重回北京2019

喜欢一个城市是因为熟悉，因为有回忆的地方，讨厌一个城市是因为不愿想起过去，也是有回忆的地方。北京，是一个喜欢的城市，不仅仅是首都，也是我硕士生涯的起点，改变了我的人生轨迹。当初，考研挑选学校，首次是浙大，后来调研发现分数太高自己没有胆量尝试；接着选了华中科技，自己信心很满，慢慢地

老家的变迁

2018年12月8日，老家新房子“进火”（农村一个习俗称谓，新建房子搬进去住，需要有仪式以及请亲戚吃饭），作为家里的男丁必须得回去一趟。所以，在12月7日请了天年假回了趟老家。小插曲–学校的变迁这次回家，蹭了室友的车回去，他刚买了新车，需得去家里挂车牌，路途800多公里，刚好我

最近下雨变多，下午也没去江边跑步了。 2016年10月秋季招聘，因实验室在无锡，确实没啥（可以说是没有一家）公司来中心招人，毕竟不是学校。我们这届（前几届也一样）需要去上海、南京、北京等地找工作，很是心累。当时我去过南京、合肥、北京、上海，每周去几个点然后回无锡住处。此处省略心酸

互联网金融的数据是异常的特别少，但是数据来源特别广，特别杂，维度高，需要对数据进行聚合，而这带来数据缺失，数据相关性太强（这个没get意思？？），容易过拟合。数据的来源不同，覆盖人群也不同，数据拼接存在缺失，变量缺失对线性模型影响效果。数据缺失的填充方法，常用的是均值/众数/中

点击率预测，在广告、推荐领域应用，精细化操作，平衡用户、商品、平台，传统的逻辑回归，到深度学习，一波浪潮下，带来很多新的方法。关键问题点击率预测，重在解决的是特征问题，在逻辑回归下，经过经验会挑选少而精的特征，房产领域有均价、小区、面积、位置等，金融领域有职业、身份状态、月收入

注意力机制可快速提取稀疏数据的特征；句子表征，怎么表示一个句子，词嵌入（词映射到高维空间）表达词/词语，句子则是词的组合表达（简单的平均）。 n-gram技术，卷积网络归纳局部信息，将词进行平移，不断地进行“卷积”得到一层高维，然后在高维基础继续卷积，得到更高层次的维度信息。 s

今年很少回老家，之前每年在清明节/国庆节/春节会各回一次老家，今年的清明节因为职场的事情选择没有回来。国庆回来了，比往常路程更久了些，没有抢到南昌到南丰的动车，只坐汽车，慢些。到家已经是晚饭时间。各种信息流推送的也是烈士纪念日相关新闻，之前看过一些，采取了个性化策略给推荐了这一

通过python爬取各大门户网站的数据，比如儿童/腾讯动漫等。当作是实践python，写写程序。主要是找出源码中html的位置，通过bs4解析，找到参数值/属性值。汽车之家像汽车之家，http://car.qichedaquan.com/carmaster/KR627009。后

进入新的业务领域，使用新的环境、新的工具，有些不太适应，有些心里抵触，在一个环境习惯后，接触到新的完全不同氛围，会有些隔离状态。在旧的环境中，一切都是熟悉的，随拿随取，流程清晰明了，不用请教任何人，时常自己做一些小工具方便自己；而新的环境，需要去熟悉每一个环境啊，每一个流程，一