确实也是……稍微复杂一点，就要写好多代码

@imn1 我也比较喜欢它可以直接“写”出图形来，不过这个过程比较复杂，可能没有适合的工具也是原因之一吧。

没有联系方式？

斐波拉契数列，递归的方法存在太多的overlapping，大量重复计算，降低了效率

人生就需要这样，体验不同的过程。

挖财应该满足LZ要求

可是现在的模型算法需要把训练数据整体传过去，内存消耗不可避免，可是我不明白的是，为什么600多m的数据在内存中成为python对象之后会占用如此之多的内存

把读取过程做成生成器，然后在生成器之上对每条数据进行类型转换，这样会不会减少内存消耗呢？我现在在上课，只能暂时和大家纸上谈兵了…

机子内存只有4g，有没有什么解决方案呢？

@kennedy32 不太同意这个说法……转换职业，不代表之前的教育经历、工作经验就会变得毫无价值，你的编程技能、工作经验培养了你对看待世界的方式(也许自己并没有意识到这种影响)，这种影响是一辈子的事情。

个人觉得，任何行业其实都存在这个问题，我觉得是个人独立意识的问题，不要安于做一个普通的coder，每天coding之外要学会自己充电，慢慢掌握一些新的东西(包括算法、系统架构、行业前景等)，慢慢形成自己对这个行业的独有看法，从量变到质变，不断提高自己，总会有一天会发现自己已经不再是一个普通的码农了。

@txx 长见识了……

@txx …………为什么会在移动终端上运行这种比较耗时的机器学习的算法呢，感觉好奇怪啊

@txx 大家一起学习啊。话说……你的iOS是指什么啊？总不会是苹果的系统吧？

我已经知道给怎么做了~多谢指教！

@forest520 原来是这么简单的啊。能否这样理解：被分错的点在新数据集上出现的概率大，而正确分类的点在新数据集上出现的概率小，但是由于数据集的大小是固定的，所以同样的错误点在新数据集上可能会出现多次，从而加重了这个点对下一个分类器的影响力，相应的，正确的点就被降低了影响力。

@forest520 这篇文章我之前看过了，基本思路我都了解，但是就是具体实现的时候，我不明白的是，这个权重到底是如何和训练数据发生关系的，权重改变之后，训练数据是如何做出相应改变的，从而使得新训练的分类器能够对上一个分类器分错的点进行更加正确的分类。

大家要放平心态~

没有最好，只有最适合的~个人喜欢vim

可以用jekyll写博客，其实markdown是非常简单的，多写几次就成为习惯了。