Memo: 一些细碎知识的随笔记录

这篇用于记录一些学习中遇到的细碎知识。大多不是主要领域的知识，所以并未系统地学习和整理，权当备忘和随笔啦。

Quaternion & Rotations

• 二维中绕任意点旋转需要三维矩阵（平移 $\times$ 旋转 $\times$ 平移）：Read
• 三维中绕任意轴旋转需要四维矩阵（四元数表示法）：Read

Python 2 vs 3

(For using Mininet…) Essential coding differences that may sometimes disturb me:

• print a - print(a)
• Integer / division $\to$ integer - $\to$ float
• xrange() iterating - range()

Julia

Notes about Julia during the 6.S083 course at MIT:

• Dynamic + Compiled (high-performance)
  • Good for data science tasks
  • But lacks robustness in some cases 😭, e.g.
    • Lack of index out-of-bound checks
    • Need to follow performance tips, o.w. can perform really bad
• Greek (Unicode) symbols allowed, looks like math 😉
• Some functional programming properties
  • No OOP, functions live outside
  • Multi-dispatch: function is a name and methods are its different variants of signatures
  • Mutation guard by !
• Array{} enables 1/multi-dimensional storage
  • Vector{} is a 1d array
    • Index starts from 1 😭
    • Matlab-flavor . operators
  • Matrices can be represented as a multi-d array

Julia looks like a strange hybrid of Python + Matlab + Lisp to me. But its spirit is great, and it is developing really fast. I like it.

Statistics

• 中心极限定理：对一个总体，做无穷次同样大小样本的抽样，这些样本的均值会呈现一种正态分布
  • 该正态分布的均值即总体的均值（i.e., 样本均值是对总体均值的无偏估计）
  • 该正态分布的标准差即标准误（Standard Error，SE），代表了我随意抽一次样本，这个样本的均值大概会离总体均值有多远的误差
• 标准误 SE = $\frac{\sigma }{\sqrt{n}}$，$\sigma$ 为总体标准差，$n$ 为样本容量
  • 但总体标准差不可知，故使用所抽样本的标准差 $s$ 代替，则标准误 SE $\approx \frac{s}{\sqrt{n}}$
  • 总体遵循对称的分布时，样本标准差 $s$ 更接近总体标准差 $\sigma$（总体若是遵循 skew 的分布，如指数分布，则这个近似会不太精确）；同时，所抽样本容量越大，近似更精确；故当我们对总体遵循的分布有一个事先的认识的情况下，若知道总体是 skew 的（如遵循指数规律），则应选取较大的样本大小，从而使 “使用所抽样本的标准差 $s$ 代替总体标准差 $\sigma$” 这一行为更为精确
• 95% 置信区间 即抽出的样本的均值 $\pm$ 1.96 SE，代表了我有 95% 的信心保证下次抽样的均值应该在这个区间内

将一切未知都交给 random 是一种聪明但有些懒惰的做法 (?)。

Dual Number & Differentiation

二元数（Dual Number）： a + b ϵ