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

在别人那儿这标题应该叫“性能大幅提升”

我试了你的也可以 ac 的，这个测试用例上也是对的，如果你在做的是 108 的话

不如重启试试

只要知道从奇数点开始，不是随便凑凑就出来了吗

很好奇在今天这样的市场表现如何

np.array(a).reshape(3,2).T