走光照

登革熱破萬的這天，在台南走走，往常要排隊很久的名店，都能  walk in  馬上吃。人不多，都走光光了。

有趣的學英文書 ～ Diary of a wimpy kid

這本書實在很有趣，從翻開第一頁，就不能自己的一直看到最後。因為字體是類似書寫的大字，所以讀起來一點也不費力。是用一個小大人的語氣在看大人和同儕的眼光，所以很多小朋友的英文，簡單又好學，想學英文的可以買來讀一讀。

以下列出幾個好玩的英文句：

• Godbless 能遇到正妹  I am just cross my fingers that she has some cute friends.
• 作得過火Hammed it up  (ham 表演過火)
• 想泡自己的學姐  …girls who are a whole grade ahead of us
• 沒動動搖老媽的意志力 Mom wouldn’t budge (動搖), even after I promised I’d go to uncle’s next wedding..
• 喋喋不休They must have rattle me, …   ( rattle  喋喋不休)
• 失寵了 One day you are a hot stuff and the next day you are a dirt sandwich
• Everyone ‘s a little burn out by now (不再熱中)
• 太愛妳了 It seemed like nobody could get enough of me
• He seems bent out of shape about sth (氣壞了)
• I start to get the hang of it 抓到節奏
• a mole was ratting us out  mole 抓杷子 rat 告密
• Mom call my bluff  （抓到了）
• Having some fuss over you (小題大作； 焦燥)
• Late bloomer  智力開發較晚的人

還有更多更多。。。

動態斷八字

一個人出生到長大，最重要的不就是學習，考試，感情，結婚，小孩，財官，生官和買房。所以由一個人的八字來觀察，靜態主要是十神是否存在，動態就是類似  deep learning 的 gradient descent ，看一階微分的動態表現，才知道是否會跑過去 local or global optimal。所以純看靜態的十神義意不太大，重點是要看動態會不會占驗。

主題	正負／男女	主要表象 Dynamic	說明 Static
考試／學習	+ve	官印相生
	-ve	印剋食傷 印星被剋合 （學運差）	食傷 （文彩）
貴人		印生比刧	印 （貴人）
情慾	男	食傷生財 （女人綠） 比劫剋財 （離婚） 財合日主 （交女友）	財 （女人）
	女	食傷合官（想男人／生小孩） 官剋比劫 （交男友） 食神生財生官 （結婚） 食傷剋官 or 財官兩傷 （離婚） 貪財剋印 （特種行業）	官 （男人） 印 （道德）
婆媳／夫家		官生印 （夫家愛） 食傷剋官 （不敬夫）
小孩	男	財生官	正官 （女兒） 七殺 （男孩）
	女	比劫生食傷 食傷合官 （易懷孕）	生小孩且傑出 食傷（女命小孩）
財富	+ve	食傷 （才華智慧）生財	財
	-ve	比劫剋財 （投資失利／被騙） 比劫合財 （朋友借錢／兄弟爭產） 印合財 （長輩借錢／買房）	財
升官掌權		官生印	印
買房		印合財 （買房） 食傷合印 （想買房）	印是不動產 食傷是想法

Machine Learning Last Week！

Andrew Ng 在 Coursera 的 Machine Learning  課程，真可說是一大寶藏。最近看了一些 Deep Learning  的  Projects,  有些地方不太清楚，再回頭看了一下最終回，立馬想通了些道理。

這  Machine Learning 的第十一週課程，有如周星馳的降龍十八掌的最後那招，從天上下來的那一掌，集 Machine Learning 的大成，將理論和實務又巧妙的連接，受益良多。

Machine Learning 首先要作 Pipiline 的規劃，將 Project切成不同階段的  Modules ，大家分工投入，Andrew  第一段影片介紹  Photo OCR Pipeline  ，將如何切菜和分工調理的過程，作了詳實的介紹。

接下來介紹了 Artificial Data Synthesis。這段是 Machine Learning 的精華所在。在選用 Models  時，Features 增加有效降低 Bias，但又會有 overfit  造成 Variance  過大的風險；但這個部份可以用大的資料量來降低 Variance！聽到重點了嗎？ 資料量大很重要，重點是，資料有時太少，所以這段教大家如何造假資料來 train Algo  , 降低 algo   的 Variance。造資料主要兩個方法，背景多變化和前景歪七扭八化。

最後，又回到 Pipeline 的檢示，分工烹煮，那一道工最值錢？這可不是大廚的  guts feeling  說了算，要有所本。這個章節主要教 Ceiling Analysis如何有所本，同時又贈送了人臉辨識的 Pipeline，實在太划算了。

跌跌不休何時了

去年就看到了股災的占星相位 ~ 木土不吉的四分相位。心中懷懝，但還是發生了。 2014 年 11月寫下的  2015年財務占星初探：

值得注意的是，木星在 7 月底 8 月初進入處女座前後，會和在天蝎的土星呈四分不吉的相位，土星在天蝎是dignity，相對的強勢，所以這個不吉相位的展現，可能會有換檔的作用，預示下半年的波折。

這個相位的 cross over 如果用 Geocentric 來看，在 8 月初已交待完畢。但股市在8 月和9月持續創下波段新低。所以我們科學一點好了，不用古典的地球中心 geocentric 系統，改以太陽為中心的 Heliocentric 系統，看實際星體的運轉，這個四分相位的 corssover 應該會在 9/22 ~23。到時占驗一下是不是有準吧!

Using Astrolgo on my iphone

Setting the Heliocentric

trace the date when the Saturn and Jupiter square cross over 2014/922~9/23

簡單易懂又免費的 Machine Learning 教學 ～ 大推！

Machine Learning 和 Big Data 幾乎是顯學了，坊間書本一堆，講一堆似是而非的也很多，決定到 Coursera  來看看有什可以學的。找呀找，找到這個 Andrew Ng  的 Machine Learning 課程，淺顯易懂。就像看連續劇一樣，連趕帶殺一下看完，覺得收獲實在太大了，Andrew Ng 謝謝您！

https://www.coursera.org/learn/machine-learning/home/welcome

前面幾週都是  supervised learning,  也就是知道因果關係下，去找因 (features)   來解釋這個果 （Y） 。前面二週和我在大學時學的迴歸分析差不多，所以飛快的聽過去。Octave  和線性代數還小小溫習了一下。

以下是上課時的 doodle notes.

第三週

進入  Logistic Regression，Y 這個果的輸出是以類別的方式作輸出。一樣先導出 Cost Function （i.e. 預估和實際值的差別），再以  Gradient Descent  來求解最小的 Cost 。老師先講兩類的作法，再提到多類別 （Multiple Classfication）的作法。多類別基本上就是多種的2類。

接下來進入太過緊身的議題，解釋的因子X太多或者 polyminal 次方項太多，會有 overfitting  的問題。也就是原來的  sample  都能完整的解釋 （i.e. cost   小），但新的  sample 就不太行了 (i.e. cost )。這時就要導入  Generalization 項，基本上就是管一管這些 features 項不要太猖狂，以免太過緊身。

第三週學完，最令人興奮的是，老師說：

。。。 you probably know quite a lot more machine learning right now than frankly, many of the Silicon Valley engineers out there having very successful careers. You know, making tons of money for the companies.

聽起來實在振奮人心呀！！！

第四週

開始進入  Neutral Netowork ，個人覺得這是這個課程的大重點，也解釋了我心中的疑問。包含圖形要如何辨識，以及那一層層的 neuron 是在作什麼的。

一剛始就大概提一下如何用圖片  pixels  來作辨識 。接下來是重點，為什麼要多層的   hidden neuron?  這兒老師用 XOR，AND 和 XNOR 來解釋。一層的 hidden layer  可以運算出 XOR 和 AND；但 XNOR 就要兩層的  hidden layer 。所以，暝暝中，你就會知到多層  hidden layer 能處理較複雜的 logic  運算。

第五週

皮要緊一點，還真的有點腦筋  twist!  主要是 Neutral  的  optimazation  運算。跟著老師 forward propagation 到最後的 backpropgation 。中間還要作 gradient check,  check  完要記得 disable。如此的大費週張，主要當然是要求解 neutral network 的 thetas 。

第六週

Dataset 分成 Training、CV和 testing。先談 Bias  和 Variance 的差別。基本的結論是 bias 就是  error 太大，所以要加  features  來降  error  。加到一定程度後呢？ 要加到 CV的 error   勾起來時，就要停手了。接下來就靠樣本數 M的加大，來降   error。所以為什要大數據就很明顯了，因為能降火氣   error 。老師說，矽谷很多人天天就在搞這些參數謀生呀！

所以結論就是 feature 多加一點降 bias , Variance 太高不用怕，用大數據M來解決！

接下來談到當 data skew  時的判斷法。算命界有個笑話，對來算命的男人說事業失敗，對女人說婚姻不幸，八九不離十。因為來算的多是   true positive   呀。所以老師會教導，如何用 F1賽車 Score 來評量鐵口直斷。

第七週

教另一個  algo ~ SVM (Super Vector Machine)  基本上是像   logistic  regression   的東西，但號稱有 large margin,  同時配備  Gaussian kernel 運算，變身為超強的  algo。聽起來神奇又難寫 code ,  但別怕，有套裝軟體 liblinear 或 libsvm  可以使用。重點是要會選用參數 C 和  Sigma！ 再學坂木浩子的書，作幾個插畫！看來歡樂有趣多了！

第八週

開始進入  unsupervised learning 的領域，就是沒有Y，只有X。如何自動歸類X 來分析，就是很有趣的議題。要分成幾類呢？問問手肘就可知道，這是不是很神奇呢？

Features 要是太多，不只浪費運算資源，自己也對資料無感，這時就要動用 dimensionality reduction，使用 Principal Component Analysis (PCA) 來處理。這時 cotave   的運算式 就要搬出來好好運用。

[U,S,V]= svd (sigma);

用 U 來作簡化   dimension 的運算，同時用 S來看看抓住了多少的  variance。

第九週

除錯，用 Multivariance Gaussian 分配來找出邊緣值 （Anomaly  detection) 。這和統記的 P 很像，所以滿直覺的。

資料要是不是 Gaussian分配，就需要先處理一下。取 log  或開個多次方，可以變成  Gaussian 分配，好神奇哦！ (學簡筆插畫book一書，再畫些圖上去）

接下來是推薦看電影片的系統，利用個偏好的 rating 可以推出電影口味重不重，同時還可以再推斷你沒評偏好的片，神奇的 Collaborative filtering Simutaneously  運算式。

第十週了

。。。咻！

資料太大，電腦想一想就當機了，這時要用 Stochastic  gradient descent  來漫遊運算，但這個  algo  很愛逛街，明明終點 （global min) 就在前方，他還是在附近打混，所以降 alpha   可以令他離終點近一點。   另一方法就是打群架，多買幾台電腦或多核運算囉。

第十一週

 都是應用的東西，我就沒作筆記了，一件問題要先切成幾斷來作，然後千萬不要一下就分配下去作，要先用  ceiling analysis   看要投入多少資源，再火力強大的作有效率的事。最後老師很感幸的謝謝學生上課，實在很感謝老師無保留的教大家這麼多。

後記，學完後才發現 Andrew Ng 來頭不小哇，Google 和百度的  Deep Learning 都是他的成果，Coursera 也是  founder!