夜間筆記｜EP3 最近嘅夢內容愈來愈相似
https://www.youtube.com/watch?v=bFqNl-25-b4
#筆記 — Public Fediverse posts
Live and recent posts from across the Fediverse tagged #筆記, aggregated by home.social.
-
-
Plaud NotePin S穿戴式AI筆記助手實試 一鍵標註重點
https://www.am730.com.hk/科技/1026723/plaud-notepin-s穿戴式ai筆記助手實試-一鍵標註重點 -
亡父筆記留幸運號碼 兒子照住買中千萬獎金
https://www.am730.com.hk/國際/1022616/亡父筆記留幸運號碼-兒子照住買中千萬獎金 -
Plaud NotePin S開會神器進化登場 穿戴式AI筆記助手一功能升級！
https://www.am730.com.hk/科技/1018614/plaud-notepin-s開會神器進化登場-穿戴式ai筆記助手一功能升級- -
被封鎖有點難過💔我們的緣分應該就這樣了，感謝祂豐富我的閱歷 看祂轉的東西 光譜跟你我接近吧 最近有一篇，祂大意是在嫌脱北夫妻（說他們不曉得在紅什麼），我去留，有助陣都好啦 祂應該生氣了把我封鎖了（有可能觀察我都在講屁話） 不過對應的心得是，不只是「看」要小心，連「說」也要小心 #筆記
-
-
-
《大學入門微積分》筆記
Introduction to University Calculus Notes 吾習單維彰教授《大學入門微積分》之課，謹將筆記照片上傳於網路。感謝單教授與國立中央大學之辛勤教誨與付出！
I have studied Professor Shann Wei-chang’s course Introduction to University Calculus and hereby upload photos of my notes to the internet. I sincerely thank Professor Shann and National Central University for their dedicated teaching and efforts!
如欲下載原圖，請訪問吾之網誌：《大學入門微積分》筆記
If you want to download the original image, please visit my weblog: Introduction to University Calculus Notes
原影片課程：YouTube原版 bilibili搬運
#筆記 #數學 #基礎 #微積分 #入門 #單維彰 #大學 #大學入門微積分 #中央大學 #笔记 #数学 #基础 #微积分 #入门级r #单维彰 #大学 #大学入门微积分 #中央大学 #note #math #mathematics #basic #calculus #introduction #Shann_Wei-chang #university #college #NCU -
#開源分享 一個快速將影音轉結構化筆記的開源工具：AudioNotes。
基於 FunASR 和 Qwen2 構建，可快速提取影音內容，並利用大模型能力整理成一份結構化的 Markdown 筆記，方便快速閱讀。
專案地址： github.com/harry0703/AudioNotes
工具支持搭配 Ollama 使用本地模型，並提供了 Docker 快速部署方式。
-
-
#筆記
Do not be afraid of big MoE models
https://www.reddit.com/r/SillyTavernAI/comments/1ch4ga6/do_not_be_afraid_of_big_moe_models/
#LLM -
只要領先於這個行業的技術，那麽這就是標準！這就是解答！
1. 沒有所謂近似分配。每個數據集都能找出自己的分配，得到該有的臨界值做統計分析！
2. Durbin-Watson 檢定統計量在所有統計學與計量經濟學、生物統計課本上的臨界值表是錯的！
3. 將迴歸的係數儘可能壓低，讓因素都進入誤差的方法是錯的！
4. AI成熟就能重新驗證數學、統計、機率的理論，再回饋到AI！
5. 迴歸分析是三套數學建模，不是只有期望值模型！或者直線期望值模型後，誤差變成ARCH系列！
6. 迴歸模型可以是線性函數、無限的非線性函數、曲線化直線函數！
以上內容都有書籍、報告書！
#知識 #學習 #筆記 #學術 #數學 #機率 #統計 #經濟 #金融 #生物 #academic #research @academicchatter
-
#筆記
我目前正在使用的PC與這篇文章的規格非常接近，等它退役之後就可以把我現在跑 #Unraid 的硬體換掉。
https://mattgadient.com/7-watts-idle-on-intel-12th-13th-gen-the-foundation-for-building-a-low-power-server-nas/ -
-
-
#圖表 美國核心個人消費支出年增率趨勢
2018年1月到2023年8月
✅目前AI並未檢測到趨勢轉折訊號，這表示從7月的4.291%下降到8月的3.876%不會改變上圖最新趨勢方向✅AI檢測9月如果介於(3.578, 4.254)仍不會發生趨勢轉折，這對聯準會爭取到很大的調整空間
新聞報導PCE數據發布後，交易員繼續押注聯準會加息已經結束。我倒是很好奇，他們認為食物和能源物價波動性大而可以剔除，剔除後的PCE年增率做為主要判斷是否要升息的指標。
那我是否可以認為食物和能源的價格在冬季民眾就少買了？這有點笑話。
至少從下圖的最新趨勢可以看出趨勢方向不改變，沒有更往下，也沒有反轉向上的跡象。交易員的壓注如同賭博。
-
-
-
如果教育也是黨錮呢？
學閥林立，各占山頭
為了填出山來
杯弓交錯
時代再變
教育內容看似有變
但多數仍維持40年前的教學內容
某些專業甚至拋棄過去的知識
回到幼兒數數與辨識之道
看似合理
處處皆是破綻
沒有根的學問
終路到頭數百年的數學專業發展
哪成想被打壓成抽根換底
誰能知道解決大數據和人工智慧方法
還不是得回到原本的數字之道看透還說破
總比藏著捏著
隱隱藏藏還來得好 -
#筆記 #統計學 #迴歸分析
【創新研究畫重點】
對迴歸分析第二個假設：直線模式，是不是能放寬呢？直線模式在計量經濟學的討論直線模式可能產生問題時，使用拋物線的散布點圖，此時當然配適直線的結果遠不如拋物線的二次方函數還來得好。
我們也很意外，到目前為止，多數的量化分析仍維持直線模式，而非檢測數據是否合宜直線的型態。
那麼，直線模式能不能被打破呢？當然可以。當數據分析進入到「資料探勘」(data mining)時，它著重的問題點就是找出數據之間的關聯規律。
這關聯規律可不是什麼直線模式，很可能是其他特殊函數的形式才能表現出來。因此，探勘可以指函數的篩選，而篩選原則則是能夠愈精準愈或好。
這個想法延續到大數據分析 — 為數據建模 — 上，同樣都是希望尋找出符合數據的數學模型。但縱觀論文期刊文獻，極少真正在研究如何配適出精準地數學模型。
反而是套模型訓練結果布滿大多數的論文期刊文獻中。我們也不能說這些文獻有誤或不足。只能說是研究方向和目的不同，而出現的結果。
同時還出現主題和內文排擠現象。但凡不同于於常見分析用法，或真正想解決期望值模型的直線模式限制都很容易被打槍與拒絕。
-
-
問題：你使用迴歸分析的目的是什麼？
🟢 找變數間關聯
🟢 解讀統計分析結果這兩者看似相同，其實大大不同
如果是找變數間的關聯，這其中包含
☑️ 自變數選擇：選擇和應變數最有線性相關，才能讓直線迴歸更具解釋力和代表性。☑️ 期望值模型的模型形式選擇：誰說變數之間關聯就是直線，那只是方便簡單的模式展現而已。
但在計量經濟學和部分統計學內容中，將直線模式視為假設，有的使用者甚至當直線是不可打破的設定。
至於多數的研究論文則偏重在迴歸分析的統計分析解讀上，對參數點估計值的區間估計和假設檢定，樂此不疲地描述與解讀，套上他們開心內心預設的認知。
此時，我們得回到這個問題：
你用迴歸分析的目的是什麼？
如果你想知道的是變數間的關聯，那麼期望值模型就得找出具有最高解釋力的函數形式。
為了達到最符合變數間的規律，即使此函數很可能非常複雜，甚至有Overfitting的現象，我們也要盡全力找出最小誤差的函數形式。
這點在Hsiao 等人在2021年發表的期刊論文中就為台灣期貨指數找出最佳的期望值模型。
-
✅ 迴歸分析的第五個假設：存在樣本平均數，並且條件期望值為應變數的母體平均數
本身統計分析是基於
1. 樣本平均數
2. 中央極限定理所發展出的區間估計和假設檢定分析方法，所以從母體分配隨機抽出的樣本，自然可以形成樣本平均數(這是種數學組合)。
不過遇到沒有平均數的母體分配，雖然可以隨機抽出樣本並計算樣本平均數，但這並不能去解釋母體參數用，只是自己玩開心，沒有任何意義。
因此，想要確定樣本的母體分配，就得先做「適合度檢定」。不過統計學的「適合度檢定」有所侷限，這導致統計套裝軟體侷限住「適合度檢定」的使用，最後只用於檢查樣本是否來自常態分配。
王冠先和李玫郁在2019年的「統計學不能做為大數據分析的工具」一書中，提出「改良式適合度檢定」。
在不違反適合度檢定的基本概念和原理下，可測定45種分配，另外他們在同年已經發展到可測定78種分配，並可繼續增加。
-
✅ 迴歸分析第四個假設：樣本數對相互獨立
無論是時間序列資料或一般的數對資料，只要使用迴歸分析都需要滿足樣本從母體分配而來，相互之間彼此獨立。
統計學中也發展出「獨立性檢定」幫助使用者檢定樣本之間是否獨立。
另外也有隨機性檢定，幫助使用者檢定樣本之間是否隨機。
這兩個檢定得在還沒有做迴歸分析前，先對樣本進行基礎的測定。確認樣本符合假設後，才能對樣本執行迴歸分析。
很遺憾的是多數迴歸分析的使用者並沒有依照流程對樣本做事前的分析，確認是否合用迴歸分析。
多數使用者在學習過程中也缺乏這樣的認知和訓練，因此，那些迴歸分析結果無論符不符合理論或使用者預設的想法，讀者都要謹慎面對。
錯信或認為結果符合認知想法，很可能已經落入分析的雷區，造成錯誤訊息與錯誤指引。
-
