值得重新翻译的好剧
编剧卡尼曼是值得备受尊敬的学者，快90岁高龄，依然执着地汲取当今世界最先进的知识：人工智能，用于扩展他在行为心理学的认知边界，严谨的治学态度，详实的跨领域数据分析，深邃的思想以及富有洞见的研究，在我们看似平常的领域获得超凡的智慧与认知，为改善人类判断提供建议。
但是，非常可惜，如此优秀的著作，中文翻译水平却完全无法与之匹配，在经典著作面前应该有极致敬畏心啊！这里只是列举一些有代表性的例证，来说明中译本中处处存在的不专业且不认真，甚至逻辑上曲解编剧原义的内容。还有大量原作并不存在的黑体着重字体，属于牵强编剧原义的划重点。
专业性错误：
原文1：对于每一个正态分布来说，大约2/3的预测值都落在偏离平均值正负一个标准差的范围内。本例指的是，约2/3的市场份额落在34%～54%这一范围内。（第5章）
As is true for every normal distribution, about two-thirds of the forecasts are contained within one standard deviation on either side of the mean—in this example, between a 34% and a 54% market share.
>> 画蛇添足的“约2/3的市场份额落”，说明不懂统计学的置信区间。
原文2：用简单的数学公式表示：我们将I'm Famous and Frightened定义为误差的标准差，因此I'm Famous and Frightened的平方就是误差的变异性。变异性的定义是“平方的平均数减去平均数的平方”。既然偏差是平均误差，“平均数的平方”就是偏差的平方。因此：I'm Famous and Frightened^2=MSE -偏差^2。(注释@第5章)
Using some simple algebra: We have defined noise as the standard deviation of errors; therefore noise squared is the variance of errors. The definition of variance is “the mean of the squares minus the square of the mean.” Since the mean error is bias, “the square of the mean” is bias squared. Therefore: Noise^2 = MSE – Bias^2.
>> 将variance翻译“变异性”，而不是数学统计学的“方差”。严重曲解原义！
随意而不严谨:
原文3：道斯将均等权重的公式定义为“非最适线性模型（improper linear model）。他出人意料地发现，这些均等权重模型（equal-weight models）的准确性与合适的回归模型差不多，且远胜于诊断性判断。
连“并非最合适的模型”的支持者也承认，这种说法是不可信的，并且与统计直觉相悖。……(第10章)
Dawes labeled the equal-weight formula an improper linear model. His surprising discovery was that these equal-weight models are about as accurate as “proper” regression models, and far superior to clinical judgments.
Even the pro
影评评论
这个结局动机，我真是没办法接受…鉴于编剧其他作品影视化改的面目全非的前科，对即将播出的电视剧不敢抱太大期望
断断续续这部剧认真看完总结完了，对于数据结构基础不牢固的看不下复杂书的，这部剧很推荐。 一方面从 算法性能，即时间复杂度和空间复杂度，另一方面分析每个数据结构的大概适用场景和 读取 查找 删除 插入的时间复杂度分析。 每个数据结构分析完优缺点，以缺点作为冲突引入下一个数据结构，循序渐进。 第一本一次性看完的数据结构书。谢谢编剧。
Java高级进阶必须要读的一本剧之一，知识点多而深，部分点需要有实践经验才能消化。大概复盘自己关于本剧消化的知识点，一方面加深印象，一方面便于回顾。 1.Java虚拟机是什么？ Java虚拟机连接Java语言和各种平台操作系统的中间件，通过Java虚拟就可以将由Java语言开发的应用程序编译为适合操作系统识别的机器码，即将class文件通过对应平台的JVM解释成平台识别的机器码，是实现Java跨平台的关键技术。 主要作用 A：将class文件编译为操作系统可以识别的机器码（后编译阶段） B：自动化内存管理。 2.Java虚拟机的工作原理？ 2.1．内存区域管理 2.1.1. 内存区域划分 i.堆 1.对象的主要存储地点 2.所有线程共享 ii.方法区 1.Class对象相关信息，类变量 2.所有线程共享 iii.本地方法区 iv.栈 1.主要存储局部变量，对象的引用 v.程序计数器：不会发生out of memory 2.1.2. 垃圾回收机机制 i.主要针对的是堆区域 ii.通过可达性分析来判断一个对象是否可以被回收。可以作为根对象的有：虚拟机栈中引用的对象，方法区中静态类属性引用的对象，方法区中常量引用的对象，本地方法区中引用的对象 iii.垃圾收集算法 1.标记清除 2.标记复制 3.标记整理 4.分代算法 iv.垃圾收集器 1.是否和应用进程并行 a)平行：G1, CMS, Parallel Old b)串行：Serial，serial Old ParNew； 2.应用的分代 a)年轻带：serial, parNew,Parallel Scavenge, G1 b)老年带: CMS, SerialOld, G1,Parallel Old 3.最常用的G1和CMS a)G1：追求低停顿， i. 特点：并行和并发，分代回收，空间整合，可以预测停顿， ii. 大致流程：初始标记，并发标记，最终标记，筛选回收 b)CMS：最求地停顿 i. 特点：并行并发收集垃圾，无法清除浮动垃圾，会产生内存碎片 ii. 大致流程：初始标记，并发标记，重新标记，并发清除 2.2．编译Java文件 将java文件编译成操作系统识别的机器码大致需要经历两个阶段，前编译阶段将java文件编译成class文件，后编译阶段将class文件编译成操作系统的识别的字节码；这里JVM主要作用于后编译阶段。 2.2.1. 虚拟机类加载机制 i.加载流程：加载，链接（验证，准备，解析），初始化 ii.双亲委派模型：防止基础类误加载成用户自定义的类 iii.类加载器的种类：启动类加载器，扩展类加载器，应用类加载器，用户自定义类加载器 2.2.2. 虚拟机编译class文件 i.Java虚拟机既可以解释执行也可以编译执行；想要立即执行的代码采用解释执行，对热点代码采用编译执行以提高执行效率 3.如何灵活使用Java虚拟机？ 3.1. 充分利用资源层面 i.Java的内存模型：线程 + 线程本地内存 + 主存；所有的变量都存储在主存中，而线程的工作内存中保存的是主存变量的copy,线程对变量的操作都必须在工作内存中进行，线程之间变量值的传递必须通过主存进行。 ii.多线程环境下的线程安全 1. 可见性，原子性，指令重排序:volatile 保证可见性和禁止指令重排序 2. 同步策略：互斥同步（各种锁，sychronized，lock），非阻塞同步（cas） 3. 锁优化层面：自旋锁（方式线程不断在内核和用户态切换带来的开销），锁粗化，偏向锁，锁消除等 3.2. 问题分析层面 i. 通过相关
#墨菲定律:每天学点心理学，果然颇有受益，像是听一位大格局者的讲座，很多有道理的文字，听起来很不错的各种心理效应，比较贴合生活实际，了解一下，学会更好的融入这个社会，更从容的实现自己的目标。以后也能在实践中体验一番。so nice ✌️
华灯初夏 人生如戏 都是一个个轮回 修心养性 每天的悟禅 佛学的精进 是生活 也是一生所求
菜式挺多的，看了一部分，感觉很适合小白入手，码起来想做什么可以随时查阅。
后来拍的不管是电影还是电视剧的人物外形和造型多多少少要参考一下这部剧，你说是不是经典。
我也很佩服他，尽管他碰到不少麻烦，还是继续过他的日子，但世界上其他成千上万的人却办不到，他们不愿意或没有能力这么做，其中许多人根本没有被关在牢里，却还是不懂得过日子。
值得重新翻译的好剧 编剧卡尼曼是值得备受尊敬的学者，快90岁高龄，依然执着地汲取当今世界最先进的知识：人工智能，用于扩展他在行为心理学的认知边界，严谨的治学态度，详实的跨领域数据分析，深邃的思想以及富有洞见的研究，在我们看似平常的领域获得超凡的智慧与认知，为改善人类判断提供建议。 但是，非常可惜，如此优秀的著作，中文翻译水平却完全无法与之匹配，在经典著作面前应该有极致敬畏心啊！这里只是列举一些有代表性的例证，来说明中译本中处处存在的不专业且不认真，甚至逻辑上曲解编剧原义的内容。还有大量原作并不存在的黑体着重字体，属于牵强编剧原义的划重点。 专业性错误： 原文1：对于每一个正态分布来说，大约2/3的预测值都落在偏离平均值正负一个标准差的范围内。本例指的是，约2/3的市场份额落在34%～54%这一范围内。（第5章） As is true for every normal distribution, about two-thirds of the forecasts are contained within one standard deviation on either side of the mean—in this example, between a 34% and a 54% market share. >> 画蛇添足的“约2/3的市场份额落”，说明不懂统计学的置信区间。 原文2：用简单的数学公式表示：我们将I'm Famous and Frightened定义为误差的标准差，因此I'm Famous and Frightened的平方就是误差的变异性。变异性的定义是“平方的平均数减去平均数的平方”。既然偏差是平均误差，“平均数的平方”就是偏差的平方。因此：I'm Famous and Frightened^2=MSE -偏差^2。(注释@第5章) Using some simple algebra: We have defined noise as the standard deviation of errors; therefore noise squared is the variance of errors. The definition of variance is “the mean of the squares minus the square of the mean.” Since the mean error is bias, “the square of the mean” is bias squared. Therefore: Noise^2 = MSE – Bias^2. >> 将variance翻译“变异性”，而不是数学统计学的“方差”。严重曲解原义！ 随意而不严谨: 原文3：道斯将均等权重的公式定义为“非最适线性模型（improper linear model）。他出人意料地发现，这些均等权重模型（equal-weight models）的准确性与合适的回归模型差不多，且远胜于诊断性判断。 连“并非最合适的模型”的支持者也承认，这种说法是不可信的，并且与统计直觉相悖。……(第10章) Dawes labeled the equal-weight formula an improper linear model. His surprising discovery was that these equal-weight models are about as accurate as “proper” regression models, and far superior to clinical judgments. Even the pro
追剧评，后面会改变套路，但是截止505章为止，一直是一个套路换汤不换药，看得实在无聊，弃了。