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

你的要求里有三个条件：1. 每个人等概率 2. 人数不固定 3. 即时开奖
去掉任意一个都有可行的方案
去掉 1 不提了
去掉 2: 人数固定就等于提前准备好 N 张签大家抽，这个你自己已经弄清楚了
去掉 3: 蓄水池抽样，但是无法实时开奖

@yuhaocoding #9 人数定了是可以的，但是人数不定就不一样了

这个说不通的，奖品全抽完了后面的人就是 0 概率了

sentiment analysis, 请. 文字的分析已经很成熟了,语音的不了解

不过楼主说是小公司,要自己实现.我的理解是大公司才自己开发,小公司就直接花钱调 api