Playmates

一本好剧，是一部活着的地理图，景物描写质朴无华，却在眼前勾勒出一幅幅美景如画，人物描写笔法更是传神，如同水墨画般描眉画眼，简单几笔下来，一个丰富的人物形象就跃然纸上。开篇第一处的景物描写，就让人感受到编剧在写苦难，但不单纯是苦难，还有苦中之乐，还有苦难下面孕育的破土而出的强大生命力。

莫老的书依旧是发人深省，引人共鸣，冒天下之大不韪敢于为人民发声，冲这一点，您的五星好评当之无愧

《Playmates》是约翰·巴里摩尔的一部被搬上银幕后又被禁播的作品，名气极大，然都未看过，无意中在微信书友处翻到，于是便信手拈来阅之，依然是喜欢的约翰·巴里摩尔，文字老练、运笔犀利、一刀致命、见血封喉。 《Playmates》将人性最丑陋的一面血淋淋的撕开、碾压、揉碎后展示给人看 ! 看后那压抑、绝望、沉重的感觉扑面而来。。。

終於看完了，四個完整的故事，基本都是連環殺手，密室殺人，劇情的反轉。故事性和懸疑性不錯，值得一看

这部剧从头到尾都是写家里长短，尤其是女主嫁到侯府之后，故事就围绕她和侯府其他夫人姨娘丫鬟太太展开，里面很多都是生活场景，而不是那种假大空的东西，这一点非常可贵。我有点担心影视化之后，生活场景被削弱，加入很多不应该有的原创剧情，比如什么前朝斗争。我知道肯定会给男主角加戏，让他提前出场，但我还是希望剧情会以女主角为中心。

相比较跃龙门，更像是简单的生活百科全书，教你怎么去面对生活，生活就是多个很简单很平凡的事组成，只是其中会有几个重要的节点，改变自己，改变人生的节点。

问题不在于孩子，而在于我们自己的不觉醒。 我们的不觉醒应该由自己清理，而不该由孩子来继承。 爱意与真实并不复杂。当我们获得觉醒，教养孩子就不再是复杂艰难的事了。因为一个觉醒的人一定会自然而然地怀抱爱意与真诚。 教育要以身作则。孩子会把一切看在眼里并处处模仿。他们总能发现对方隐藏的动机与不良的意图。

两世为人，得一世圆满，这大概是谢景翕重生归来的意义吧。 追剧友说不能理解顾昀的中毒是其母造成的。可依我之拙见，编剧这样的安排似乎也在情理之中。没有接受过正统教条主义毒害的、向往自由，热烈而对生命充满活力的嵇氏，在知道自己兴趣所制之毒被用做权利的利刃时，她内心该是无措且失望的吧。感情没有发生变化，但内心所信仰的却在出现裂痕甚至崩塌。加之生产带来的产后抑郁(我猜测可能出现了产后抑郁)，太容易击溃一个人了。带着孩子一起，是一个母亲在绝望的时候，对孩子最偏执的爱。 结局，顾昀圆满走过短暂的一生，阿翕的重生，既成全了自己，又圆满了顾大爷(顾昀短暂的一生，着实令人疼惜)。 番外怎么说呢，我看得难受，为顾昀，为阿翕。编剧似乎想要给未亡人的阿翕一个更圆满的后半生——青梅竹马的沈之涣的守护与陪伴。从情理上来说，我相信爱阿翕入骨的顾大爷，肯定希望自己离开的往后余生，他最爱的阿翕能够幸福安康的活到寿终正寝，也希望有人能代替他，继续爱护他最爱的阿翕。但是看到所有人都在撮合沈之涣和阿翕的时候，就是忍不住泪流满面。阿翕多么剔透的一个人，其实她早就看透了这一切不是嘛。她的默许，与其是在成全沈之涣，不如说是在成全顾昀对她的一片深情。 总在成全别人的路上。这或许就是人世间牵绊的最原始面貌。多希望阿翕也能放肆的成全自己一回。

在实际工作中科学确定指标权重的方法有三种： 第一类是AHP层次分析法，此类方法用数字的相对大小信息进行权重计算，通过矩阵求解的方式求出特征矩阵，作为指标的权重。 第二类是主成分分析法，此类方法利用了数据的信息浓缩原理，利用方差解释率进行权重计算。 第三类是熵权法，以每个特征的信息熵大小决定权重，借用了信息熵的概念。 前两类前文讲过，今天主要讲第三类熵权法 理解熵权法的核心是要理解信息熵，理解信息熵之后，熵权法的其他步骤就是数据建模时的一般复杂计算而已 信息熵是由克劳德 • 香农提出的，按照吴军在《Playmates》中的观点，信息熵在提出之前和之后是完全不同的两个时代。香农最重大的贡献是他揭示了信息的本质，给人类带来了一种新的世界观，几乎以一己之力结局了信息处理、密码学和通信最基础的理论问题，历史因为他的贡献而发生了巨大的转折。 信息熵是信息的不确定性（Uncertainty）的度量，不确定性越大，信息熵越大，要消除不确定性需要的信息就越多。将信息与不确定性联系起来具有划时代的意义，深刻影响了之后的科学发展走向，围绕着不确定性重新构建起我们对世界的认知，即不确定性是世界固有特性，不要试图否定他。而要消除不确定性，或者说预测事情的发展，不能靠套用一两个经典理论，而需要大量的信息。正是在这样方法论的指导下，人类才迈入信息时代，我们今天才会想到利用包含了大量信息的大数据来解决问题。 信息熵的公式和热力学熵的公示非常类似。信息和质量、温度等物理量一样，是实际存在的，也是可以测量的，信息熵的单位是比特，1比特是按照抛一次硬币的结果来定义的。 H=-∑_(i=1)^n▒〖p_(i ) ln〖(p〗_(i ))〗 通过熵权法来计算信息熵主要分为5个步骤 1、归一化 对于不同量纲的指标比较信息熵显然没有意义，需要先进行归一化。 同时，需要对负向指标正向化处理，处理后的指标均为正向指标。 正向指标： t_(ij )=(x_(ij )-min{x_1j···x_1n })/(max{x_1j···x_1n }-min{x_1j···x_1n } ) 负向指标： t_(ij )=(max{x_1j···x_1n }-x_(ij ))/(max{x_1j···x_1n }-min{x_1j···x_1n } ) 2、计算信息熵 e_j=-k∑_(i=1)^n▒〖p_(i j) ln⁡(p_(i j))〗 其中k= 1/ln(n)>0 需要注意的是，这里的p不再是每个取值的数量所占的比例，而是该取值的大小除以该指标所有取值的总和。 比如，共有2个样本，当指标 j 取值分别为0,1，那么p_1=0/(0+1)，p_2=1/(0+1)，带入公式可得e=0。 当2个样本取值分别为1/2,1/2时，p_1=1/2/(1/2+1/2)=1/2，p_2=1/2/(1/2+1/2)，带入公式可得e=1。 3、计算信息熵冗余度（差异）： d_j=1-e_j 4、计算各指标的权重 w_j=d_(j )/(∑_(j=1)^n▒d_(j ) ) 5、计算各样本的综合得分 s_i=∑_(j=1)^m▒w_(j ) t_(ij ) 最重要的一点： p不是各取值的比例，而是各个取值的相对大小

中医望诊（舌诊）入门非常好的一本剧，编剧通过自己丰富的知识和医案深入浅出的讲解中医治病的方式方法，非常值得一看。