Week 2

范数

因为数值分析课程接触到范数的概念，想知道它到底有什么用，正好这篇文章提到它在机器学习中的作用。

• 机器学习中的范数规则化之（一）L0、L1与L2范数
• 机器学习中的范数规则化之（二）核范数与规则项参数选择

L1范数是指向量中各个元素绝对值之和，也有个美称叫“稀疏规则算子”（Lasso regularization）。
任何的规则化算子，如果他在Wi=0的地方不可微，并且可以分解为一个“求和”的形式，那么这个规则化算子就可以实现稀疏。这说是这么说，W的L1范数是绝对值，|w|在w=0处是不可微，但这还是不够直观。这里因为我们需要和L2范数进行对比分析。
除了L1范数，还有一种更受宠幸的规则化范数是L2范数: ||W||2。它也不逊于L1范数，它有两个美称，在回归里面，有人把有它的回归叫“岭回归”（Ridge Regression），有人也叫它“权值衰减weight decay”。这用的很多吧，因为它的强大功效是改善机器学习里面一个非常重要的问题：过拟合。

plotly

之前见过不少的js的可视化库，这次偶然机会看到plotly，它有python借口，使用起来会比较顺畅。官方的教程写的很清楚了，可以直接参考。

• Jupyter Notebook Tutorial in Python
• Getting Started with Plotly for Python

论文

• Estimation of ultrahigh resolution PM2.5 concentrations in urban areas using T 160 m Gaofen-1 AOD retrievals

• Impact of the OMI aerosol optical depth on analysis increments through coupled meteorology–aerosol data assimilation for an Asian dust storm
  原理介绍的挺多

• Toward improving drought monitoring using the remotely sensed soil moisture assimilation: A parallel particle filtering framework
  这篇文章涉及到了对并行问题的讨论

• A Comparison between 3DVAR and EnKF for Data Assimilation Effects on the Yellow Sea Fog Forecast

• Generalized background error covariance matrix model (GEN_BE v2.0)

• Inhomogeneous Background Error Modeling for WRF-Var Using the NMC Method

• Background error covariance with balance constraints for aerosol species and applications in data assimilation