X的設計原則

X的設計原則

X的設計原則,早在最初仍在麻省理工學院的階段(1984年 )就已經成形,由Bob ScheiflerJim Gettys 兩人制訂出X最早的開發、強化、改進原則,原則大體如下:

  • 除非沒有它就無法完成一個真正完整的應用程式,否則不用增加新的功能。
  • 決定一個系統不是什麼和決定它是什麼同樣重要。與其去適應整個世界的需要,寧可使得系統可以擴展,如此才能以持續相容的方式來滿足新增需求
  • 只有完全沒實例時,才會比只有一個實例來的糟。
  • 如果問題沒完全弄懂,最好不要去解決它[3]
  • 如果可以透過10%的工作量得到90%的預期效果,應該用更簡單的辦法解決。(參見: 更糟就是更好
  • 盡量避免複雜性。
  • 提供機制而不是策略,有關使用者介面的開發實現,交給實際應用者自主。

之後,上述原則中的第一項原則在設計X11時被加以修改,修訂成:「除非已有真正的應用程式,真的需要X為其修訂、增訂等支援,否則不會為X增加新功能。」 X基本上一直遵循這些原則,參考實現的擴展及改進也是以此原則的角度來著手,也因為奉行上述原則,使至今的最新版X仍能與最初(1987年 )發佈的協定標準近乎完全相容。

根据原作 https://pan.quark.cn/s/459657bcfd45 的源码改编 Classic-ML-Methods-Algo 引言 建立这个项目,是为了梳理和总结传统机器学习(Machine Learning)方法(methods)或者算法(algo),和各位同仁相互学习交流. 现在的深度学习本质上来自于传统的神经网络模型,很大程度上是传统机器学习的延续,同时也在不少时候需要结合传统方法来实现. 任何机器学习方法基本的流程结构都是通用的;使用的评价方法也基本通用;使用的一些数学知识也是通用的. 本文在梳理传统机器学习方法算法的同时也会顺便补充这些流程,数学上的知识以供参考. 机器学习 机器学习是人工智能(Artificial Intelligence)的一个分支,也是实现人工智能最重要的手段.区别于传统的基于规则(rule-based)的算法,机器学习可以从数据中获取知识,从而实现规定的任务[Ian Goodfellow and Yoshua Bengio and Aaron Courville的Deep Learning].这些知识可以分为四种: 总结(summarization) 预测(prediction) 估计(estimation) 假想验证(hypothesis testing) 机器学习主要关心的是预测[Varian在Big Data : New Tricks for Econometrics],预测的可以是连续性的输出变量,分类,聚类或者物品之间的有趣关联. 机器学习分类 根据数据配置(setting,是否有标签,可以是连续的也可以是离散的)和任务目标,我们可以将机器学习方法分为四种: 无监督(unsupervised) 训练数据没有给定...
评论
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