發(fā)簡信
IP屬地：西藏
-
-
隨機(jī)模型(stochastic models)
我們先看幾個(gè)重要的概念继控，這里的一些知識點(diǎn)和例子可以參照《Foundations of stochastic inventory theory》斟薇。 首先是隨機(jī)過程,Markov...
-
聚類分析（cluster analysis)我們這里來看看聚類分析。 比較流行的有聚類方法有k均值聚類,屬于分割式聚類的方法。 K-Means算法的思想很簡單榕栏，對于給定的樣本集畔勤，按照樣本之間的距離大小，將樣本集劃分為K...
-
多元線性回歸-linear regression(2)
我們之前講了一元的線性回歸扒磁，下面我們講講多元線性回歸庆揪。多元線性回歸的定義是考查一個(gè)變量和其余多個(gè)變量之間的關(guān)系，如果是同時(shí)考查p個(gè)因變量與m個(gè)自變量之間的依賴關(guān)系妨托，稱為多因變...
-
一元線性回歸-linear regression(1)像前言部分說的一樣,我們是通過數(shù)據(jù)所承擔(dān)的角色來區(qū)分統(tǒng)計(jì)建模缸榛、經(jīng)典機(jī)器學(xué)習(xí)和現(xiàn)代機(jī)器學(xué)習(xí)。 在統(tǒng)計(jì)建模里面兰伤，數(shù)據(jù)引導(dǎo)我們?nèi)ミx擇隨機(jī)模型内颗，來形成對不同問題概率的抽象表達(dá)，例如假...
-
謝謝鼓勵敦腔，一起學(xué)習(xí)均澳！因?yàn)槠綍r(shí)較忙，更新的會慢一些符衔，望諒解找前。
統(tǒng)計(jì)建模前言 (Preface and Introduction to statistical modeling)
這一系列文章是自己對多元統(tǒng)計(jì)分析和統(tǒng)計(jì)建模知識的一些總結(jié)和思考。如果有不清楚或者錯(cuò)漏的地方判族，歡迎留言討論躺盛，也歡迎分享統(tǒng)計(jì)相關(guān)的好書和文章。另外這里的內(nèi)容大都是已經(jīng)有的統(tǒng)計(jì),數(shù)...
-
寫作還是需要一點(diǎn)天賦我今天在簡書里看到一位簡友的文章形帮，應(yīng)該是一位寫作小白颗品，在簡書里日更157天后住院了，才明白寫作沒有那么簡單沃缘。 你看到的別人能輕松更文的背后躯枢，也許是有十幾年的寫作功底。他明白一...
-
汪曾祺先生散文中的雨
我喜歡雨槐臀，更喜歡大師們筆下的雨锄蹂，特別是大師們散文中對雨的描寫。喜歡它們的原因甚為簡單水慨，只因?yàn)槲覍懖怀鲇甑母鞣N情懷得糜，只能看別人的筆下生輝，看大師們雨中即景和雨中寄情晰洒。 被稱為一...
-
-
【數(shù)據(jù)分析思維】RFM用戶分層01、寫在前面 隨著互聯(lián)網(wǎng)流量紅利的逐漸消失祠够，之前粗狂式的拓客和一刀切的用戶運(yùn)營已經(jīng)難以為繼压汪，越來越多的公司開始意識到，只靠燒錢圈用戶古瓤、養(yǎng)用戶成本太高止剖，因?yàn)椴皇撬械挠脩舳夹?..
-
Hive優(yōu)化(五)-避免數(shù)據(jù)傾斜1.數(shù)據(jù)傾斜 什么是數(shù)據(jù)傾斜 在單個(gè)節(jié)點(diǎn)任務(wù)所處理的數(shù)據(jù)量遠(yuǎn)大于同類型任務(wù)所處理的數(shù)據(jù)量,導(dǎo)致該節(jié)點(diǎn)成為整個(gè)作業(yè)的瓶頸，這是分布式系統(tǒng)不可能避免的問題落君。從本質(zhì)上說穿香，導(dǎo)致數(shù)據(jù)傾...
-
收益0.4元，不到0.1%的收益绎速，讓我明白兩件事剛打印好東西皮获，好朋友發(fā)來消息：哈咯，投的基金收益咋樣纹冤？ 讓我想起之前我一直跟她們念叨洒宝，讓她們學(xué)習(xí)去理財(cái)、去定投萌京，但她們也不會雁歌，便要我?guī)兔ν顿Y。 其實(shí)我是不想的的知残，因?yàn)槲腋Ｍ?..
-
當(dāng)你想通過定投賺錢時(shí)靠瞎，這5點(diǎn)一定要先知道
今天周末，不用上班，不過因?yàn)橄朐诮裉彀研鹿谝呙缃臃N了较坛，所以起了個(gè)大早印蔗。 等吃好早餐收拾好，來到接種點(diǎn)丑勤，嚇了我一跳华嘹，那個(gè)排的隊(duì)都轉(zhuǎn)了好幾個(gè)彎。這人也太多了點(diǎn)法竞。 好在接種點(diǎn)離家近...
-
