[Книга] Buddhism Plain and Simple: отложите быстрые суждения о хорошем/плохом, приятном/вредном, просто присутствуйте и сначала наблюдайте: Это называется просветлением. Это не что иное, как видеть вещи такими, какие они есть, а не такими, какими мы хотим или верим, что они должны быть.

[Книга] Были сделаны ошибки(пройдено на 50%).Каждый сам оправдывает свои действия. Уменьшите это влияние на себя. Распространите это на других людей (особенно на вашего партнера): «Успешные партнеры распространяют друг на друга те же способы самопрощения, которые мы распространяем на себя: они прощают ошибки друг друга, как связанные с ситуацией, но отдавайте друг другу должное за то, что они делают вдумчиво и с любовью. Если один партнер делает что-то необдуманное или находится в раздражительном настроении, другой склонен списывать это на результат событий, в которых партнер не виноват:

  • Я прочитал эту книгу только наполовину, но я считаю, что идея [распространить ту же привычку самооправдания, которую вы применяете к себе, на других] более приемлема, чем [применить наиболее великодушное толкование действий других]. Первое звучит как «будь справедливым», тогда как второе звучит как «прилагай больше усилий, чем другие люди».

Haskell. Беглый просмотр Real World Haskell. Одна интуиция: Монады = обертки поверх необработанных значений, которые поддерживают (1) обертку значений и (2) выполнение необработанных преобразований над необработанными значениями внутри оболочки — нет разворачивая оболочку, потому что иногда обертка не может быть развернута.

Питон. Используйте snakeviz для профиля производительности. Dataclass похож на AutoValue в Java. Используйте poetry вместо venv.

Простая модель на основе правил и машинное обучение. https://blog.acolyer.org/2019/10/28/interpretable-models/. Избавьтесь от стереотипа, что простые модели без машинного обучения — это плохо. Иногда для практической ситуации на самом деле лучше всего закончить с простыми правилами если-иначе для вашей окончательной производственной модели. Неинтерпретируемость в некоторых условиях обходится дорого. Цитата: Если задачи достаточно структурированы и есть много моделей, которые хорошо справляются с задачей, наверняка есть по крайней мере одна модель, которую также можно интерпретировать в этом пространстве.

Дифференциальная конфиденциальность

  • Настройка эпсилон: учитывайте масштаб. Вместо использования epsilon вы можете вместо этого настроить epsilon с поправкой на масштаб = epsilon * n, где n — размер набора данных. Вместо этого, настраивая это отношение, вы автоматически получаете такие эффекты, как: Если n велико, вы можете использовать меньшее значение эпсилон. Если вы сделаете еще немного математических расчетов для линейных запросов, это фактически эквивалентно корректировке относительной ошибки* слабости привязки столбца для запросов SUM.
  • Конфиденциальность на уровне пользователя: наивная реализация, повышенная конфиденциальность. Наивная реализация простой замены кратности базовой чувствительности каждой таблицы вносит слишком много шума. Рассмотрим (1) не линейные по записи запросы, такие как COUNT(distinct(user)) — чувствительность на уровне пользователя равна 1: вам не нужно умножать на K. (2) объединение — не умножайте дважды пользовательские множественность. Когда ваша реализация уже соответствует истинной чувствительности, единственный способ уменьшить масштаб шума — это уменьшить саму истинную чувствительность путем искажения данных. Например. зажимы вклада каждого пользователя Google dp + количество групп, внесших усечение.