-2010-12-21
从2007年初到今天，笔者编写的天象预报已经陪伴了大家四年。如今又是一年即将过去，就让笔者以回顾今年的精彩天象的方式作为本期的幵篇。虽然缺少了在我国境内可观测的日全食，但今年天象的精彩程度毫不逊于前两年。1月15日的日环食再次掀起了一股天文热，我国环食带内大部分地区的观测也非常成功。希望12月的月全食发生时东北地区的天气可以一如既往地天随人愿。暑期的英仙座流星雨依旧表现抢眼，相信大家必然对年末的双子座流星雨充满了期待。此外，6月26日的月偏食和8月中旬的四星伴月或许也给您留下了深刻的印象。彗星方面,非周期彗星C2009 R1相当惊艳，不但亮度一度达4等左右，在许多爱好者拍摄的照片中两条彗尾也清晰可见。10月103P彗星经过近日点，也达到了肉眼可见的亮度，但彗尾很不明显。总之，2010年不乏颇具看点的精彩天象，作为天文爱好者的你一定是收获颇丰。接下来，我们就来看看2010年最后一个月即将发生的精彩天象吧。
27
Jul
科学空间：2011年8月重要天象
By 苏剑林 | 2011-07-27 | 16616位读者 | 引用
24
May
It is time.
By 苏剑林 | 2015-05-24 | 50116位读者 | 引用终于可以缓一缓了~~
有留意科学空间的朋友可能发现这段时间更新比较缓慢，这一切还得从今年寒假说起...
今年一月底，由于各种原因，结合自己的兴趣，我找了一份实习工作，内容是Python编程。工作是在华南理工大学的论坛上发布的，说的比较简洁，我也比较简洁地投了简历过去，想不到收到回复了，也被录用了。二月上班，进去之后，才发现原来公司还是一家国内比较知名的电商企业，我的主要工作是数据挖掘...虽然我有一点Python的经验，但是数据挖掘基本上不在行的，所以只能够边工作边学习，疯狂恶补数据挖掘的知识。在这个过程中，我学会了很多关于数据挖掘的东西，要知道，在这之前，我不知道什么叫“特征”，什么是“逻辑回归”、“SVM”...那时候真是万千无知。
6
Jun
闲聊：神经网络与深度学习
By 苏剑林 | 2015-06-06 | 64231位读者 | 引用
神经网络
在所有机器学习模型之中，也许最有趣、最深刻的便是神经网络模型了。笔者也想献丑一番，说一次神经网络。当然，本文并不打算从头开始介绍神经网络，只是谈谈我对神经网络的个人理解。如果希望进一步了解神经网络与深度学习的朋友，请移步阅读下面的教程：
http://deeplearning.stanford.edu/wiki/index.php/UFLDL教程
http://blog.csdn.net/zouxy09/article/details/8775360
机器分类
这里以分类工作为例，数据挖掘或机器学习中，有很多分类的问题，比如讲一句话的情况进行分类，粗略点可以分类为“积极”或“消极”，精细点分为开心、生气、忧伤等；另外一个典型的分类问题是手写数字识别，也就是将图片分为10类（0,1,2,3,4,5,6,7,8,9）。因此，也产生了很多分类的模型。
10
Jun
【翻译】巨型望远镜：要继续，就得有牺牲！
By 苏剑林 | 2015-06-10 | 26399位读者 | 引用
2007年末公布的30米望远镜效果图
文章来自：新科学家，这是一篇关于30米望远镜（Thirty Meter Telescope，TMT）的新闻，起因是望远镜的制造遭到当地人的不满，当然背后的原因是很深远的，难以说清楚。更多有关TMT的新闻，可以阅读：http://www.ctmt.org/
夏威夷的巨型望远镜：要继续，就得有牺牲！
四分之一必须离开！在停止了两个月之后，夏威夷的巨型30米望远镜（Thirty Meter Telescope，TMT）重新回归到建设进程——但要牺牲其他望远镜。
由于夏威夷当地居民的抗议声越来越大，早在四月望远镜的建设工作就被迫暂停。与该望远镜相比，目前世界上所有的望远镜都相形见绌——它让能够让天文学家们凝视可见的宇宙的边缘。它位于许多夏威夷人认为是“神圣之地”的死火山莫纳克亚山，因此被夏威夷人认为是一种侮辱——尤其是在山顶已经有十多个望远镜了。
15
Jul
漫话模型|模型与选芒果
By 苏剑林 | 2015-07-15 | 36052位读者 | 引用很多人觉得“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。
6
Dec
人生苦短，我用Python！
By 苏剑林 | 2015-12-06 | 54383位读者 | 引用
20
Dec
“熵”不起：从熵、最大熵原理到最大熵模型（三）
By 苏剑林 | 2015-12-20 | 64257位读者 | 引用上集回顾
在上一篇文章中，笔者分享了自己对最大熵原理的认识，包括最大熵原理的意义、最大熵原理的求解以及一些简单而常见的最大熵原理的应用。在上一篇的文末，我们还通过最大熵原理得到了正态分布，以此来说明最大熵原理的深刻内涵和广泛意义。
本文中，笔者将介绍基于最大熵原理的模型——最大熵模型。本文以有监督的分类问题来介绍最大熵模型，所谓有监督，就是基于已经标签好的数据进行的。
事实上，第二篇文章的最大熵原理才是主要的，最大熵模型，实质上只是最大熵原理的一个延伸，或者说应用。
最大熵模型
分类：意味着什么？
在引入最大熵模型之前，我们先来多扯一点东西，谈谈分类问题意味着什么。假设我们有一批标签好的数据：
$$\begin{array}{c|cccccccc}
\hline
\text{数据}x & 1 & 2 & 3 & 4 & 5 & 6 & \dots & 100 \\
\hline
\text{标签}y & 1 & 0 & 1 & 0 & 1 & 0 & \dots & 0\\
\hline \end{array}$$
最近评论