豆瓣

最新版本电子版下载地址：https://udlbook.github.io/udlbook/

Machine learning methods can coarsely be divided into three areas: supervised, unsupervised, and reinforcement learning.

Figure 1.1 Machine learning is an area of artificial intelligence that fits...

豆瓣评分 8.9

1.6 Unix哲学基础

Unix哲学

1. 模块原则：使用简洁的接口拼合简单的部件。
2. 清晰原则：清晰胜于机巧。
3. 组合原则：设计时考虑拼接组合。
4. 分离原则：策略同机制分离，接口同引擎分离。
5. 简洁原则：设计要简洁，复杂度能低则低。
6. 吝啬原则：除非确无它法，不要编写庞大的程序。
7. 透明性原则：设计要可见，以便审查和调试。
8. 健壮原则：健壮源于透明与简洁。
9. 表示原则：把知识叠入数据以求逻辑质朴而健壮。
10. 通俗原则：接口设计避免标新立异。
11. 缄默原则：如果一个程序没什么好说的，就沉默。
12. 补救原则：...

原文地址：https://wyiyi.github.io/amber/2024/10/01/nonviolent/

豆瓣评分 7.8

使用暴力的人其实是因为他们内心的宁静遭到了破坏，所以他们才会用暴力的方式维护或寻求心灵的和平。这或许是暴力的蝴蝶效应吧。”

非暴力沟通提醒我们人性是相通的——虽然每个人的价值观和生活方式或许不同，但作为人却有着共同的感受和需要。这样，在发生矛盾和冲突的时候，运用非暴力沟通，我们将能专注于彼此的感受和需要，从而促进倾听、理解以及由衷的互助。

也许我们并不认...

豆瓣评分 8.7

无论你处于职业生涯的哪个阶段，这本书都非常实用。请保持开放的心态，好学深思，渴望提高，不惧破旧习，不惧提问题。

本书第1～2章讲解当你在公司开启你的职业生涯时会发生什么；

第3～11章会扩展你的工作技能，教你如何使用现有代码库、解决和防止技术债、编写生产级软件、管理依赖关系、有效地测试、评审代码、交付软件、处理On-Call时的事故和构建可演进的架构等；

剩余章节涵盖管理能力和职业阶梯的提升等相关内容，例如敏捷计划、与管理者合作以及成长为资深工程师的必经之路。

本书中非...

豆瓣评分 8.4

老师不同于咨询师的一个地方就是，老师用讲解模式，而咨询师用倾听模式。

如果我能成功教会你理解‘儿童自我状态’，你就能用这些概念来探索自我和你个人的经验了。记住，能实践的理论才是好的理论！

我们的某些基本情感是与生俱来的，就好像红黄蓝三原色，对所有婴儿来说都是类似的。然而当我们作为个体开始发展的时候，我们的情绪和反应都变得越来越个人化，就好像几种原色混合在一起就变出各式各样微妙的色调和色差来。

从呱呱落地起，我们的生命里只有两个人陪伴，有时候甚至只有一个人。和我们...

豆瓣评分 7.8

计划的制订应该仿效消防部门。谁也不能预料下一次火灾将在何处发生，因而要做的事就是组建一支精力充沛、效率很高的队伍，使之能够像处理普通事件一样处理意外事件。

既然回顾往事的时候还不能说清何时出现了战略转折点，那么身处其中的时候又怎么能回答这个问题呢？经历转折点的人感觉到转折点的时间并不一致，就像队伍中的人感觉到迷路的时刻有先有后。

计算机产业内这种更新换代一直让我想起人的“变脸”（Morphing）。不知不觉中一张脸消失了，与此同时，一副新面孔显现了，你无法准确...

https://book.douban.com/subject/36350632/ 8.4

我们整天说创新，殊不知谈创新不谈风险、不谈颠覆的，都是伪创新。

中国台湾地区的芯片每年提供全球37%的新计算能力。两家韩国公司生产的存储芯片占全球的44%。荷兰公司阿斯麦制造了全世界100%的EUV光刻机

如果不是因为飞蛾的话，这就是计算领域的一次飞跃。因为真空管像灯泡一样发光，会吸引昆虫，需要工程师定期“清理昆虫”(debugging)。

肖克利半导体公司的八名叛逆者被普遍认为是硅谷的创...

1.2 为什么使用机器学习

使用机器学习方法挖掘大量数据来帮助发现不太明显的规律。这称作数据挖掘。

1.4 机器学习系统的类型

根据训练期间接受的监督数量和监督类型，可以将机器学习系统分为以下四个主要类别：有监督学习、无监督学习、半监督学习和强化学习。

在机器学习里，属性是一种数据类型（例如“里程”），而特征取决于上下文，可能有多个含义，但是通常状况下，特征意味着一个属性加上其值（例如，“里程=15 000”）。尽管如此，许多人还是在使用属性和特征这两个名词时不做区分。

降维的目的是在...

更多又去的问题是没有一个简单的数学公式将输出和输入关联起来的。这就是我们需要诸如神经网络这样相对成熟而复杂的方法的原因。

关键点

• 当我哦们不能精确知道一些事情如何运作时，我们可以尝试使用模型来估计其运作方式，在模型中，包括了我们可以调整的参数。
• 改进这些模型的一种好方法是，基于模型和已知真实示例之间的比较，得到模型偏移的误差值，调整参数。

关键点

• 使用朴素的调整方法会出现一个问题，即改进后的模型只与最后一次训练样本最匹配，“有效地”忽略了所有以前的训练样本。解决这个问题的一种好方法是...