首頁內容關於
紫式講義的沙龍
這篇文章與你分享，我閱讀合成數據文章以後，產生的三個思考與理解。
本文章收錄三個思考：
合成數據能夠成為夥伴，還是成為替代呢？
我們關心的是統計任務，還是運營任務呢？
基於合成數據的學習，要怎麼學得好呢？
思考#1：合成數據，是夥伴，還是替代？
有兩個觀點來看合成數據：夥伴，或是替代。
本文章想分享給你，我在閱讀有效合成數據的文章後，產生的理解與思考。
首先，本文章有三個有趣的實驗問題：
資料前處理(Data-Preprocession)對合成數據效度的影響。
是否需要對合成的機器學習模型調參(Tuning)。
效度測量是否能預測合成數據訓練的機器學習模型的準確度。
這篇文章與你分享，我閱讀合成數據文章以後，產生的三個思考與理解。
本文章收錄三個思考：
合成數據能夠成為夥伴，還是成為替代呢？
我們關心的是統計任務，還是運營任務呢？
基於合成數據的學習，要怎麼學得好呢？
思考#1：合成數據，是夥伴，還是替代？
有兩個觀點來看合成數據：夥伴，或是替代。
本文章想分享給你，我在閱讀有效合成數據的文章後，產生的理解與思考。
首先，本文章有三個有趣的實驗問題：
資料前處理(Data-Preprocession)對合成數據效度的影響。
是否需要對合成的機器學習模型調參(Tuning)。
效度測量是否能預測合成數據訓練的機器學習模型的準確度。
這篇文章與你分享我參加Ship 30 for 30寫作培訓中，對第一週內容的3個筆記。
這個寫作培訓，是連續30天發表30個社交短文。
我想利用這個培訓，來打磨自己的線上寫作能力，找到自己的讀者，去提供更多自己能提供的價值。
筆記#1：模塊學習，社群互動。
筆記#2：第一週六天的行程
學習社群導航
本文章想分享給你，我在閱讀數位寫作的22條法則後，產生的3個理解與思考。
這個月的一個聚焦目標，是仔細研究數位寫作的各種技術。
數位寫作有別於一般寫作，講究以讀者的反應為優先。
你的寫作是為了自己，為了一個具體讀者，還是為了一群想像的讀者呢？
這篇文章與你分享我參加Ship 30 for 30寫作培訓中，對第一週內容的3個筆記。
這個寫作培訓，是連續30天發表30個社交短文。
我想利用這個培訓，來打磨自己的線上寫作能力，找到自己的讀者，去提供更多自己能提供的價值。
筆記#1：模塊學習，社群互動。
筆記#2：第一週六天的行程
學習社群導航
本文章想分享給你，我在閱讀數位寫作的22條法則後，產生的3個理解與思考。
這個月的一個聚焦目標，是仔細研究數位寫作的各種技術。
數位寫作有別於一般寫作，講究以讀者的反應為優先。
你的寫作是為了自己，為了一個具體讀者，還是為了一群想像的讀者呢？
本文章思考最新證明的後悔界，要如何讓審稿人容易理解。
思考#1：用問題零件，讓後悔界可讀
我覺得可以用幾個分類，來把相關的Term給仔細描述。
我覺得分別從3個角度(beta, x, epsilon)出發，會讓讀者更容易消化裡面的內容。
本篇文章想分享給你，我再次閱讀高維度動態定價後，針對市場噪音分佈(Market Noise Distribution)相關論點，所整理的理解與思考。
文章中對市場噪音分佈的知識層度分級，分別提出相對應的策略。其層級與對應的策略如下：
思考#1：市場噪音分佈，決定選擇模型，進而描述用戶購買行為
本文章思考最新證明的後悔界，要如何讓審稿人容易理解。
思考#1：用問題零件，讓後悔界可讀
我覺得可以用幾個分類，來把相關的Term給仔細描述。
我覺得分別從3個角度(beta, x, epsilon)出發，會讓讀者更容易消化裡面的內容。
本篇文章想分享給你，我再次閱讀高維度動態定價後，針對市場噪音分佈(Market Noise Distribution)相關論點，所整理的理解與思考。
文章中對市場噪音分佈的知識層度分級，分別提出相對應的策略。其層級與對應的策略如下：
思考#1：市場噪音分佈，決定選擇模型，進而描述用戶購買行為
