主页

今年 8 月底借着参加 COLING 2018 会议的机会，我前往美国新墨西哥州的圣达菲逗留了一段时间。虽然没有体验到美国大城市的繁华，但圣达菲美丽的自然环境和独特的乡村风情还是给我留下了很深的印象。 圣达菲是一座非常有特色的城市，根据当地政府的法令，城中所有的建筑都按照具有西班牙特色的 Adobe 风格（泥草墙和木头的结构）建造，因此整座城市呈现出一种统一的美感。城市中心遍布着各种各样的餐厅、衣装点和美术馆，街头也时不时能看到各种艺术雕塑。 圣达菲属于典型的美国乡村小镇，当地居民生活悠闲，街边大多是各类商店、餐厅和艺术馆，来自各地的游客三三两两漫步在街头，完全没有那种大城市的喧嚣。旅游业是当地的支柱产业，因而整座城市充满了艺术的气息，一路在街上闲逛就可以参观很多的艺术...

在 iOS 开发的过程中，开发者通常将注意力都放在如何编写代码上，而对于 iOS 应用的证书签名部分却只是一知半解。到了真机调试、产品发布的过程，才胡乱折腾一通，最终解决问题的时候其实对证书的构成与机理还是一无所知，不知所以然。 本文首先从 iOS 证书体系入手，一步步解释各模块的内容与注意项，然后通过实例演示证书的实际申请过程。 iOS 证书体系 iOS 的证书体系由以下四个基本构成模块组成： 证书 (Certificates) 标识 (Identifiers) 设备 (Device) 描述文件 (Provisioning Profile) 证书 (Certificates) 代码签名可以让系统确保你的应用来源，并确保你的应用不被修改（执行代码修改后，...

转载自《大揭秘！纳粹心灵控制器——Volksempfänger的黑历史》，作者：中立的手指 为了替德国人民屏蔽境外不良广播信息，纳粹殚精竭虑。 多年以后，当元首站在欢呼的人群面前，准会想起 1918 年 10 月那个遥远的上午。那时这位德国下士正惊恐地趴在前线厕所的屎坑边，目睹了此前战争中从未有过的景象——英国人打来的炮弹里竟然没有炸药，而是装载着一叠叠传单。等到惊魂未定的下士随手抓起一张擦腚时，才发现这擦屁股纸上的内容是如此令人震惊：原来战局远不像己方宣传的那样美好，美国百万大军参战，德军大溃败！可惜这位下士尚未震惊完毕就被一颗毒气弹送进了后方医院，告别了自己的一战生涯。 十多年过去，当年拉屎的下士成长为纳粹德国的最高领袖阿道夫·希特勒，但五彩斑斓的传单在蓝天白云下漫天飞...

我必须向两位作者致敬，十年后读他们的文字，震撼感仍不减当年。我同时有些伤感，他们所在的那个群星璀璨的新闻团队已经星流云散，他们所在的那个激情燃烧的行业已经面目全非 ——编者 李海鹏 陈江 文 转载自财经十一人《灾后北川残酷一面 汶川大地震最好的记录和纪念》，原文作者：李海鹏 陈江。原载2008年5月22日南方周末，转载自李海鹏博客 声音在消失 死亡的气味是在5月15日下午开始在北川县城里弥漫开来的。那是一种甜、臭和焦糊的味道。地震在北川为害最烈，由于缺少尸袋，仍有大量遗体被摆放在街道上废墟的空隙间等待处理。废墟下面可能仍埋有上万人之多，正在不断死去。几千名军警和消防队员已经又饿又累。傍晚，成都军区某集团军坦克团的士兵们在河边广场上集结，开始吃这一天的第一顿饭：火...

基本流程 决策树 (decision tree) 是一类常见的机器学习方法，它基于树结构来进行决策。例如，我们要对“这是好瓜吗？”这样的问题进行决策时，通常会进行一系列的判断或“子决策”，如下图所示： 一般的，一棵决策树包含一个根结点、若干个内部结点和若干个叶结点；叶结点对应于决策结果，其他每个结点则对应于一个属性测试；每个结点包含的样本集合根据属性测试的结果被划分到子结点中；根结点包含样本全集。从根结点到每个叶结点的路径对应了一个判定测试序列。 决策树学习的目的是为了产生一棵泛化能力强，即处理未见示例能力强的决策树，其基本流程遵循简单且直观的“分而治之” 策略。决策树学习基本算法如下所示 输入：训练集 $D={(\boldsymbol{x}_1,y_1),(\bol...

许多机器学习模型的训练过程就是在求解无约束最优化问题，梯度下降法 (gradient descent)、牛顿法 (Newton method) 和拟牛顿法 (quasi Newton method) 都是求解这类问题的常用方法。其中梯度下降法实现简单，而牛顿法和拟牛顿法收敛速度快。 梯度下降法 假设 $f(\boldsymbol{x})$ 是 $\mathbb{R}^{n}$ 上具有一阶连续偏导数的函数。要求解的无约束最优化问题是 \[\min_{\boldsymbol{x} \in \mathbb{R}^n} f(\boldsymbol{x}) \tag{1.1}\] $\boldsymbol{x}^*$ 表示目标函数 $f(\boldsymbol{x})$ 的极小点。 梯...

贝叶斯决策论 贝叶斯判定准则 假设有 $N$ 种可能的类别标记，即 $\mathcal{Y} = {c_1,c_2,…,c_N}$，$\lambda_{ij}$ 是将一个真实标记为 $c_j$ 的样本误分类为 $c_i$ 所产生的损失。基于后验概率 $P(c_i\mid\boldsymbol{x})$ 可获得将样本 $\boldsymbol{x}$ 分类为 $c_i$ 所产生的期望损失 (expected loss)，即在样本 $\boldsymbol{x}$ 上的“条件风险” (conditional risk) \[R(c_i\mid\boldsymbol{x}) = \sum_{j=1}^N \lambda_{ij} P(c_j \mid \boldsymbol{x}) \...

大多数深度学习算法都涉及某种形式的优化。优化指的是改变 $\boldsymbol{x}$ 以最小化或最大化某个函数 $f(\boldsymbol{x})$ 的任务。我们通常以最小化 $f(\boldsymbol{x})$ 指代大多数最优化问题，最大化可经由最小化算法最小化 $−f(\boldsymbol{x})$ 来实现。 我们把要最小化或最大化的函数称为目标函数 (objective function)，当我们对其进行最小化时，我们也把它称为代价函数(cost function)、损失函数 (loss function)或误差函数 (error function)。 我们通常使用一个上标 $*$ 表示最小化或最大化函数的 $\boldsymbol{x}$ 值。如我们记 $\bol...