劉三 格物 鐵雲

本來想寫一篇關於貝氏最佳化的文章: 但是我覺得沒辦法寫得比下面這位仁兄更清楚，所以放棄了。推薦去讀下面這一篇: http://neupy.com/2016/12/17/hyperparameter_optimization_for_neural_networks.html#tree-structured-parzen-estimators-tpe

目前 autosklearn 不能直接安裝在 windows 上，而安裝在 ubuntu 上的方式如下: 1. 安裝  C++11 環境與最新版本的 SWIG，執行             sudo apt-get install build-essential swig 2. 準備安裝前的環境 ，執行      curl https://raw.githubusercontent.com/automl/auto-sklearn/master/requirements.txt | xargs -n 1 -L 1 pip install 3. 安裝 autosklearn ，執行       pip install auto-sklearn

學習CNN這一個東西，一定要先了解的一些基礎: 作者由淺至深，水到渠成，娓娓道來，美不勝收... https://www.analyticsvidhya.com/blog/2017/06/architecture-of-convolutional-neural-networks-simplified-demystified/

關於長條圖，注意下面幾點: • 它們非常適合比較和排名。 • 易於理解。 其中最準確的圖表。 • 它們具有極高的靈活性，因為它們可以與多個維度，堆疊/分組條形圖甚至高/低基數一起使用。 • 請注意強制0選項，因為它可能會更改數據的解釋。 • 如果軸中的文本太長，請將方向更改為水平。 這提高了可讀性，並允許您在每個條形的末尾顯示數字，而不必擔心標籤重疊。 • 條形圖也可用於表示趨勢。 然而，這種風格不是像線圖那樣傳達連續性的概念，而是促進了時期之間的直接比較。 關於點圖由於以下原因，非常有用： • 它們非常適合比較和排名。 • 它們易於理解且非常準確。 • 由於墨水使用較少，因此點圖比條形圖更輕。 如果您的界面開始變得混亂，那麼它們可能是更好的選擇。 • 點圖通常具有較高的數據-墨水比率。 • 您可以通過更改顯示的符號的顏色和類型（點，正方形，菱形等）來使用多個維度。 • 如果使用太多維度，它們可能非常難以閱讀，因此請勿過度使用。 我的建議是使用最多三個數據系列[X 軸、Y 軸、與顯示符號或顏色]。 關於折線圖，以下是它們的一些優點： • 它們被廣泛使用且易於理解。 • 它們可以處理多個維度（同樣，最好不要過度使用它）。 • 垂直折線圖通常不能很好起作用。 大多數人從左到右閱讀這些可視化，並將這種移動理解為橫越過去到現在，並且根據數據，將來也是如此。 因此，除非有充分的理由不這樣做，否則建議使用水平折線圖來表示，並應用數值：升序模式對它們進行排序。 • 添加符號強調每個期間的開頭，可以幫助用戶發現缺失值。 • 除了更改線條的顏色外，還可以更改其寬度和样式（連續，虛線或點線）以創造在視覺的提示效果。 關於堆積面積圖， 儘管非常受歡迎，但應謹慎使用堆積面積圖。 這些圖形可能會產生誤導，因為它們僅使用軸作為第一個組件的起點。 之後，新元素一個放在另一個之上; 因此，為了正確解釋它們，您需要關注圖層的大小而不是頂線的形狀。 關於坡度圖， 這種表示是基於傳統的折線圖，它專門顯示兩個不同時間點的前後比較。 以下是關於斜坡圖的一些要點： • 儘管它們沒有提供太多細節，但它們是發現兩個時期之間排名變化的好方法。 • 如果您正在處理一些品項，則可以保留 Legend 並使用在點上顯示數值讓表達加更具體。 • 您可...

Perfect Order Measurement : The percentage of orders that are error-free.  ((total orders – error orders) / total orders) * 100 Cash to Cash Cycle Time: The number of days between paying for materials and getting paid for product materials payment date – customer order payment date Customer Order Cycle Time: Measures how long it takes to deliver a customer order after the purchase order (PO) is received. actual delivery date – purchase order creation date Fill Rate: The percentage of a customer’s order that is filled on the first shipment. This can be represented as the percentage of items, SKUs or order value that is included with the first shipment . (1 – ((total items – shipped items) / total items)) * 100 Supply Chain Cycle Time: The time it would take to fill a customer order if inventory levels were zero. Sum of the longest lead times for each stage of the cycle Inventory Days Of Supplier: The number of days it would take to run out of supply if it w...

可能的解法: https://superuser.com/questions/1303512/unblocking-windows-10-defender-firewall-for-ms-sql-server-2014

為何執行 auto.arima(y,xreg) 時估計的迴歸參數與 lm(y~xreg) 不同呢？ 根據 hyndman 對 ARIMAX 模型的說明，xreg 的部份是一般的迴歸模型，而其剩餘殘差的部份才用 ARIMA 去處理。 所以，對 xreg 部份估計出來參數 beta 部份應該與用 lm() 做出來的相同或接近吧? 上次我做了一下比較，結果還差了不少？有點尷慨不知如何解釋？ 今天在看到過去已經有人問了　 https://stackoverflow.com/questions/34184004/r-auto-arima-with-xreg-vs-lm 因為 ARIMAX 在估計參數時也將迴歸的部份也一起放進 likelihood function 內用 MLE 一起作估計了，所以才會差那樣多。