做了与机器学习相关的项目好久了，但对机器学习一直没有一个系统的认识，导致在切入一些新的领域时力有不逮，总感觉理解有偏差或者理解困难，因此想系统地、详细地学习机器学习，就从周志华的西瓜书和Andrew Ng的机器学习视频开始吧。

在primal simplex算法中，每轮迭代都需要选择most candidate的方向并移动到邻近的顶点上，那么，用什么来评估方向的好坏呢？我们知道，选择一个方向走下去对目标值的改善程度是由方向和步长决定的，对于标准型的线性规划问题而言，使目标值下降的方向是reduced cost $d_j <= 0$的那些非基变量，理论上来说，任意一个满足$d_j <= 0$条件的非基变量都可以作为入基，但是我们不是那么随便的人，肯定不会随便选，那要如何选择呢？

用一高一矮两个人来比喻，同样是走100步，你觉得是高的人走的远还是矮的人走得远呢（莫杠，正常场景）？同理，我这里当然是选择单位步长下能走更远的非基变量，当然，步长也是决定你能走多远的重要因素，这里暂且不论，就考虑最基本的dantzig的选基算法，即

选入基的法则非常简单对不对，那么假设你处在某一次迭代中，想要计算所有非基变量的reduced cost $d_j, j\in N$，难道需要用reduced cost的计算公式每次计算？

显然大家不会那么傻，就跟revised simplex的$B^{-1}$更新一样，两次迭代间的reduced cost也是有关联关系的，接下来就给大家推导一下，不感兴趣的可以直接跳到结论了哈。

对于一个genenal形式的LP问题：

通过增加结构变量的形式可以转成一般形式的LP问题：

注意到当前的$x$包含原始变量和结构变量，记为$x_c$和$x_r$。

假设primal feasible，由对偶问题性质$Ay+s=c$，那么对于任意迭代时刻，都有如下条件满足

其中$s_B, s_N$分别为对应基矩阵和非基矩阵的reduced costs。

本科学过c++的数据结构了，但研究生转无线通信后就忘的差不多了，现在重新复习下栈。

实习笔试试题，有些没投（准备好先），拿过来先看了看

就从最简单的线性回归模型（Linear Regression model）开始学习吧。

Recently my survey was rejected and required minor revision, while I have to submit a revised article with the “editing mode” feature turned on. Because I use Miktex+Texstudio to edit my paper in windows 10, Latexdiff is considered of course.

One day when I try to sort a DataFrame by a column, an amazing mistake happens!

​ Before we start, you have to know what is the difference between static site and dynamic site. Let’s take a look at the definition in Wiki: