Q 01：2006年，你的野心是什么！ 『出题人：狐狸』

A：老婆背着我爬泰山，到玉皇顶跟我说“我愿意，我不累”。

Q 03：如果你可以變成動漫 /卡通裡的角色，你想變成誰，說出原因。『出題人：貓貓HISA』

A：圣斗士星矢，因为只用会一招就行了。另外趴下多少回都能爬起来。

Q 04：最想到什麼地方定居。和誰一起去。以及原因。很簡單的問題吧。 『出題人：熊子』

A：北京。跟一大家子人。因为大家都在北京。

Q 05：覺得人生對自己最重要的是什麼？ 『出題人：lulu 』

A：命

Q 06：你一覺醒來，發現全世界的人都看不見你，也聽不見你說話，你會怎麼辦？『出題人：櫻桃貓貓 』

A：想办法复原。

Q 07：如果可以從機器貓（也奏是哆啦A夢）那裡得到一樣寶貝，你想得到什麼？『出題人：小文』

A：记忆面包。

Q 08：如果重新讓你選擇一次已經過完的這段人生，你會想從什麼時候開始？換句話說，你對自己什麼階段最後悔，想重新來過？『出題人：野孩子』

A：从我长第一颗青春痘的前一天。 

Q 09：你最後一次發自內心的笑是什麼時候？ 『出題人：chimneycrow』

A：估计是死前。 

Q 10：你認為孫悟空和黑貓警長哪個更性感點？『出題人：假民工』

A：黑猫警长！因为它有枪。 

Q 11： 死的時候你送什麼給我？ 『出題人：benbenz』

A：冥币。

Q 12：人為什麼要識字？是為了活得漂亮一點，還是為了憂患？ 『出題人：sep』

A：就是，干嘛非得识字儿！能读2进制码就可以了！

Q 13：你非常醜，只有你最愛的人愛你；你非常美，除了你最愛的人人人都愛你。如何選擇？『出題人：半緣君』

A：人人都爱我可能吃不消，可是又不想太丑。就现在这样吧。 

Q 14：有一天，我們會忘了追逐，忘了這些曾經深深淺淺的心跡嗎？那時候會感覺更幸福嗎？ 『出題人：暗處明媚』

A：题太深！蒙一个我选C 

Q 15：你可認為內心的沉靜是一種幸福？你希望在何時（年齡），在什麼樣的境遇下，過一種平靜如水（當然是要感覺到內心的沉靜幸福）的生活？『出題人：小陶』

A：对不同的人不一样。我希望每个星期有那么个两三天就成了。 

Q 16：說出三樣最喜歡的物品，看著這幾個名詞並排寫在一起就覺得開心。 『出題人：陳小可』

A ：美元，澳刀，人民币。 

Q 17： 你的人生也好，愛情也好，事業也好，假如可以是萬事俱備，只欠東風，你希望這個東風是什麼? 『出題人：Echo』

A： 我希望是我的主观意愿。 

A：还没有过。

Q 19：寫下對你生命中具有特殊意義的一首歌的名字。並講述原因。 『出題人：黎明之穹』

A：《我的祖国》我的最爱

Q 20：告訴我幸福的含義，怎麼樣才能讓自己幸福？『出題人：接近幸福的小女人』

A：幸福就是哪儿哪儿都是好事儿。你要觉得什么都是好事儿不就幸福了吗。

Q 21：用幾個形容詞確切地概括一下你心目中白馬王子的形象 『出題人：貓咪的眼淚』

A： 马身上的毛都是白色的，没有杂毛，他爸爸是国王。 

Q 22：當你孤單的時候你會想起誰？ 『出題人：飛飛』

A：大家伙儿。 

Q 23：回憶中最有溫度的一件事。（至於「有溫度」，可以自己理解，並沒有什麼確切的含義~~~）『出題人：leelily』

A： 姥爷走的那一天，我握着他的手。他想说话，可是说不出来。我哭，他冲我摇摇头。他的手肿得很厉害，干干的，硬硬的，凉凉的...

Q 24：如果你只能有一個孩子的話，你希望是個男孩還是女孩。『出題人：BlueFish』

A：男的。

Q 25：如果世界上只有 2 種人，一種是聰明，一種是笨的，你是哪一種？『出題人：Audrey』

A：我肯定不是笨的。

Q 26：女人最大的魅力在哪裡呢？（男女同學都可以表達一下子哦）『出題人：嘟嘟』

A ：可以很自然的干出一些我费脑费力很久做不出干不好的事儿。

Q 27：除了快樂之外，你對你自己和對你的小孩（現有的或未來的）最大的要求和期望是什麼？『出題人：紐約浪人』

A：踏实 平和 自律  

Q 28：如果有来生可以选择，你还会做人么？？『出題人：橙色Nobody』

A：还可以做什么？

Q 29：设计奥运福娃的重任落到你身上了，交出你的设计方案来。『出題人：Jin 』

A： 卧龙先生。

Q 30：你有过参军，报效祖国的意念吗？ 『出題人：yhqjane盼 』

A：有 

Q 31：有两种人，一种爱情占他生活的10％，他会对爱100％的付出。另一种爱情占他生活的100％，但他只会付出10％给一个人。（前一种就是说他是一个专一的大闷蛋，后一种就是浪漫的花心大萝卜）你选哪一个？『出題人：fefe』

A ：第一种。

Q 32：爱情可以分割吗？换句话就是：一个人可不可以同时爱上很多人？（这问题中学就和月讨论过，没答案）[出题人：gracie] 

来自老大jeefance的spacehttp://spaces.msn.com/members/jeefance

游戏规则：被点名者在自己blog上写下答案，并多加一个题目，然后把题目丢给另外五个人，并且到这些人的留言版上留下：“你被点名了。”这五个人在自己的blog注明是从哪一个blogger那里传来的题目，然后写下答案，并另写一个问题，再去贴另外五个人。如此继续下去.

注一下：回答问题的时候是要回答前面所有人提的问题。
 
問題1：2005年……你的野心是什么！[出题人：狐狸]

回北京。

問題2：為以下物品撰寫一句話。此物品為二鍋頭。[出题人：葵] 
二锅头=两锅头=两锅脑袋

問題3：叙述你或者你想象中的最窘的一次恋爱经历~[限原创；字数250字以上=v=][出題人：栗子]

[开始想象]两个gay彼此相爱，无奈世俗纷扰，终不能成眷属。终于其中一个下定决心，在情人节前夕托词出差，其实去做变性手术，想在情人节给对方个惊喜。没想到情人节那天，他收到了同样的惊喜。两人抱头痛哭，下定决心，不理世俗，专心搞lesbian。[想象结束]

問題4：一天早上起來，發現自己身邊的人都變成蛤蟆似的只會跳，只會呱呱叫，你怎麽辦||[出題人：鬼丸]

嘲笑他们。

問題5：如果發現自己最近衰到極點，你會怎麽辦……[出題人：星星] 
这题真是给我出的，什么时候认识一下星星？我会安慰自己一衰更有一衰衰，谁知道明天衰成什么样儿，所以比较起来今天还好了，忍了吧。一般我的朋友衰的话，他们会想想我的事迹，然后幸福的一笑，超然释怀。所以实在太衰了的时候我就想又为大家做了一次贡献...

 
問題6：世界末日前三天，你最想做什麼瘋狂舉動？[出題人：綠緣] 
抢神6！

 
問題7：每次被传接力题后你的反应是啥？[出题人：火汐] 
没有特殊反应。
 
問題8：如果想得到的东西近在咫尺你却全身无法动弹.你会怎么办？[出题人：tata] 
闭眼。
 
問題9：理性与感性，对于你来说哪种比较占上风？ [出题人：yukito]
理性。

 
問題10：如果看到最爱的人熟睡在自己面前,你会做些什么?[出题人：雪影]
一起睡呗。呵呵

 
問題11：这个其实不是我自己提出的问题，而是别人的……因为想知道答案。你一直所守护的那个人, 如果在某一天为了你而亲自改变自己的历史.或许只是一念之差, 或许是一直以来的愿望, 他选择放弃更幸福的，而和你一起走向陌生的另一条道路. 那时侯,你会感到更幸福吗?[出题人：慧子]
不懂。

 
問題12：你有否曾经觉得周围所有人都和你相抵触,都和你背道而驰,而关键是,你会因此而责怪自己么?[出题人：钠欧]
没有过。
 
問題13：如果你并不怎么亲近的人，向你撒娇，你会觉得不舒服吗？［出题人：清音］
撒吧，没事儿。

 
問題14：博爱和花心有区别么？[出题人：莱克斯]
博爱是又爱男的又爱女的，呵呵。
 
問題15：你再继续往下想着{問題16}的时候，第一个出现你脑子里想要问的是什么？阅读该题目之后，请在15秒内做答！［出题人：几木］
不懂。

问题16：觉得送什么样的礼物最和你心意？（林萱琪）
钱。

 
问题17：最喜欢喝哪种饮料?[出题人：Before] 
红茶。
 
问题18：想结束掉这个游戏的请举手？（zhi) 
举。
 
问题19：知道老爸老妈的结婚纪念日吗？ （朱古力）
知道。 

问题20：请写出吃麻辣烫时必选的荤/素菜（出题人：夏无桀）
我不吃麻辣烫。

 
问题21：请写出最尴尬的一次走光经历（出题人：魔名）
都挺尴尬的。

 
问题22：请暴一下初吻时的感觉吧。[出题人：Arkay]
她不张嘴...

 
问题23：如果可以，你想变成谁？[出题人：晴天有雨]
卧龙先生

 
问题24：30岁那年的某天午后，我们还依然一起约上三五知心好友，开心的饮茶吗？[出题人：烈酒]
但愿那时候我人在北京。

 
问题24：如果真有下辈子，你想变男人还是女人？还是其他什么东西？为什么？？[出题人：维尼]
男人。

 
问题25：怎么才可以在做每件事之前都考虑好后果还处理的尽善尽美...?[出题人: 甲乙路人]
找机器猫。
 
问题26：下班后最想做的第一件事是什么？[出题人:Shirley] 
不知道。
 
问题27：爱情里面，男女之间有平等可言嘛? 【出题人：向日の团】
没有。
 
问题28：我的是选择题，题目是，每天都要遇到自己厌恶至极的人，你对他的态度是  A，当成空气 B，当成氨气  C，当成沙包  D，当成晚餐  【出题人：橙子】
B

 
问题29：地位平等的音响和照相机应该先买哪个？[出题人：catindark]
音响
 
问题30：怎么结束这个游戏？【nala】
也在想

 
问题31：你最得意,最不想改掉的缺点是...？【joanna】
能蛋

 
问题32：遇到外星人，你会怎么办？[ 出题者：涵 ]
跟他蛋

问题33：描述一下的你记忆中/现在的那个暗恋对象吧，字数不限，但要写出特征 [sammi]

22岁的梁咏琪

问题34：下面两种情况你会选择哪一种？30天不带薪的假期；额外给你5000元让你连着一个月上班。【gogo】

假期

问题35：你们想把传给你这个游戏的人怎么样？：（  [出题者：April]

对老大也不能怎么样

问题36：灯神给你一个愿望，你要什么？（好事者，不能祈求灯神给你更多的愿望） [出题者:Jeef]

我要当神灯！

问题37：神七选你当飞行员，但是要去与世隔绝的地方集训5年，切断所有外界联系，去不去？[出题者：piggy]

我就不点名了，大家谁看着有意思就答题吧

Bayes formula: P(x|y) = P(y|x)P(x) / å_xÎX P(y|x)P(x) = P(y|x)P(x) / P(y)

Bayes decision rule:

To minimize the overall risk(R=ò R(a(x)|x) p(x)dx ), compute the conditional risk R(a_i|x) = åλ(a_i|w_j)P(w_j|x) for each i, and then select the action a_i for which R(a_i|x) is minimum. The resulting minimum overall risk is called the Bayes risk, R*, and is the best performance that can be achieved.

(λ(a_i|w_j) is loss function )

Tow category classification

Let λ_ij = λ(a_i|w_j)

We decide w₁ if

(λ₂₁ – λ₁₁) P(x|w₁)P(w₁) > (λ₁₂ – λ₂₂) P(x|w₂)P(w₂)

Assume λ₂₁ > λ₁₁

To decide w₁ if

P(x|w₁) / P(x|w₂) > (λ₁₂ – λ₂₂)P(w₂) / (λ₂₁ – λ₁₁)P(w₁)

Thus the Bayes decision rule can be interpreted as calling for deciding w₁ if the likelihood ratio (P(x|w₁) / P(x|w₂)) exceeds a threshold value that is independent of x.

Minimum-error-rate classification

If true state of nature is w_j, decision is correct if i=j.

Zero-one loss: when i=j λ(a_i|w_j)=0

                                  i¹j λ(a_i|w_j)=1

then when i¹j  R(a_i|x) = åλ(a_i|w_j)P(w_j|x)= R(a_i|x) = åP(w_j|x) =1- P(w_i|x)

P(w_i|x) is the conditional probability that action a_i is correct.

For minimum error rate:

Decide w_i if P(w_i|x) > P(w_j|x)

Classifiers, discriminant functions, and decision surfaces

The multicategory case

The classifier is said to assign a feature vector x to class w_i if

g_i(x) > g_j(x)

g(x) is discriminant function

A network representation of a classifier: with d inputs and c g(x)s, then it determines which of the discriminant values is the maximum, and categorizes the input pattern accordingly.

Bayes classifier:

g_i(x) = -R(a_i|x) g_i(x) is maximum when conditional risk is minimum

Minimum-error-rate classifier:

g_i(x) = P(w_i|x)  g_i(x) is maximum when P(w_i|x)   is minimum

g_i(x) can be replaced by f(g(x)) when f is a monotonically increasing function, the result  is unchanged.

The effect of any decision rule is to divide the feature space in to c decision regions, R₁,…, R_c. If g_i(x) > g_j(x) for all i¹j, then x is in R_i.

The tow-category case

Dichotomizer (tow-category classifier) use single discriminant function

g(x) = g₁(x) – g₂(x)

Decide w₁ if g(x)>0; otherwise decide w₂

For minimum-error-rate classification:

g(x)= P(w₁|x) - P(w_i|x)

or g(x)=  ln(P(x|w₁) / P(x|w₂)) + ln (P(w₁)/ P(w₂)

The normal density

Multivariate density

p(x) = 1 / (2π)^d/2|S|^1/2 exp[-1/2(x-m)^t S ^-1(x-m)]

p(x) ~ N(m, S).

x is d-component column vector, m is the d-component mean vector(m=òxp(x)dx), S is the d-by-d covariance matrix(S=ò (x-m) (m- x)^t p(x)dx)

σ _ij = e[(x_i-m_i)(x_j-m_j)]

Linear combination: p(x) ~ N(m, S), y=A^tx, then p(y) ~ N(A^tm, A^tSA)

The multivariate normal density is completely specified by the elements of the mean vector m and the independent elements of the covariance matrix S. (m determine the centre and S determine the shape)

Discriminant functions for normal density

If  P(x|w_i) ~ N(m_i, S_i)

Discriminant function g_i(x) = -1/2(x-m_i)^t S_i ^-1(x-m_i) – d/2 ln2π – 1/2ln|S_i| + lnP(w_i)

Case 1: S_i = σ²I

g_i(x) = -|| x-m_i ||² /2 σ² + lnP(w_i)

|| x-m_i ||² = (x-m_i)^t(x-m_i) which is Euclidean norm

g_i(x) = -[x^tx - 2m_i^tx + m_i^tm_i]/2 σ² + lnP(w_i)

x^tx is the same for all i, making it an ignorable additive constant, so we get the equivalent linear discriminant function :

g_i(x) = w_i^tx + w_i0

w_i= m_i/ σ²  

w_i0 = -m_i^tm_i /2 σ² + lnP(w_i) which is called threshold for the ith category

A classifier uses linear discriminant function is called a linear machine.

Because the discriminants are linear the resulting decision boundary are hyperplanes, defined by g_i(x) = g_j(x). In this case, w^t(x-x₀) = 0;

Where w = m_i  - m_j

            x₀ = (m_i  + m_j) - σ²/||m_i  - m_j ||² ln P(w_i)/ P(w_j) (m_i  - m_j)

If  P(w_i) = P(w_j), x₀ is halfway between the means, and the hyperplane is the perpendicular bisector of the line between the means.

If  P(w_i) = P(w_j), x₀ shifts away from the more likely mean.

If P(w_i) are the same for all c classes the lnP(w_i) term can be ignored. So the decision rule is measure the Euclidean distance || x-m_i ||, assign x to the nearest mean. Such classifier is called a minimum distance classifier.

Case 2: S_i = S

g_i(x) = -1/2(x-m_i)^t S_i ^-1(x-m_i) + lnP(w_i)

If P(w_i) are the same for all c classes the lnP(w_i) term can be ignored. So the decision rule is measure the Mahalanobis distance (x-m_i)^t S_i ^-1(x-m_i),  assign x to the nearest mean.

Ignore the quadratic term x^tS^-1x, we get the linear discriminant function again:

g_i(x) = w_i^tx + w_i0

w_i = S^-1m_i

w_i0 = -1/2m_i^t S_i ^-1m_i  + lnP(w_i)                                                                                                                                                                         

The resulting decision boundaries are hyperplanes, same as case 1, but  are generally not orthogonal to the line between the means.

Case 3: S_i = arbitrary

g_i(x) = x^tW_ix + w_i^tx + w_i0

W_i = -1/2S_i ^-1

w_i = S_i ^-1m_i

w_i0 = -1/2m_i^tS_i ^-1m_i – 1/2ln|S_i| + lnP(w_i)

In the tow category case, the decision surfaces are hyperquadrics. Even in one dimensional, the decision regions need not be connected.

Bayes decision theory- discrete features

x can assume only one of m discrete values v₁…,v_m. So the probability density function P(x|w_j) becomes singular. Then Bayes formula involves probabilities rather than probability density.

P(w_j|x) = P(x|w_j) P(w_j) / P(x) where P(x) = å_w P(x|w_j) P(w_j)

The conditional risk is unchanged in the discrete case, and the Bayes rule remains the same: select the action a_i for which R(a_i|x) is minimum.

Independent binary features

For tow category problem

Let x = (x₁,…, x_d), x_i are either 0 or 1, and conditionally independent.

p_i = Pr [x_i = 1 |w₁], so 1- p_i  = Pr [x_i = 0 |w₁]

q_i = Pr [x_i = 1 |w₂], so 1- q_i  = Pr [x_i = 0 |w₂]

For conditionally independence,

P(x|w₁) = P_i p_i^xi(1- p_i )^{1- xi}

P(x|w₂) = P_i q_i^xi(1- q_i )^{1- xi}

For The tow-category case:

g(x) =  ln(P(x|w₁) / P(x|w₂)) + ln (P(w₁)/ P(w₂)

Then we get

g(x) = å_i w_i x_i + w₀

w_i =ln [p_i(1- q_i )/ q_i(1- p_i )]

w₀ = å_i ln (1- p_i )/ q_i(1- q_i ) + ln (P(w₁)/ P(w₂)

We decide w₁ if g(x)>0, otherwise decide w₂

The magnitude of w_i indicates the revalence of  a “yes”(1) answer for x_i

If p_i = q_i, x_i gives no information, w_i =0

If p_i > q_i, 1- q_i > 1- p_i,  w_i >0, and w_i gets larger as p_i gets larger.

If p_i > q_i, w_i < 0 and |w_i| gets larger as p_i gets larger

P(w_j) appear only through the threshold w₀ increasing P(w₁) increases w₀ biases the decision in favour of  w₁.

The University of Wollongong’s status as one of Australia’s top research and teaching institutions has been confirmed today (August 3) with five-star ratings across key categories in the nation’s authoritative guide to choice of university.

The 2006 Australian Good Universities Guide is now being launched in newsagents and bookshops in Australia and overseas, and the University of Wollongong has achieved an impressive maximum five stars in six of the key categories in the independent Guide. Only the top 20 per cent of universities can be awarded a five-star rating in any one category.