对于每一个个体，实验的本质等效于多叉树问题：根节点带一个初始分数，每一个节点表示加/减分，实验结果的分值分布就是多叉树所有叶子节点的分值。

幂律分布和正态分布是现实生活中存在的两种现象，比如人的身高、体重、体能、智商呈正态分布，而财富分配却呈现出幂律分布的特征，这是个挺值得思考的课题。也就是说在初始条件大家天生资质相差不大的情况下，经过充分竞争，却演化出了阶层，且贫富差距悬殊。Sugarscape实验通过建立模型演示了该结果的形成过程，希望通过对实验的深入研究，对于个人职业规划和公司战略制定得出一些启发性的思考。

隐马尔科夫模型对于输入法音字转换太重要了，这个周末花点时间把相关算法吃透。

从拼音到汉字的转换过程可以看做是在一个有向图中，求解概率最大路径的问题。

最近几个创业的朋友和我聊到融资话题，虽然我也没创过业，不过最近学习的课程里刚好涉及一些融资内容，我把几门课程的融资部分提取出来，整理成笔记，或许以后自己也会用到。

说话是我的弱项，从小就不擅长。从幼儿园到大学没当过任何班干部，没什么锻炼的机会。后来工作了担任领导，常常冷不丁地要求即兴说几句。刚开始的时候别说即兴，就算先打好草稿，说的时候还经常忘词儿。出过几次丑之后开始有意训练自己的说话能力，这本书就是我的教练之一。

分享给搜狗正摩拳擦掌准备参加黑马大赛的同学。

本文想利用clang生成的AST，遍历其每个节点并追溯生成IR的过程，企图生成自己的指令体系，并用一个简版的VM来执行，最终达到热更新的目的。

本文做了一个最简单的JIT Demo，测试其时空性能。

本文是对LLVM官网入门教程中《Kaleidoscope:Implementing a Language with LLVM》和《Building a JIT in LLVM》的总结。主要目的是了解LLVM的能力边界。

“创新管理”培训，公司邮件看到这么个题目就不想去，但是公司要求不得不去。不想去是因为创新这玩意儿能被管理吗？听题目就觉得不靠谱。不过两天的课程上完还是觉得挺大收获的。

时间总是不够用呀嘛不够用，试试“十倍速阅读法”助力阅读。

上一篇几轮实验考察了沪深300各种定投策略的收益率。我发现从yahoo可以很方便地抓取美股历史数据，比如纳斯达克100和标普500，反正实验策略的代码是不变的，只需要把这些数据抓取下来，适配一个解析器就能很快算出这些指数投资收益率了，本文就把实验结果跑出来。代码还是在finance-learning/main.py。

昨天跟老爸聊投资，聊着聊着就抬起杠了：我说无论美股还是中国股市，大盘代表这个国家经济的基本走势，以年的粒度来看是向好的，几乎不会亏钱；而老爸一句话就给我顶回来，2008年都要飙到6000点了，现在才多少点？这都10年了，你告诉我哪年可以翻盘？

如果你爱她，请带她去Carmel，在那里她会爱上你；
如果你恨她，请带她去Carmel，在那里你会爱上她。

自己的版本库中常常引用一些开源的基础模块，比如googletest、glog，比较笨的做法是clone一份代码，直接再提交到自己的版本库中。更推荐的做法是使用git submodules。

绝对估值是关于企业内在价值的一种估算方法，其中现金流贴现法（Discounted Cash Flow DCF）是最经典的绝对估值法，它是基于企业自由现金流的计算公式。本文就采用这种方法算算几家比较著名公司的绝对估值。

上一节基于四则运算的计算器，引入了词法分析器、语法分析器和解释运行器的概念，他们分工明确，相互协作，根据语法规则完成源代码的解释执行。本节将这一规则应用到实际的编程语言中，以Pascal为例完成编译和解析。从业务跨度上，本节相比上一节是一次跨越，但从底层技术来说，不过是上一节基本概念的又一次应用而已。

从
https://github.com/rspivak/lsbasi
看到了这篇文章，它不仅深入浅出地讲述了怎么从头写一个编译器、解释器，其中有不少闪光的观点值得品味。

Deep MNIST for Experts是TensorFlow Get Started中HelloWorld级别的的例子。它分两个版本：MNIST For ML Beginners和Deep MNIST for Experts。前者采用没有隐藏层的梯度下降，结合上一篇笔记很容易看明白；后者使用了深度神经网络，本节重点分析它。