Log for YSITD
我覺得，自然學科的學習過程大概都是這樣
我不懂酵素 -> 喔喔是這樣喔，好厲害 -> 我懂酵素了 -> 欸幹不是，為什麼會這樣 -> 來設計實驗 -> 好酷的結果喔 -> 等等，這樣怎麼解釋RRRRR -> 我不懂酵素
我不懂酵素 -> 喔喔是這樣喔，好厲害 -> 我懂酵素了 -> 欸幹不是，為什麼會這樣 -> 來設計實驗 -> 好酷的結果喔 -> 等等，這樣怎麼解釋RRRRR -> 我不懂酵素
人文學科
我不懂XX -> A 說 XX 是 OO -> B 批評 A 是 YY 霸權 -> A 指出 B 沒有準確定義 YY 是什麼 -> A 出書罵 B 是 XX 智障 -> B 出書罵 A 是 YY 壓迫 -> 我還是不懂 XX
我不懂XX -> A 說 XX 是 OO -> B 批評 A 是 YY 霸權 -> A 指出 B 沒有準確定義 YY 是什麼 -> A 出書罵 B 是 XX 智障 -> B 出書罵 A 是 YY 壓迫 -> 我還是不懂 XX
我也覺得這個沒辦法用 Neural Network 解，但也許有瘋狂電腦科學家想到方法我不知道而已
但有可以找到趨近於 optimal solution 的算法了，真的沒理由用 NN
但有可以找到趨近於 optimal solution 的算法了，真的沒理由用 NN
Those slides are algorithms one per slide. And the last slide is the one for Fixed Point Method which is the only one required g(x). You will see it only says what it needs. It doesn't say any about how to find the convergent g(x)s
你可以先把 ML 的 Gradient Descent 丟掉了，那個只是 GD 裡面很狹隘的一小部份
Newton's method 算是一個把 GD 公式化與系統化的方法之一
Newton's method 算是一個把 GD 公式化與系統化的方法之一
gradient 是個vector function... 他map domain to a vector that points to the direction of steepest slope
koru 概念中的 gradient descent 比較像是 optimization algorithm 的 gradient descent，但他本身其實以很多不同的形式出現在不同的問題中（例如 Newton method 是可以趨近 optimal solution 的），所以我才會說先把他在 ML 學到的東西暫時放一旁
if p is a root of f, i.e. f(p) = 0, then if you cam construct a function g such that g(p) = p, then we can reduce the problem into finding the fixed point of g
>>> (1 / np.sqrt(2 * np.pi * sigma_d)) * np.exp( (-(100 - mu_d) ** 2) / (2 * np.square(sigma_d)) ) 0.0795707027249985 >>> stats.norm.cdf(x=100, loc=mu_d, scale=sigma_d) 0.818348929556551
(1 / np.sqrt(2 * np.pi * sigma_d)) * np.exp( (-np.square(v - mu_d)) / (2 * np.square(sigma_d)) )
嘉義縣政府主管法規共用系統-法規內容-嘉義縣學生繳不起代收代辦費審查作業原則
http://law.cyhg.gov.tw/LawContent.aspx?id=GL000193
http://law.cyhg.gov.tw/LawContent.aspx?id=GL000193
幹，我竟然把他看完了
所以重點是最後一句話
The authors acknowledge unprecedented circumstances of at home lockdown due to COVID-19 outbreak.
所以重點是最後一句話
The authors acknowledge unprecedented circumstances of at home lockdown due to COVID-19 outbreak.