这个系列主体是翻译 河村九段の連珠講座, 但是会简化语句, 改写, 加上自己的理解. 尤其是习题解全是自己写的.
初级讲座第二回「连攻」, 第三回「黑的胜法 (1)」.
习惯叫法是, 无禁手的称为 “五目” (gomoku), 有禁手的称为 “连珠” (renju). 比如一手交换, swap 2 都属于 gomoku.
解决带负权重的单源最短路径问题.
给定一个带权有向图 $G = (V, E)$, 其中 $V$ 为顶点 (vertex) 集, $E$ 为边 (edge) 集, 从顶点 $u$ 到 $v$ 的边表示为 tuple $(u, v)$; 权重 (weight) 函数 $w\colon E \to \mathbb R$. 一个路径 $p=\langle v_0, v_1, \dots, v_k \rangle$ 的权重为
\[w(p) = \sum_{i=1}^k w(v_{i-1}, v_i).\]考虑线性回归
\[y = X\beta + \varepsilon,\]其中 $X$ 为 $n\times p$ 矩阵, 可以理解为 $n$ 个样本, $p$ 个特征 (因变量). 当 $X$ 的列向量线性相关时, $X’X$ 不存在逆, 参数估计会有问题. 我们把 $X$ 的列向量线性相关或者近似线性相关的情形称为存在多重共线性. 因为普通线性回归参数估计要用到 $X’X$ 的逆, 多重共线性会导致参数估计非常不稳定, 比如会出现特别大的估计值.
本文是 《放浪息子》演出分析+对动画结局的一些见解 中一段正反打镜头分析的直接搬运. 原文没图, 在视频和文字之间反复横跳读起来比较累, 故简单搬运.
主要是挑了几个片段翻译, 改写, 未完待续.
原文
主要介绍 DeepAR: Probabilistic Forecasting with Autoregressive Recurrent Networks, 其他方法暂时略讲. 附带讲一些我知道的统计学领域的方法. 例子依然主要以销量预测为例.
主要以两篇文章为主线, 串讲多个话题. 场景以零售销量预测为例.
主要介绍 Facebook 的 Prophet: Forecasting at Scale. 包含了翻译, 转述, 和我自己的理解.