Don’t Panic

引言

这个社会存在着——或者说将会存在——一个问题，那就是：大部分人在大部分时间产生数据，同时受数据支配，却对此一无所知。针对这一问题人类生产了大量文章，但其中绝大多数是从各种数学符号的组合入手的——这很奇怪，因为无知的并不是这些数学符号。

本文的写作目的是让您——哪怕从没听说过微积分——掌握进入大数据时代所需的一切知识。尽管显得冗长，并且包含许多虚假或者至少是不够准确的信息，但它在两个极其重要的方面超越了那些更加高深和老派的学术著作。

第一，它是完全免费的；第二，在它的开头以大而友善的字体写着“Don’t Panic”。其内容也使得读者略过繁难的数学公式，直接获取高层次的总体概念，笔者愿称之为Math-free。

Risk of Rain 2中角色DPS可以被分解为数个子项的乘积（基础攻击力、攻速、暴击率等），因此线性堆叠攻速、暴击等属性的装备数量增加可以带来指数级的dps增长。类似地，角色的坦度也可以被分解为总血量乘以护甲。由于装备资源有限、巨大的边际收益以及提升成本不一致导致的复杂性，有必要提前计算装备数量约束下达到最大DPS和有效生命的最优配装。而这对于工程师而言是最有意义的，因为炮塔是以纯粹站桩输出的形式出现的。

本文首先证明了k-means算法的收敛性，与网上已有资料相比较为简洁明了。后半部分讨论了k-means结合GMM与RPCL算法思想后产生的两种变体。本文不适合初步了解k-means算法阅读。

本文用python训练一个智能体，可以从起点走向终点而不会掉下悬崖，实现并对比强化学习中的Sarsa和Q-learning算法，讨论形成最优解因素。

高中时，我就对电脑配件十分痴迷。厂商发布的新品，我第一时间去了解，不同型号的特性差异，我了如指掌，商家对产品浮夸宣传图，我也爱不释手。手机淘宝的购物车，是我权衡成本性能的演练场；身边亲友的配电脑需求，是我学以致用的冲锋号。只是PC市场早已过了快速发展的年代，技术壁垒高，生态垄断导致产品趋同创新寥寥，让人渐渐乏了兴味。最近做了一个51单片机的小项目，顺便了解了目前市面上各式各样的单片机。技术门槛低、需求多样使得他们的芯片、存储、外设野蛮粗犷而又百花齐放，让我重温了那份乐趣。由此，我想使用单片机结合机器学习做一个小项目。

逻辑回归是在工业界广泛应用的分类算法，特点是结构简单，主要有以下优缺点：

pros
1.训练和运行速度都很快
2.实现方便
3.内存占用少
4.可解释性好

cons
1.由于于无法拟合非线性关系，对特征工程的要求较高。
2.对多重共线性数据较为敏感

HDFS全称Hadoop Distributed file system，是Hadoop中的分布式操作系统，目前被广泛应用于大数据存储。HDFS是针对传统磁盘设计的，随着硬件设备的飞速发展，HDFS对于存储介质的优化和支持成为了一个具有挑战性的课题。本文总结了HDFS面向外存中传统磁盘、叠瓦式磁盘、固态硬盘，与内存中传统内存与非易失性内存的优化技术。本文认为未来的HDFS系统一定是平衡性能与成本的异构集群，提出了四种可能的研究方向并进行讨论。

近年来移动互联网与大数据飞速发展，手机应用对个人用户信息的采集、利用野蛮生长。小米手机最新版操作系统MIUI 12正式发布，它提供的隐私保护新功能广受好评。MIUI 12保护用户的个人隐私权与信息安全，但也面临难以界定数据所有权，个人隐私权与数据科学价值交叠的问题。本文就这三个问题分别讨论了开发主体、管理主体、执行主体三个层面的行为规范。

十年前，个人博客的黄金年代便已逝去。为什么在2020年，我还在给个人博客写序？