上一篇文章我们讨论了人肉计算中的相关陷阱，这篇文章我们来看看这些陷阱都有什么样的解法。

这周吃饭的时候遇到个人，说什么自己对机器学习非常有兴趣，一直都在做这个。 好嘛，既然你这么自信我就随便问了几个问题： What’s the difference between L1 and L2 regularization? What’s the difference bewteen kernel function and basis function? What’s the benefits to use Rectified Linear Function instead of Sigmoid Function? Explain the relationship between Maxout and ReLU. Is dropout theoretically works when activation function is not a linear function? Why? 好嘛，这几个问题真的很基础，如果你说你做机器学习，搞深度学习，连这几个问题都答不上来，或者答得没办法让我满意。 我最多只能认为你在机器学习领域的建树就是跑过几个 Demo ，了解一些基本概念，把它当「黑盒」来用。 我只能说，基础不牢，连一些基本的东西都搞不清楚的话，真的很难在这条路走得很远。 真的，别聊，别在我面前装，一聊你就暴露水平。

这个人肉计算的系列主题差不多快要接近尾声了。在之前的几篇文章里我们已经看了足够多的输入数据聚合的例子，了解到了一些数据处理的方法。是时候从伦理道德的角度来讨论人肉计算领域存在的问题了。

在上一篇文章中我们讨论了预测市场在某种意义上也是在聚合人类的输入。到目前为止我们已经看过足够多的金融领域在人肉计算中将人类输入进行聚合的例子。这次我们来看一看社会行为分析领域中的三个相关的技术和问题：

1. 基于代理人的建模与模拟
2. 随机模型
3. 社会同步性

社会行为分析旨在探索人口规模下的用户行为的模型的结果。

最近和朋友交流到 Hexo 博客的自动部署问题。其实很早以前我就思考过，由于博客是部署在阿里云上的，而 Hexo 从 本地部署到阿里云这个过程要走国际线路，上传时非常缓慢，于是决定利用 Travis CI 来实现自动构建及部署。

博客的源码结构

这个博客的源码其实从上次维护开始就完全通过 GitHub 私有项目进行托管了。这里截个图可看，大概是这个样子：

上一篇文章我们介绍了如何将人肉计算应用到金融领域的信用风险评级。 在这个模型上，我们只看到了在进行数据聚合时，对当前的信用进行评估，却没有对未来事件进行预测。 这一节我们就来看一个关于预测的例子：预测市场。 同样在开始之前，我们需要铺垫一些金融知识。

上一篇文章我们简单「水」过了已经耳熟能详的 PageRank。这里简单总结一下：

• 一个社交网络其实就是一个矩阵；
• 如果这个社交网络是一个加权有向图，那么通过 PageRank 算法可以根据边的权值和流向确定网络中节点的重要性排名；
• 排名最高者就是特征向量中心，这个节点在整个网络中的地位最为重要。

这一篇文章我们来真正看看输入数据聚合的实际例子，如何将人肉计算应用到信用风险评级当中。 本文讨论内容基于这篇文章¹，但在谈论具体的模型之前，我们需要铺垫一些金融学知识，首先就是：什么是信用风险评级？它有什么问题？

从蜗居县城，到参加高考，到大城市读大学，再到出国，一路走来感觉很应景，感触很深。回过头去看高中年代写的一些 文字，明显感到自己的眼界不够宽广。最近看到这样一篇文章： http://erikrood.com/Posts/college_roi_.html?utm_source=wanqu.co&utm_campaign=Wanqu+Daily&utm_medium=website 不经反思，读书究竟给我带来了什么，到现在为止依然需要家人给与支持，忙于不知道什么时候能够用上的书本知识。尽管我总是自我安慰的把这叫做「积累」。 总的来说，可能读书带给我的唯一好处就是：给我提供了一个背井离乡的理由与机遇，越走越远，永远不会去过家乡的亲戚朋友那种一眼就望到头的人生。

本文作为课程报告写于本科一年级时通识选修课《经济学百年》

摘要

本文讨论了现代企业理论在当下IT企业中的适用性，分析了IT企业与市场的界限。列举了AT&T、Microsoft、Oracle这 些IT企业的商业模式，详细分析了Google的商业模式;并在信息产业规律下讨论了企业生灭问题，以及Google的资本结构。

关键词：现代企业理论、Information technology firm、Google、商业模式、资本结构、信息产业规律

上一篇文章中我们已经初步谈到了在一个人肉计算系统中输入数据聚合的重要性。那么具体都有些什么聚合技术呢？本文我们将探讨最经典的 PageRank 方法。