写在前面

前面三章通过要事管理可以把短期任务集中管理起来；通过早期创造了整块的自主时间；通过习惯养成巩固了自己的好习惯。这章讲述碎片管理——如何高效利用碎片时间。将掌握如何把浪费的时间利用起来的方法。

内容

分析

工作和生活都是应付状态，自己想做的事情也是随意想想又随意放在一旁，大部分时间刷手机自己也并不介意。害怕遇见糟糕的自己，也害怕遇见最棒的自己。

认为时间管理的方法不合适自己。其实哪儿来的适不适合呢？这就好像一个人要学武功，却非说跑步、站桩、练拳之类不适合自己，在他们看来，也许不费吹灰之力一掌把别人打飞才是他们觉得唯一合适的。

工具

安卓手机用户：Rescue Time软件

作用：记录手机和电脑上各种软件的使用时间，并自动按照工作、娱乐、学习等分门别类，每天会生成一张报表来展示你的时间使用情况。

苹果用户：并不用按照老师所说的，只要升级为IOS12即可查看，各个app使用的时间，非常直观，比如我就是社交最多。

方法

待处理清单

结合好工具，接下来就是要好好利用好待处理清单这一个要事清单。

写下你所有要做的事情，尤其是要事，并且随时想到事情随时更新。待处理清单应该成为我们的行动指南。

我们需要主动安排事情，而不是等到迫在眉睫的时候才去处理事情，这样就会导致我们感觉特别忙特别焦急而且压力大，如果没有合理的安排事情，一闲下来我们自然就会觉得无聊没事，找刺激且浪费时间。当我们使用待处理清单来处理事情，我们时间就被分为两个部分，完成清单的时间和其他时间。先完成清单时间，再好好利用其他时间。

写在后面

提升时间利用率我们都应该做的事情，一共三方面：

第一，我们可以使用自动时间记录工具来追踪你的电子设备使用情况，从而掌握自己目前的效率

第二，必须按照带处理清单来执行每天的任务

第三，了解每天执行清单任务所花费的时间。将更多的待办事项随时填写到待处理清单中，进一步扩大时间利用。

时间是你最宝贝的资源，越是富有的人越是这样觉得，逐渐把自己逝去的时间补回来，你就会看到自己巨大的改变，加油！

写在前面

上一节我们学会了如何早起，早起既是一种非常立竿见影的时间管理方法，同时也是一种习惯。和早起一样，我们总觉得这是自己的意志力薄弱，其实，多数人开始培养一个习惯都不自觉的使用了错误的方法，期望过高，太过严苛，也就注定失败。为了养成一个良好的习惯，我们这节将讲解学习如何[如何坚持和养成好习惯]。从”烂开始”，”具象法”和”小红花法”。

写在前面

这里讲的是睡眠管理：如何养成早起习惯！早起，是最养生和搞笑的时间管理方法。但是真要坚持早起，却又难住了很多人。就比如我，曾经参加过早起活动，最后还是以失败告终。不过这部分，我们将学习到无痛起床的技能，帮助我们轻松实现早起并且真正坚持下来。我们也将学习到三个工具：双闹钟法，五分钟清醒术，三条命坚持。

时间管理第一课笔记

如何用清单管理要事

写在前面

我们先来了解下“时间管理四象限”。按照重要性和紧急性两个指标把事情归纳为四类：重要紧急，重要不紧急，不重要紧急以及不重要不紧急。其实就是“要事优先做”，以免变的更加紧急。

但是真正行动起来的时候却发现：越重要的事情我们似乎越是拖着不愿意做，即变的越来越重要越来越紧急，最后就是刚刚好完成，乃至完成不了。戳痛泪点，我就是典型的这样，觉得时间会很多，时间也足够做完，想想还是比较可怕的。

写在前面

继续西瓜书第二章内容，这篇内容以比较检验，偏差与方差为主，即将结束西瓜书第二章内容。

知识点归纳

比较检验

有了实验评估方法和性能度量，就能对学习器的性能进行评估比较。

但是怎么来做这个比较？

实际上，机器学习中性能比较是比较复杂的，这里面主要涉及到三个重要因素。

1、希望比较的是泛化性能，但实际获得的是测试集上的性能，两者对比结果可能未必相同

2、测试集上的性能与测试集本身的选择有很大关系，即便是相同的测试集，测试样例不同，测试结果也会有不同

3、学习算法本身就有一定的随机性，即便相同的参数、相同的测试集，运行多次，结果也会有不同

因此，统计假设检验(hypothesis test)为我们进行学习器性能比较提供了重要依据。

假设检验

为了便于讨论，本篇默认 以错误率为性能度量，用$\epsilon$表示。

比较检验的重要方法是统计假设检验。我们先来链接一下何为假设检验，若想详细了解，请自行学习并参考《概率论与数理统计》浙江大学[第四版]。下面简单的解释一下假设检验。

在总体的分布函数完全未知或只知其形式，但不知其参数的情况，为了推断总体的某些未知特性，提出某些关于总体的假设。我们要根据样本对所提出的假设作出是接受，还是拒绝的决策。假设检验是作出这一决策的过程。

假设检验四步走：

1、条件：满足条件（总体的分布函数完全未知或已知其形式，但不知其参数）

2、目标：推断总体的某位未知特性为目标

3、方法：提出某些关于总体的假设

4、行动：根据样本对所提出的假设作出是接受还是拒绝的决策

假设检验在机器学习的【比较检验】中是如何应用的，接下来来说明解释。

假设检验中的“假设”是对学习器泛化错误率分布的某种判断或猜想。

1、条件：

现实任务中，我们并不知道学习器的泛化错误率$\epsilon$，只能获知其测试错误率$\hat{\epsilon}$.泛化错误率与测试错误率未必相同，但直观上，二者接近性比较大。因此，可根据测试错误率估推出泛化错误率的分布。

2、目标：

“若在测试集上观察到学习器A比B好，则A的泛化性能是否在统计意义上优于B，以及这个结论的把握有多大。”这便是总体的未知性。

3、方法：

以书中的例子为例，“$\epsilon = \epsilon_0$”，将泛化错误率假设为某数值$\epsilon_0$。

4、行动：

通过显著度$\alpha$来判断做出假设该被接受还是拒绝。

举例说明：

测试错误率：$\hat{\epsilon}$

泛化错误率：$\epsilon$

测试样本数：$m$

误分类样本数：$m^\prime$

未完待续

写在前面

这里接精读西瓜书二内容，仍然讲的是模型的评估与选择，主要是性能度量。

知识点归纳

性能度量

先复习一下，机器学习理想的目标。

通过评估学习器的泛化误差，选出泛化误差最小的学习器。

上一节，通过不同的评估方法来选出最终的模型，但是对于学习器的泛化能力进行评估，仅仅评估方法是不够的，还需要有衡量模型泛化能力的评价标准，这就是性能度量(performance measure)。

【性能度量(performance measure)】：衡量模型泛化能力的评价标准

性能度量反映了任务需要，在对比不同模型的能力时，使用不同的性能度量往往会导致不同的评价结果。因此，什么样的学习器是好的，不仅仅取决于算法和数据，还决定于任务需求。

在预测任务中，$y_i$是示例$x_i$的真实标记，要评估学习器$f$的性能，需要把学习器预测结果$f(x)$与真实标记$y$进行比较。

因为有标记，所以讨论的是监督性学习。

写在前面：

第二章主要让我们了解经验误差与拟合，评估方法，比较检验以及偏差与方法，重点主要是评估方法，理解过拟合与欠拟合，roc曲线。

知识点归纳

经验误差与过拟合

【错误率(error rate)】：分类错误的样本占样本总数的比例

例：m个样本中有a个样本分类错误，则错误率$E = a / m$

【精度(accuracy)】：分类正确的样本数占样本总数的比例

例：m个样本中有m-a个分类正确，则精度$A = 1 - E$

【误差(error)】:学习器的实际预测输出与样本的真实输出之间的差异

例：比如有1000个西瓜，其中真实的好瓜有600个，但是学习器预测的只有400个，这之间的差异就是误差。

【训练误差(training error)或经验误差(empirical error)】：学习器在训练集上的误差

注意：学习器就是在训练集上训练出来的，但实际上在回到训练集上对样本进行结果预测的时候，仍会存在误差。（换句话说，就是结果值与标记值不同）

【泛化误差(generalization error)】:学习器在新样本上的误差

写在前面

我们在这里将学习到以下：

• 机器学习定义
• 基本术语
• 假设空间
• 归纳偏好
• 发展历程(了解即可)

数据展示及可视化

1. 数据可视化的重要性

2. 基本图表的绘制及应用场景

3. 数据分析常用图标的绘制

4. Pandas及Seaborn绘图

5. 其他常用的可视化工具

数据可视化准则

• 真实性(Truthful)
• 功能性(Functionality)
• 美观(Beauty)
• 深刻性(Insightful)
• 启发性(Enlightening)

Pandas进阶及统计分析

基本数据对象及操作

数据清洗

数据合并及分组

透视表

基本数据对象及操作

• 2008年由Wes McKinney创建
• 一个强大的分析结构化数据的工具集
• 基础是NumPy，提供了高性能矩阵的运算

链接：pandas