张春成
2021/07/05阅读：101主题：默认主题
截至7月4日的更新内容
截至7月4日的更新内容
File = Content + Coding
In Computer System, the files are the real-world content in coding.
The Subject will explain the process.
The folder contains following md files:
文件 = 内容 + 编码 （之一）
在目前主流的电脑系统中，所有的数据都可以看作一组二进制数所构成的具体的流。 如果你拿一个示波器去看，你是能够在主板的合适位置上观测到这一列数字的。 另一方面，这组数据的内容往往对应现实世界中的一张图像、或者是一段文字。 这就构成了一种两端的结构，一端是计算机要处理的物理世界，另一端是计算机的具体硬件，而把这两个具体端联系起来的，我们可以理解成是抽象的编码过程。 本文将解析这一过程。
文件 = 内容 + 编码 （之三）
本部分接上文《文件 = 内容 + 编码 （之二）》。
我们重新审视编码纠正的工作，会发现 PS 操作过程中，至少暗含着两个未经考察的问题，这两个问题都是针对字节解码的问题，它们分别对应着在纠正代码中所使用的
utf-16和latin1编码协议。 ……如果我们轻易放过这两个编码问题，我们将错过 W 系统进行中文编码的重要细节，给之后的代码工作留下后患。 因此，在接下来的一篇文章，我将对此进行分析。
本文将跳出图像矩阵编码的范畴，讨论在计算机系统中较为一般的符号编码问题。 但是由于该问题过于繁杂，本文将集中讨论 Python 语言环境下的二进制编码问题，以及中文符号加入后，给原先的拉丁字母表达系统造成的麻烦。 另外，由于本部分内容可能包含过多的细节，为了避免失于细碎，我们不妨先将其中容易出现理解偏差的关键节点列写出来，再逐一作出解析。
文件 = 内容 + 编码 （之二）
本部分接上文《文件 = 内容 + 编码 （之一）》。
至此，我们已经可以将矩阵图像等价成一列数字，之后的工作将专注于对这一列数字进行编码。……这一工作将等同于对矩阵图像本身进行编码。
本文将介绍基本的矩阵图像编码方法，并且给出一个 PS 进行网络请求图像的例子，来具体说明图像矩阵与二进制序列之间互相转换的关系。
文件 = 内容 + 编码 （之四）
在《文件 = 内容 + 编码 （之三）》中，我们提到
目前，最主流的兼容包括中文在内的多种语言字符的解决方案，是称为 Unicode 的字符集。 ……为了比 utf-8 更加完整地覆盖 Unicode 字符集（Unicode 的范围为
0x0~0x10FFFF，可以用来表示大量的特异性字符），计算机系统必须做出广度和效率之间的妥协。
本部分是《文件 = 内容 + 编码》的最后部分，其目的是对之前的遗留问题进行说明，可以当作附录来使用。 但本部分内容也有其自然的逻辑，即同样的内容在计算机系统中，可以具有不同的表达或存储方式。
Power Shell
Powershell is a Object Oriented Programming programming environment.
The Subject tries to explain the benefits of the environment.
The folder contains following md files:
PowerShell 与 LinuxShell 之不同
PowerShell[1] 是微软自带的交互软件，与类 Linux 系统的 Shell 具有一定的平行替代关系。 但使用起来，二者却给人以完全不同的感觉。
当然，PowerShell （PS）令人智熄的蓝色界面有一定影响，这却不是主要原因。 其根源在于 Windows 系统（W）与类 Linux 系统（L）的不同构建哲学。 一句话来说，L 是以文件为基础而构建的系统，W 是以抽象为基础而构建的系统。 在 L 系统中，用户所看见和所操作的都是具体的文件，所谓“一切皆文件”； 而在 W 系统中，用户始终处于抽象构建的类结构中，所见的都是一望无际的抽象概念。 孰优孰劣我们不去评价，具体和抽象的区别却是在实际使用中产生直观的感受。
用 PowerShell 寻找你找不到的文件
继续说 PowerShell （PS）的事情，通过本文档，希望你能够获得一个在 Windows （W）系统中高效找到你想要的文件的方法。能够开始使用 W 系统中提供的 PS 终端，并且习惯用键盘打字的方式而不是鼠标乱点的方式操作你的电脑。 当然，本文档的目的还是深入理解 PS 的抽象类模式，并提供一个非常工程化的视角来阐述这一特性。
Random Analysis
Learn the way to obtain the world, using the Random View.
The Topic is the handbook for the random analysis methods.
The folder contains following md files:
从检验到瞎编
本文将正式介绍统计检验的基本方法，并简要说明它的适用范围，以及它是怎么被玩坏的。
屈打成招
本文将用一个简单的例子说明前文《从检验到瞎编》与《通往显著之路》中介绍的校正方法之必要性。
我们与真相的距离
俗话说“众口难调”，要摸底某个群体的真实情况往往是十分困难和意义重大的事情。 那么，我们需要调研多少个样本，才能在较高的置信度下，确定该群体的真实情况呢？ 本文将通过概率分析方法，尝试分析并解决这一问题。 那么，这个调研样本的数量要求，就是“我们与真相的距离”。
概然而非必然的世界（之一）
阿甘正传里有个寓言，说是人生就像一盒巧克力，你永远不知道下一块是什么。 很浪漫地说明了这个世界是概然的而不是必然的，随机和有序是这个世界的基本特征。 因此，随机变量及其统计分析，是解释世界的基本工具之一。
概然而非必然的世界（之误差的估计与估计的误差）
本文可以总结成一句绕口令，
误差的估计与估计的误差
将从马尔可夫不等式开始，尝试涉及参数估计的重要思想。 并且，通过本文您将看到，估计出的参数，天然地具有误差，而这些误差范围也需要合理的估计。
概然而非必然的世界（之二）
本文之标题有“世界”二字，但笔力其实撑不起来。 为了避免过于高开低走，本文将进行一个简单的实验，并且尝试以可视化的方式，展示一个非常简单的动力学模型。 通过该模型，我们似乎可以涉足一个可爱的问题，即我们是否可能通过提高生产力的路径，达到均贫富的目标？
概然而非必然的世界（之五）
本文将续前文《概然而非必然的世界（之四）[2]》。 继续介绍“卡方分布”与“T分布”。
概然而非必然的世界（之六）
本文将解决上篇文章所遗留的待证明问题。
概然而非必然的世界（之善战者无赫赫之功）
“欧洲杯”开始了，本文暂时应个景，尝试用概率分析方法解决一个长久以来的思考，即
冠军比亚军强多少？
通过分析我们可以看到，在“联赛”体系下，其实二者差不多；但在“杯赛”体系下，亚军则有大概有 的概率“德不配位”。 现在的很多商业理论，如“弯道超车”、“差异化经营”等，都是在这样的概率体系下，才得以成立。 许多竞技或商业的“奇迹”，不过是这种概率行为的具体表现而已。
概然而非必然的世界（之四）
本文将以“二项分布”为起点，分别引申出“泊松分布”、“正态分布”、“卡方分布”与“T分布”。 虽然名目众多，但通过本文的分析可以看到，这些分布完全是一脉相承的关系，并不难理解。 这些分布在实际应用中，可以解决 以上的统计分析问题。
概然而非必然的世界（之杠精总动员）
本文将从概率角度试图解释一个令人十分糟心的现象。
为什么互联网会放大个人的极端观点，而持有极端观点的人往往并不自知。
有人说，这是因为互联网提供了一个远程沟通的渠道，使参与者不必在乎对方的反馈。 但我认为事实远不止如此简单。
通过本文的分析，您将看到。 互联网提供了一个“百家争鸣”的密集型话语环境。 正是这样的环境，使得每个参与者，无论其观点有多极端，都能够找到属于自己的一个“小圈子”，使自己处于圈子的中心。 个人处于这样安逸的位置上，当然不会承认，自己的观点之“极端”。
概然而非必然的世界（之三）
本文是针对“概然而非必然的世界（之二）”的数学原理解释和说明。
我将从“二项分布”和“正态分布”的角度，来对以上实验结果进行解释，……并顺理成章地，引出参数估计与统计检验的基本概念。
相信通过本文的论述，我们可能对随机变量的“均值”、“方差”及“均值的方差”这些拗口的概念，具有直观的理解。
通往显著之路
上文《从检验到瞎编》介绍了统计检验的基本方法。 并引出了多重比较校正的概念和经典的FWE校正方法，本文将介绍另一种多重比较校正方法。
Talk with Picture
The Topic will try to create Pictures for Key Ideas.
The folder contains following md files:
图解FDR
鉴于写字没人看，于是决定改成图。 这个系列争取一张图讲明一个故事。 本图是对FDR校验过程及原理进行图解。
后面的简要说明，您可以选择看或不看，因为它是为了凑足300字的最低字数要求，完全不影响疗效。
图解HSV空间
以颜色空间的“舌形图”为蓝本，我们可以在RGB空间之外，得到更加符合人眼观感的HSV空间。 本文对其进行图解。
图解图论分析
本文是标题党，因为一文和一图无法解释清楚图论的概念。 但是，结合《图解词向量》的相关分析，并且使用相同的语料，我们可以进行简要分析，并帮助我们从图的角度理解文章内容。
图解审美（一）
本系列将试图通过可视化方法，解释图画审美的问题。
本文将图画打散并嵌入到颜色空间中，用来剖析一个问题
什么样的图，是好看的图？
祝我好运吧。
图解审美（二）
本文接上文《图解审美（一）》。 本文试图说明，可以通过在HSV颜色空间中的变换，对图像进行风格化变换。
图解审美（三）
本文将对《图解审美（二）》中的线性变换问题进行图解说明。 并且还将提供一种基于非线性映射的改进方法，用于提升颜色分布变换的效果。
图解词向量
本文将对NLP的重要概念“词向量”进行图解。 并且以“重要讲话”为语料，通过简单的可视化分析，对其内容进行“数据驱动”的解析。
图解词向量与图论的代码
本文是列出以上两篇文章《图解词向量》与《图解图论分析》的相关代码。
图解贝斯公式
本文对贝叶斯公式进行图解。 并且说明，在先验知识存在的情况下，观测样本只能在一定范围内对后验概率进行修正。 而不是直接进行数据驱动地估计。 这即是贝叶斯公式背后的精湛哲学。
图解颜色空间
不知道你是否和我一样，对颜色空间的形状有些好奇。 它之所谓是个“舌头”的形状，是与眼睛感光的机制有关。 本文将进行适当图解。
配色方法
如果你经常纠结于怎么为自己的PPT或其他什么东西配色的话。 本文将介绍一种基于HSV空间的配色方法，也许能解决你的问题。
参考资料
PowerShell: https://www.powershellgallery.com/
[2]概然而非必然的世界（之四）: http://mp.weixin.qq.com/s?__biz=MzkxNTI1MDc5NA==&mid=2247483914&idx=1&sn=72609edc3197161a25d727a0f56f65f1&chksm=c163490ff614c019abf7f49717edcb3cdf60a1e7b27d3ff2e32b43ab6a483b0972327fb2306d&token=135658256&lang=zh_CN#rd
作者介绍