[活动]和Jeffery大师的最近距离

2009年2月15日,国际知名技术专家Jeffery Richter在北京进行了主题为《构建响应式与可扩展应用》的技术演讲。此次演讲吸引了近百名技术爱好者参与。演讲中,Jeffery不仅分享了技术观点,还与现场观众互动,解答疑问。

《你必须知道的.NET》网站 | Anytao技术博客?

[活动]和Jeffery大师的最近距离

发布日期:2009.2.16 作者:Anytao
© 2008 Anytao.com ,原创作品,转贴请注明作者和出处。

2009年2月15日下午1:30,Jeffery Richter来北京喽。对于技术社区的人而言,正像Jeffery调侃的那样,“听说有很多的Fans”,确实是如此,我就是其中的铁杆粉丝。所以,对于如此盛会,我想无论如何也要珍惜这宝贵的机会,和大师来一次最近距离的接触。本次活动是Jeffery受邀来中国参加一系列活动的第一场,在北京有近百人参加了这一盛会,我想大家的感受和激动是溢于言表的。

Jeffery是个亲切而可爱的人,来会的每个人都有幸得到Jeffery的签名,他也非常乐意和每个人合照留影,并且摆出很多好玩的Pose,让一个下午的技术会议变得异常快乐。作为国际魔术师协会的会员,虽然没有领略Jeffery来一次近景纸牌魔术表演,但是他的技术演讲《Building Responsive and Scalable Applications》同样精彩,也留给我们很多的问答机会。哈哈,我也没有错过这种直接对话的机会,两个问题虽然简单但是足以给我一点思考。会后我也专程找大师要来签名,更重要的是,Jeffery不介意任何技术细节的盘问,我也在繁忙的会场找到Jeffery亲自指导了内存部分的一个细节问题,Jeffery很仔细的为我的草稿做了注解,这绝对是书上没有的,哈哈,我是不是赚到了:-)

参会的机会并不是很多,我就做一点直播,让园子的同仁共同分享大师的风采和乐趣,直播开始:

Jeffery来了,一个很酷的开场白造型
?
Jeffery的主题演讲《Building Responsive and Scalable Applications》
?
蜡笔小王是个很棒的翻译
?
Jeffery讨论异步I/O和同步I/O的区别
?
图灵为Jeffery颁发了大奖
???
?
?
带上红领巾,好好学习,天天向上
?
向Jeffery请教技术问题,百年难遇
? ???


?
?

?

哈哈,留个清晰的纪念
?

?给Jeffery说,他的照片将在我的Blog上给很多的中国技术开发者看到,他很高兴。机会是难得而短暂的,下一次又会是什么时候呢?案头的《CLR Via c#》和《Windows via C/C++》有了作者的签名,下一次再读的时候,我想又是一次难得的技术旅行。祝大师在中国的旅程愉快。

anytao | © 2009 Anytao.com

2009/02/16 | http://anytao.cnblogs.com/ |

本文以“现状”提供且没有任何担保,同时也没有授予任何权利。 | This posting is provided "AS IS" with no warranties, and confers no rights.

本文版权归作者所有,欢迎转载,但未经作者同意必须保留此段声明,且在文章页面明显位置给出原文连接,否则保留追究法律责任的权利。

1391303.html?type=1

--------------------------
新闻: 知名博客写手签售活动遇刺 警方已介入调查
导航: 博客园首页?? 知识库?? 新闻?? 招聘?? 社区?? 小组?? 博问?? 网摘?? 找找看
Jeffery先验是贝叶斯统计中一种确定先验分布的方法。 ### 概念 Jeffery先验是由统计学家哈罗德·杰弗里斯(Harold Jeffreys)提出的一种无信息先验分布。它是基于费希尔信息矩阵来构造的。对于一个参数 $\theta$ 的概率分布 $p(x|\theta)$,其费希尔信息矩阵 $I(\theta)$ 定义为 $I_{ij}(\theta)=E\left[-\frac{\partial^{2}\ln p(x|\theta)}{\partial\theta_{i}\partial\theta_{j}}\right]$ ,Jeffery先验分布 $\pi(\theta)$ 与费希尔信息矩阵的行列式的平方根成正比,即 $\pi(\theta)\propto\sqrt{\det(I(\theta))}$。这种先验分布具有一个重要的性质——在参数的一一变换下保持不变性。也就是说,如果对参数 $\theta$ 进行一个可逆变换 $\varphi = h(\theta)$,那么通过Jeffery先验得到的关于 $\varphi$ 的先验分布与直接从 $\varphi$ 的费希尔信息矩阵得到的Jeffery先验是一致的。 ### 应用 - **参数估计**:在贝叶斯参数估计中,Jeffery先验可以作为一种无信息先验来使用。当对参数的先验知识非常少或者希望先验分布尽可能不影响后验分布时,Jeffery先验是一个很好的选择。例如,在估计正态分布的均值方差时,可以使用Jeffery先验来得到后验分布,进而进行参数的估计区间估计。 ```python import numpy as np from scipy.stats import norm # 模拟数据 data = np.random.normal(loc=0, scale=1, size=100) # 计算Jeffery先验下的后验分布(简单示例,仅为说明概念) # 对于正态分布的均值方差的Jeffery先验 # 均值的Jeffery先验是均匀分布,方差的Jeffery先验是 1/sigma # 这里简单假设已知方差,估计均值 sigma = 1 # 后验分布的均值方差 posterior_mean = np.mean(data) posterior_var = sigma**2 / len(data) # 打印后验分布的参数 print(f"后验分布的均值: {posterior_mean}") print(f"后验分布的方差: {posterior_var}") ``` - **模型选择**:在比较不同的统计模型时,Jeffery先验可以用于计算贝叶斯因子。贝叶斯因子是两个模型的边际似然之比,它可以用来衡量一个模型相对于另一个模型的优劣。使用Jeffery先验可以在没有太多先验信息的情况下进行模型选择。 ### 相关知识 - **与其他先验分布的比较**:与均匀先验相比,Jeffery先验更具数据适应性,因为它是基于数据的费希尔信息来构造的。均匀先验在参数空间上是均匀分布的,而Jeffery先验会根据参数的不同取值对后验分布产生不同的影响。与共轭先验相比,Jeffery先验不一定具有共轭性。共轭先验可以使后验分布与先验分布属于同一分布族,从而简化计算,但Jeffery先验更侧重于无信息的表达。 - **局限性**:Jeffery先验虽然是一种无信息先验,但在某些情况下可能会导致后验分布不恰当(即后验分布不能积分到1)。此外,当参数空间非常复杂或者费希尔信息矩阵难以计算时,使用Jeffery先验会变得困难。
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值