Отличный ответ. Достаточно ли для варенья, чтобы достичь 220°F или он должен остаться там некоторое время? Да, как я уже сказал, Если компьютер и iPhone/iPad подключены к одной и той же локальной сети, вы можете синхронизировать активировав WiFi синхронизации. Смотрите ссылку в моем редактирования. `Пакс` может быть в POSIX, но это редко, к сожалению, установленные по умолчанию. Какой у вас компьютер? pyRenamer вовсе не плохо. @Пит - точно; вот почему деканы платят большие деньги. $Дома работает, спасибо. Я не знаю про Тильд особенности Баш. На пустых дисках? ОК. Но в любом случае, я уже сделал машину времени резервного копирования, чтобы там, а затем медленно синхронизироваться с завершения. Сейчас я скопирую еще 1ТБ на диск и, опять же, очень медленной синхронизации процесса после. Хотя я сам невольно силы-отключение сетевого накопителя (вздохнув: 1,5 секунды на кнопку питания = мягкое выключение, 5 секунд = жесткий), так что, возможно, привело к необходимости полной синхронизации?

Ваша инстинктивная забота о создании гипотез из данных и притворяясь, что они были там с самого начала находится на правильном пути:

В статистики, так называемый критерий хи-квадрат можно использовать для сравнения данных моделей, которые были оснащены самих данных. Однако, для этого, хи-квадрат тест должен быть адаптирован к сути "наказания" одного извлечения из параметров при тестировании, как значительный матч.

Это не легко обобщены на другие сетапы, так в общей теории обучения и практике разбивает данные на несколько групп. Например, когда одна часть используется для оптимизации параметров, один, сначала невидимый, часть используется для оптимизации обобщения, и последняя, невидимая, часть не вписывается в модель строительства и используется, чтобы проверить, насколько хорошо первые две ступени отработали. Это называется "перекрестная проверка".

Возможно, вы можете предложить (или просто представить), чтобы ваша группа такой методики, путем разделения данных случайным образом на различные компоненты; из построения модели, которая затем проверяется с невидимым данных. Подробности о том, как сделать раскол будет зависеть от вашего домена. Таким образом, у вас есть уверенность в том, что модель является прогностической. Для этого должен быть звук, вы должны убедиться, что он не использует полный набор данных в любой форме (даже не через одного умного коллегу, что помнить, что данные Параболика в целом). Лучше всего не смотреть на невидимое данных, пока модель не будет завершена.

Что касается пост-hypothesising, я нашел это часто даже не нужно. Можно начать с гипотезы, а затем обнаружить его не действительным, но затем найдите другой, интересный феномен. Это называется "результатом поиска" и крутой бумаги от этого. Если в ведущих журналах поля не приемлю такой стиль, потому что они хотят стандартные "гипотеза-эксперимент-проверка" цикла, то проблема лежит глубже, в вашем обществе, чем с вашими коллегами.

Короче: сторона модели из ваших данных и сравнивая матч нормально, если у вас есть способ о наказании, что добыча (как в Хи-квадрат). В противном случае вы можете сделать "перекрестную проверку" для звуковых результатов. Наконец, вместо пост-hypothesising, мое предложение состоит в том, чтобы выдвинуть гипотезу, мол, аннулирует гипотезу и свидетельствуют появление различных гипотез.