<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[tangwing的专栏]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/tangwing</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; tangwing]]></copyright><item><title><![CDATA[自动驾驶技术的一些关键点]]></title><link>https://blog.youkuaiyun.com/tangwing/article/details/121008183</link><guid>https://blog.youkuaiyun.com/tangwing/article/details/121008183</guid><author>tangwing</author><pubDate>Thu, 28 Oct 2021 10:02:28 +0800</pubDate><description><![CDATA[地图

众包
	专业
	Lidar+camera 点云结合


定位

GPS
	北斗
	WIFI 基站...
	Feature定位


感知

雷达
	Lidar(激光)
		毫米波
		超声波
	
	视觉
	detection
		tracking
		classification
		segmentation
	


预测

model based
	model free
车道序列选择


规划

路径规划 A*
	轨迹规划：离散踩点，成本最优，平滑
3维：速度，距离，时间


控制

mpc pi.]]></description><category></category></item><item><title><![CDATA[约束求解应用交流会报告]]></title><link>https://blog.youkuaiyun.com/tangwing/article/details/120739335</link><guid>https://blog.youkuaiyun.com/tangwing/article/details/120739335</guid><author>tangwing</author><pubDate>Wed, 13 Oct 2021 10:49:23 +0800</pubDate><description><![CDATA[报告pdf



一些个人笔记


]]></description><category></category></item><item><title><![CDATA[[文章推荐]Matrices from a geometric perspective]]></title><link>https://blog.youkuaiyun.com/tangwing/article/details/120301833</link><guid>https://blog.youkuaiyun.com/tangwing/article/details/120301833</guid><author>tangwing</author><pubDate>Wed, 15 Sep 2021 09:30:13 +0800</pubDate><description><![CDATA[发现一篇不错的文章，从geometry角度重新介绍了点、向量、坐标、坐标系、矩阵等等概念，读完还是有收获的。链接如下：Matrices from a geometric perspective | Coranachttps://www.coranac.com/documents/geomatrix/
]]></description><category></category></item><item><title><![CDATA[《聪明的投资者》摘要——价值投资的起点]]></title><link>https://blog.youkuaiyun.com/tangwing/article/details/118712885</link><guid>https://blog.youkuaiyun.com/tangwing/article/details/118712885</guid><author>tangwing</author><pubDate>Sun, 05 Sep 2021 12:20:01 +0800</pubDate><description><![CDATA[目录

巴菲特序言

做些傻事-防守型

做些趣事-进攻性

做些好事-利人利己

本文是笔者阅读《聪明的投资者》第四版中译本的一些笔记和感想。如果你没有时间细读，看这篇就够了。

巴菲特序言

做些傻事-防守型

对于防御性的投资者，重要的是避免重大失误。另外就是轻松自由，省心省力。所以投资前，一定要知道自己是哪一类。

对此，投资建议为：

分散投资以控制风险。10-30支股票
	选大型企业，杰出企业，融资保守的企业
	股息发放20年以上
	市盈率&lt;25
在指数基金出现后，一切都更加简单了：闭眼买]]></description><category></category></item><item><title><![CDATA[熵增定律：为什么那么多人因此顿悟了 - 思维有了模型的文章 - 知乎]]></title><link>https://blog.youkuaiyun.com/tangwing/article/details/119409615</link><guid>https://blog.youkuaiyun.com/tangwing/article/details/119409615</guid><author>tangwing</author><pubDate>Thu, 05 Aug 2021 10:00:43 +0800</pubDate><description><![CDATA[熵增定律：为什么那么多人因此顿悟了 - 思维有了模型的文章 - 知乎 https://zhuanlan.zhihu.com/p/72896309
]]></description><category></category></item><item><title><![CDATA[Control Theory 初探]]></title><link>https://blog.youkuaiyun.com/tangwing/article/details/119141459</link><guid>https://blog.youkuaiyun.com/tangwing/article/details/119141459</guid><author>tangwing</author><pubDate>Tue, 27 Jul 2021 13:37:36 +0800</pubDate><description><![CDATA[前言

半年前读了金观涛/华国凡1986年的《控制论与科学方法论》，对所谓的“老三论”（系统论、控制论、信息论）产生了浓厚兴趣。我查阅了一些文章和书籍，也了解了钱学森老先生对系统科学的层次划分。这一划分概括如下（来自知乎）：

第一层：系统观。次是系统学，它是系统科学的基本理论。这是系统的哲学和方法论的观点，是系统科学通向马克思主义哲学的桥梁和中介。
第二层：技术科学层次。有运筹学、系统理论、控制论、信息论等，是系统工程的直接理论
第三层：工程技术层次次。系统工程、自动化技术、通信技术等，这是直接改造自然界]]></description><category></category></item><item><title><![CDATA[一个悲观主义者的积极思考——职业篇[待续2021/06/27]]]></title><link>https://blog.youkuaiyun.com/tangwing/article/details/118277783</link><guid>https://blog.youkuaiyun.com/tangwing/article/details/118277783</guid><author>tangwing</author><pubDate>Sun, 27 Jun 2021 19:00:23 +0800</pubDate><description><![CDATA[职业规划

我适合做职业规划吗？

并不是每个人都适合做详细的职业规划。

如果对未来N年尚没有详细的计划，不必焦虑，有一个笼统的方向就好(选择学术界、企业界、某个行业…），如果这个也没有，耐心寻找就好。

我的长期目标是什么？

这里的“长期目标”，是类似“初心”一样的东西。

例如，我选择在企业界从事计算机算法工作。工作两年后，我重新思考了这个问题。目前我的回答是：“用简洁优美的算法解决现实问题。不断加深对现实世界(看到问题的本质)和对算法理论的系统性(成体系)理解”。

关于天赋

我们常看到各种成功]]></description><category></category></item><item><title><![CDATA[[NOTE]Discrete Optimization by Prof. Pascal Van Hentenryck]]></title><link>https://blog.youkuaiyun.com/tangwing/article/details/113832138</link><guid>https://blog.youkuaiyun.com/tangwing/article/details/113832138</guid><author>tangwing</author><pubDate>Thu, 04 Mar 2021 21:09:52 +0800</pubDate><description><![CDATA[春节假期

https://www.coursera.org/learn/discrete-optimization
]]></description><category></category></item><item><title><![CDATA[Time Series Forecasting (三) : hierachical and grouped time series]]></title><link>https://blog.youkuaiyun.com/tangwing/article/details/111460863</link><guid>https://blog.youkuaiyun.com/tangwing/article/details/111460863</guid><author>tangwing</author><pubDate>Sun, 20 Dec 2020 19:23:53 +0800</pubDate><description><![CDATA[这一篇的主题主要是如何处理一组有层级关系的序列预测。例如我们进行未来30天的游客数量预测，需要涉及多个颗粒度：城市，省和国家。当然我们可以对每个维度单独建模进行预测，但是很明显这多个序列是有层级关系的：城市维度的预测应该可以聚合到省份而进一步向上聚合到国家。各序列单独预测并不能保证这种一致性。那么就涉及到对这一方向的进一步研究。

笔者偶然发现Rob J Hyndman的书(见上图)中是有这样一章的Chapter 10Forecasting hierarchical or groupedtime s...]]></description><category></category></item><item><title><![CDATA[Forecasting (二) : Deep Models [ongoing]]]></title><link>https://blog.youkuaiyun.com/tangwing/article/details/111460711</link><guid>https://blog.youkuaiyun.com/tangwing/article/details/111460711</guid><author>tangwing</author><pubDate>Sun, 20 Dec 2020 18:39:32 +0800</pubDate><description><![CDATA[Deep models

DeepAR

Salinas, D., Flunkert, V., Gasthaus, J., &amp; Januschowski, T. (2020). DeepAR: Probabilistic forecasting with autoregressive recurrent networks. International Journal of Forecasting. https://doi.org/10.1016/j.ijforecast.2019.07.001
A.]]></description><category></category></item><item><title><![CDATA[滑雪记要[ongoing]]]></title><link>https://blog.youkuaiyun.com/tangwing/article/details/111413695</link><guid>https://blog.youkuaiyun.com/tangwing/article/details/111413695</guid><author>tangwing</author><pubDate>Sun, 20 Dec 2020 09:03:40 +0800</pubDate><description><![CDATA[先学会摔倒，向侧后方倒，而不是正后方，因为雪板较长，前后倒是危险的。
	转弯，主要靠重心调整，左转重心放在右雪板，右转相反。
]]></description><category></category></item><item><title><![CDATA[ppt制作的一些要点]]></title><link>https://blog.youkuaiyun.com/tangwing/article/details/109927396</link><guid>https://blog.youkuaiyun.com/tangwing/article/details/109927396</guid><author>tangwing</author><pubDate>Sun, 22 Nov 2020 12:10:32 +0800</pubDate><description><![CDATA[今日听了两个讲座，关于ppt的制作，感觉收获还是挺大的。一些要点做到，应该应付80%的ppt足够了。进阶的话，大家可以找书看看：《有说服力的ppt》。

逻辑

核心的目的是沟通：要知道你的听众关注点是什么
	补全这个句子：我要在_时间内，在_地点，用_内容，说服_,得到_结果。这些细节会提示我们的ppt页数，字体，确认听众对象和演讲结果。
	一些场景：
	传递信息：SCQA. Situation, Complication, Question, Answer。灰指甲广告脑补一下
		表达观点：PREP. ]]></description><category></category></item><item><title><![CDATA[Forecasting (一)：introduction]]></title><link>https://blog.youkuaiyun.com/tangwing/article/details/109569362</link><guid>https://blog.youkuaiyun.com/tangwing/article/details/109569362</guid><author>tangwing</author><pubDate>Mon, 09 Nov 2020 10:49:50 +0800</pubDate><description><![CDATA[本篇文章希望对demand forecasting涉及的技术进行框架性的整理。首先参考的是供应链及库存相关的著作，一般其中都会有关于forecasting的一章。

References

Waters, D. (2003).Inventory control and management 2nd. John Wiley &amp; Sons. (偏OM)
	Axsäter, S. (2015).Inventory control(Vol. 225) 3rd. Springer. (更新，信息更多些)...]]></description><category></category></item><item><title><![CDATA[MLE、MAP、贝叶斯估计、MCMC、EM]]></title><link>https://blog.youkuaiyun.com/tangwing/article/details/109398693</link><guid>https://blog.youkuaiyun.com/tangwing/article/details/109398693</guid><author>tangwing</author><pubDate>Sat, 31 Oct 2020 14:04:37 +0800</pubDate><description><![CDATA[机器学习中的MLE、MAP、贝叶斯估计 - 李文哲的文章 - 知乎 https://zhuanlan.zhihu.com/p/37215276

上面这篇文章对所提到的三种方法做了清晰的对比。总结图：



另外文中总结：几点重要的Take-aways：

每一个模型定义了一个假设空间，一般假设空间都包含无穷的可行解；
	MLE不考虑先验（prior)，MAP和贝叶斯估计则考虑先验（prior）；
	MLE、MAP是选择相对最好的一个模型（point estimation）， 贝叶斯方法则是通过观测数据来估]]></description><category></category></item><item><title><![CDATA[常见分布总结]]></title><link>https://blog.youkuaiyun.com/tangwing/article/details/108985407</link><guid>https://blog.youkuaiyun.com/tangwing/article/details/108985407</guid><author>tangwing</author><pubDate>Tue, 20 Oct 2020 10:02:43 +0800</pubDate><description><![CDATA[Source：https://www.youtube.com/watch?v=YXLVjCKVP7U&amp;list=PLTNMv857s9WVzutwxaMb0YZKW7hoveGLS&amp;ab_channel=zedstatistics

链接中的Youtube频道对统计相关的各种概念有很好的讲解，强烈推荐。本篇简单摘要记录一下常见的分布。

这些常见分布Excel都是支持的。

Binomial

2 outcomes per trial, proba p or (1-p)
	Trials a.]]></description><category></category></item><item><title><![CDATA[计算机算法与运筹优化算法与机器学习算法]]></title><link>https://blog.youkuaiyun.com/tangwing/article/details/108908619</link><guid>https://blog.youkuaiyun.com/tangwing/article/details/108908619</guid><author>tangwing</author><pubDate>Sat, 03 Oct 2020 11:08:05 +0800</pubDate><description><![CDATA[同样是算法，不同领域的理解好像不是很一样。运筹优化背景人员有时混淆模型与算法的概念，机器学习可能也有同样的现象。目前笔者的理解是，以算法导论为依据，算法这个概念的定义是能接收输入，并且能通过明确定义的有限的一系列步骤得出期望的输出的过程。

然而，算法导论和一些介绍运筹优化算法的书籍覆盖的内容确有不同。主要原因可能是两个社区的最初关注点不同，例如计算机社区从图灵机，计算复杂度等计算理论发展过来，研究的更多是底层基础算法和数据结构，直接面向计算机。而运筹优化的发展可能更多是从实际生活生产问题过来的。首先关注对]]></description><category></category></item><item><title><![CDATA[从“系统思维”说开去]]></title><link>https://blog.youkuaiyun.com/tangwing/article/details/108896089</link><guid>https://blog.youkuaiyun.com/tangwing/article/details/108896089</guid><author>tangwing</author><pubDate>Thu, 01 Oct 2020 18:35:45 +0800</pubDate><description><![CDATA[Reference

https://zhuanlan.zhihu.com/p/46535533
	https://zh.wikipedia.org/wiki/%E7%B3%BB%E7%BB%9F%E7%A7%91%E5%AD%A6
	https://www.jianshu.com/p/99c463e2bed8
	https://blog.youkuaiyun.com/tangwing/article/details/108894585
	https://zh.wikipedia.org/wiki/%E5%8F%B2%]]></description><category></category></item><item><title><![CDATA[[转]系统科学丨钱学森：我对系统学认识的历程]]></title><link>https://blog.youkuaiyun.com/tangwing/article/details/108894585</link><guid>https://blog.youkuaiyun.com/tangwing/article/details/108894585</guid><author>tangwing</author><pubDate>Thu, 01 Oct 2020 13:24:38 +0800</pubDate><description><![CDATA[转注：近期对系统论有很大兴趣，于网络上偶然浏览到下面这篇文章，记录了钱学森先生对系统科学的一些言论思考。私以为钱老这等大师的思考是比较有深度的，即便已经是二三十年前的记录，也依然有参考价值，尤其是其对科学研究的层次以及与哲学的联系的相关表述，引人入胜。

-----

《系统科学进展》作为《系统科学丛书》的首部著作，收集了包括钱学森、关肇直、周光召、John Holland等著名科学家的重要文献。



本期，为大家选取钱老1986年1月7日在系统学讨论班第一次活动时的讲话。





...]]></description><category></category></item><item><title><![CDATA[稻盛和夫-创造高收益]]></title><link>https://blog.youkuaiyun.com/tangwing/article/details/108696252</link><guid>https://blog.youkuaiyun.com/tangwing/article/details/108696252</guid><author>tangwing</author><pubDate>Sun, 20 Sep 2020 18:48:11 +0800</pubDate><description><![CDATA[今天花了一天时间浏览了稻盛和夫的畅销书《创造高收益》。对稻盛和夫书中提到的很多理念，我深感赞同，在这里简单摘要几点以自勉。

关于企业存在的意义

稻盛和夫以及他的经验告诉我们，一家企业如果希望走的长久，一定要有符合‘道义’的理念作为导引。这一理念需要被所有员工认同，并感到所有人是在共同为了同一目的奋斗。例如稻盛和夫的公司，最初以“将稻盛和夫的技术昭示天下”作为理念，并不能引起员工们的共鸣，经过深入的思考，最终理念定为“在追求所有员工身心两方面幸福的同时，为社会进步和发展做出贡献”。

稻盛和夫在做很多重要]]></description><category></category></item><item><title><![CDATA[[Casual note] Time series prediction]]></title><link>https://blog.youkuaiyun.com/tangwing/article/details/108335477</link><guid>https://blog.youkuaiyun.com/tangwing/article/details/108335477</guid><author>tangwing</author><pubDate>Tue, 01 Sep 2020 10:14:20 +0800</pubDate><description><![CDATA[Time series prediction


- 在主要feature是时间时用的比较多。如果有很多额外的feature，考虑深度模型
- Trend： 长期的趋势
- Seasonality：季节性
- Cyclicity：周期性 比如经济周期
- Irregularity：unpredictable factors。最好在数据层面就剔除掉


# Before forecasting
- Make sure the series is stationary : devoid of seasonali]]></description><category></category></item></channel></rss>