科学空间|Scientific Spaces

在学习正项级数的时候，我们的数学分析教材提供了各种判别法，比如积分判别法、比较判别法，并由此衍生出了根植法、比值法等，在最后提供了一个比较精细的“Raabe判别法”。这些方法的精度（强度）各不相同，一般认为“Raabe判别法”的应用范围最广的。但是在我看来，基于p级数的比较判别法已经可以用于所有题目了，它才是最强的方法。

p级数就是我们熟悉的
$$\sum_{n=1}^{\infty} \frac{1}{n^p}$$

通过积分判别法可以得到当p>1时该级数收敛，反之发散。虽然我不能证明，但是我觉得以下结论是成立的：

若正项级数$\sum_{n=1}^{\infty} a_n$收敛，则总可以找到一个常数A以及一个大于1的常数p，使每项都有$a_n < \frac{A}{n^p}$。

点击阅读全文...

最小作用量原理无疑是物理中最迷人的地方之一。国内基本上很少谈及到最小作用量原理的书籍，尤其是这方面的历史，这本书算是第一本，也是一个尝试吧。个人感觉这本书写得还是不错的，大体上讲了物理力、热、光、电各方面的作用量原理及其探索，给了我们一个大概的历史思路。尽管书本一些公式的地方还有欠清晰，但是我还是愿意推荐给读者们。本文提供电子书下载，原因很简单，这本书似乎已经停产了~在亚马逊已经买不到了。有兴趣的朋友下载打印吧。

点击阅读全文...

一个多月的暑假已经结束了，又回到了学校来。准确地说，昨天已经来到了学校，只是着搞卫生、社团等工作，无暇到blog上写点什么。早晨起来，一时无聊，就随便唠叨几句。

暑假就这样过去了，这也意味着大一完全过去了，我已经成为了师兄。曾不止一次感叹“光阴似箭，日月如梭”，而我越发地体味到这一点。不少人到了大学之后才明白高中生活的美好，而我有点不同，我在高中已经懂得大学并没有我们想象中的完美，所以我对大学和高中都抱有同样的眷恋和期待。大一过去了，从外边看来，我唯一的变化就是瘦了，沧桑了吧。还记得时隔一年的体检，我的体重居然少了十斤，以至于让我不得不怀疑那个秤的准确性；还记得多少次被小孩子喊做“叔叔”，被师兄称作“师兄”......

点击阅读全文...

在线阅读地址：
http://www.feynmanlectures.caltech.edu/

刚在浏览《朗道集结号》的微博时，发现了这一造福大众的消息。难得的是，这个在线版通过MathJax使用Latex排版，阅读效果完全丝毫不输于纸质版的，还可以自由复制。只是遗憾只有英文版的，也许有一天心血来潮，我也弄个在线的中文版出来，呵呵。一切皆有可能。

费曼的物理讲义是一套地地道道的物理书，它是一次美妙的物理之旅。纵使你可能已经读过相当多的物理教材，但是读读费曼的讲义还是大有裨益的，它给我们讲述了什么才是物理，怎么才能学物理。

不多说了，我只想喊“无谷歌不搜索”！

http://www.googlestable.com

http://g.ttlsa.com

http://www.favyun.com/s.html

我们上近世代数课的时候，老师谈到在同构意义之下只有两个不同的四阶群，六阶群也是只有两个，还说到这是代数的研究生入学考试题目。说到这样了，我就饶有兴致地研究了一下，发现只有两个互不同构的四阶群这几乎是显然的，感觉这题用来做研究生考试题太水了吧？接着分析了一下六阶的情况，发现复杂了不少（元素增加）。而今天在实变函数课的时候，想到了一个简化的技巧，遂也证明了只有两个互不同构的六阶群。把结果和研究过程贴在这里，与大家分享。

两个四阶群

不管是四阶群还是六阶群，它们都是有限群。有限群的一个特点就是，可以把它们的乘法表写出来（只要不怕麻烦~~）。既然要研究四阶群的数目，我们只需要列出四阶群的乘法表就行了。设四阶群为$G_4=\{e, a, b, c\}$，其中$e$是单位元，根据这些信息，我们至少可以写出乘法表的一部分：
$$\begin{array}{c|cccc}
\cdot & e & a & b & c \\
\hline
e & e &a &b &c \\
a & a & & & \\
b & b & & & \\
c & c & & & \end{array}$$

点击阅读全文...

在有监督的机器学习中，经常会说到训练集（train)、验证集（validation）和测试集（test），这三个集合的区分可能会让人糊涂，特别是，有些读者搞不清楚验证集和测试集有什么区别。

划分

如果我们自己已经有了一个大的标注数据集，想要完成一个有监督模型的测试，那么通常使用均匀随机抽样的方式，将数据集划分为训练集、验证集、测试集，这三个集合不能有交集，常见的比例是8:1:1，当然比例是人为的。从这个角度来看，三个集合都是同分布的。

点击阅读全文...

如果问我哪个是最方便、最好用的词向量模型，我觉得应该是word2vec，但如果问我哪个是最漂亮的词向量模型，我不知道，我觉得各个模型总有一些不足的地方。且不说试验效果好不好（这不过是评测指标的问题），就单看理论也没有一个模型称得上漂亮的。

本文讨论了一些大家比较关心的词向量的问题，很多结论基本上都是实验发现的，缺乏合理的解释，包括：

如果去构造一个词向量模型？

为什么用余弦值来做近义词搜索？向量的内积又是什么含义？

词向量的模长有什么特殊的含义？

为什么词向量具有词类比性质？（国王-男人+女人=女王）

得到词向量后怎么构建句向量？词向量求和作为简单的句向量的依据是什么？

这些讨论既有其针对性，也有它的一般性，有些解释也许可以直接迁移到对glove模型和skip gram模型的词向量性质的诠释中，读者可以自行尝试。

围绕着这些问题的讨论，本文提出了一个新的类似glove的词向量模型，这里称之为simpler glove，并基于斯坦福的glove源码进行修改，给出了本文的实现，具体代码在Github上。

点击阅读全文...