Michael Jordan és Reggie Miller az Amerikai kosárlabdázás történetének vitathatatlanul meghatározó egyéniségei. Nyilvánvaló, hogy a számokban kifejezett teljesítményük is kiemelkedő, amint az az alábbi táblázatban is jól látható:

A fenti két táblázat a két játékos által bedobott kétpontos és hárompontos kosarak arányát mutatja meg az összes dobáshoz képest (A fenti két táblázatban a "Field Goals" a sikeres dobások, az "Attempts" pedig az összes kosárra dobás meccsenkénti átlagos darabszámát jelenti a két játékos teljes karrierje során) . A kérdésem az, hogy összesítésben vajon melyik játékos teljesítménye jobb?

Ne fogd vissza magad, írd meg a választ!

Pár héttel ezelőtt már írtam egy elméleti szösszenetet a részvények béta-mutatójának értelmezéséről (Részvények béta mutatója – egy amatőr statisztikus szemével) és akkor megígértem, hogy egy gyakorlati példán is bemutatom, hogy mire gondoltam a cikk írása során.

Néhány héttel ezelőtt feladtam egy rejtvényt a közkedvelt memória kártyajátékkal kapcsolatban (StatKvíz - Memória kártya), majd feltettem két kérdést. Az első kérdést már megválaszoltam (StatKvíz - Memória kártya - Megoldás 1. rész),  most pedig megválaszolom a második kérdést is.

Ismét sikerült számomra idegen területre tévednem, de egy kedves olvasó megkeresett privátban, hogy segítsek neki néhány befektetésekkel kapcsolatos mérőszám értelmezésében. Némi diskurzus után elérkeztünk a részvények béta mutatójához és megpróbáltuk közösen értelmezni, hogy ez mit is jelent tulajdonképpen.

A videó, amit ajánlani szeretnék, egészen közérthető és emberi nyelven magyarázza el a gépi tanulás lényegét. A videó angol nyelvű, de szerencsére magyar felirat is van hozzá, szóval akit érdekel, azt ne akadályozza meg semmi abban, hogy élvezettel tanuljon!

A videó a képre kattintva indul el, ne felejtsd el beállítani hozzá a magyar feliratot...

Azt nem tudom, hogy Magyarországon készült-e ilyen felmérés, de a világ másik végén Kínában – pontosabban Pekingben – már készült hasonló.

Néhány héttel ezelőtt feladtam egy rejtvényt a közkedvelt memória kártyajátékkal kapcsolatban (StatKvíz - Memória kártya). Az alábbi videóban megválaszolom a korábbi bejegyzésben feladott két kérdés közül az elsőt.

Mostanra eljutottunk oda, hogy rengeteg különféle statisztikai tesztet megismerhettünk, de van ezeknek egy olyan oldala, amelyről eddig így direktben még nem beszéltünk, ez pedig az, hogy vannak gyengébb és erősebb tesztek. Illetve inkább úgy fogalmaznék, hogy minden statisztikai tesztet végre lehet hajtani úgy, hogy gyenge és úgy is, hogy erős legyen. De mit is jelent az, hogy egy teszt „gyenge”, vagy „erős”?

A Belmont Stakes az Egyesült Államok egyik legrégibb és leghíresebb galoppversenye, amelyet minden év júniusának első vagy második szombatján tartanak a New York állambeli Elmont városában található Belmont Parkban. Ez a verseny az úgynevezett Triple Crown Races sorozat része, amelynek megnyerése az egyik legnagyobb elismerés a galoppversenyek között. A versenyt legelőször 1867-ben rendezték meg, akkor még a Westchester megyei Fordham-ben található Jerome Park Racetrack-en, amely ma Bronx-ban található. Később a versenyt áthelyezték a mai helyére, a fent említett Belmont Parkba.

Ezt a lóversenypályát 1905-ben építtette August Belmont Jr. és William Collins Whitney, az ellipszis alakú másfél mérföld hosszú pálya megnyitója 1905 május 4-én volt. A pálya érdekessége az volt, hogy a korabeli szokásokkal ellentétben a versenyeket az „angol módi szerint” óra járásával megegyezően rendezték, hogy jobb kilátást biztosítsanak a magasabb rangú vendégek és családtagjaik részére a klubház előtt. 1921-től kezdve viszont megfordították a versenyek irányát és ezután a lovak az amerikai hagyományoknak megfelelően az óra járásával ellentétesen versenyeztek a futamok alatt. A változtatás oka nem derül ki teljes mértékben a fellelhető irodalomból, ettől függetlenül ez a tény, illetve az, hogy a győztes lovak neve és a győztes idők pontosan feljegyezve fennmaradtak az utókor számára, érdekes spekulációkra ad lehetőséget.

Előző írásunkban bemutattuk a ’kmeans’ algoritmus lényegét és matematikai hátterét (Tanítsuk a gépet klaszterezni! – A ’kmeans’-algoritmus). Ahogy ígértük, a második részben egy konkrét problémát oldunk meg az első lépéstől az utolsóig, így az előző cikkben bemutatott klaszterezési technika gyakorlati felhasználása mellett betekintést adunk abba is hogy gépi tanulás alatt milyen folyamatot, folyamatokat értünk.