懒得自己折腾，又需要命令行的，很大一部分会选择 mac

楼主先说了定位像 system76，又说目标是对 linux 不熟悉但是有需求的人，感觉有点冲突

1. 公式不会推很有可能过不了面试
2. 架构和 io 这种，在学生 /实验室阶段很有可能变成闭门造车。你辛苦研究了两年，毕业了发现大厂早就有比你自己项目完善得多的全套工具，支持的数据可能还比你高几个数量级
3. 你的“一些模型”不知道具体指什么，是指最新的论文吗？但是大部分论文多多少少都会有一些公式

既然做模型，有考虑过 baseline 对比码？比如直接按赔率换算

@jadec0der #15 我记得楼主之前还提到转行不做运维 /码农，说有个符合自己爱好的行业，但也没下文了

不确定我对定义的理解对不对，但感觉上全部顶点里，任意去掉其中一个顶点，剩下的集合是一个顶点覆盖集。

假设这个 N-1 个顶点组成的集合不是顶点覆盖集：首先全部顶点组成的集合肯定是顶点覆盖集，那么意味着去掉这个顶点导致至少有一条与这个顶点相连的边不再被覆盖。但是因为我们只去掉了一个顶点，所以这条边的另一个顶点覆盖了这条边，因此假设不成立。

于是最小顶点覆盖集至多只要 N-1 个顶点

因为概率密度不一样，是个分段函数，感觉上肯定是要用到 if else 。宁可多写几行，不然以后很容易被自己坑

@Goldilocks AD 是 admission，指的是没奖学金的录取

建议看看黎曼函数

另外因为实数的稠密性，你做不到只包含 2 个点

@Goldilocks #11
打了一大段话又删了，其实大家都说的很清楚了，没必要为了圆自己一句话硬杠

很多人也提到了，假赛才是主要问题，买通个别队员，比在代码里埋后门难被发现多了

我觉得 lz 提的问题挺有意义的，主要是服务端 /官方作弊的可能性。

RTS 和 moba，一定程度上是“确定”的，相同的操作结果会导致相同的结果，之前有人提到的魔兽改数据就会被发现。

而吃鸡这种强调随机性的，或者卡牌类神抽翻盘的，裁判 /观众是无法分辨的。

当然区块链我觉得纯属瞎蹭热度

不知道你几个前玩的那个游戏玩的人多不多，但实际也可能是这个新游戏的推广人员收集了一波姓名电话，然后随便报了个游戏名字。可能是热门游戏，也可能是和他们要推广的比较像

lz 的 mask = np.array([1,3,5,7]) 一般不叫 mask，叫 indices 比较合理

mask 应该是
mask = np.zeros_like(arr)
mask[indices] = 1

然后
res = np.where(mask, arr, 0)

直观的感受是，项目部分罗列的有点太多而不够细，给人一种数据已经准备好了，拿个模型往上套一下的“作业”的感觉。举个例子，识别猫的那一个，一般理解肯定是用 cnn 做的，楼主用 logistic regression 也许是那时候刚学到这儿。

其它的项目里，拿识别手势这个举个例子。我第一反应是，数据集很重要，怎么做数据增强之类的。如果没有考虑过这些，可以想一想，精简一下项目数量，添加一些细节。包括 kaggle 上找一些已经结束的比赛，看看别人在模型之外还做了什么

@Xs0ul #51 修正 1/3 -> 2/3

验证很简单，把数字改小就好了，改成冰箱 1 有 1 瓶，冰箱 2 有 2 瓶，拿两天

按照 31/61 的做法，结果应该是 1/3

实际直接暴力解，概率是第一天拿抽冰箱 1 有 1/2，第一天抽到冰箱 2 并且第二天抽到冰箱 1 是 1/4，合计 3/4

而 3/4 就是 n=2，p=0.5 的二项分布的累加和

等价的问题是，扔 60 次硬币，正面小于等于 30 次的概率，是二项分布的累加和

具体结果楼上已经用 wolfram alpha 算出来了

听四年成熟的描述，有点怀疑是期权还是股权

1. 经历里时态要统一，比如最后的 game classification，三个分别是 collected，using 和 classified 就很别扭
2. steam 的数据，不知道你是用的 kaggle 的还是自己爬的。如果是 kaggle 现成的，说 collect 就有点投机。另外对于这个项目，描述上感觉不太清晰。一般第一反应该是个推荐系统，但是你描述为 classification 就比较难理解你训练时候的 target 是什么
3. machine learning 的 skills 里，把 CNN 塞在这堆传统的模型中间有点怪，而且给人一种只用过 CNN 而不了解其它 deep learning 的感觉。包括单写了个 regression models 也挺别扭的。建议把这堆模型放到项目经历里，skills 里放 scikit learning, keras 这些