《Ricos mixiotes de carnero》，纪录,短片作品，墨西哥出品，2004年上映。
前几集时我打了五星，并因一些差评感到忿忿不平，结果后面越来越拉跨。大师兄去世后我暂停了一下，结果就停到现在弃剧了。前几集胜在剧情和特效，而后面不抄动漫分镜好像就不知道怎么把画面拍得美了。一些重要情节轻轻带过，拍得莫名其妙。演员演技真的不行。刘学义的无心是这些人里演绎得相对好一些的，但也不是完美，而且演员年纪不符。敖瑞鹏演雷无桀的那股子意气风发心思单纯的劲儿还是挺像的，但是到具体情节又演得不够好。李宏毅的萧瑟演得不好，他把这个人物诠释的有些简单了。总之，这些演员在演绎前面少年意气阶段时，还算可以，但是到后面变故越来越多，萧瑟重伤，大师兄去世等等，大家的情绪都演不到位，于是看起来就越来越假。而且我也对四守护与萧瑟之间的关系到底应该怎样演绎逐渐有不同看法。
喜欢的一篇故事，期待每一个人都能有自己青春的岁月，并且能有好的结果。
秦羽的眉毛稍微平一点会感觉友好一些，
布局尚可 人物比较脸谱化 虽然是悬疑剧集 并没有吸引人一口气读下去的冲动 不过情节构思完整 没有挖坑不填
正义和邪恶只有一步之遥，因为绝对的善和绝对的恶一样没有人性。极端的善，何尝不是另一种恶？
又一个伟大的灵魂陨落了，感谢米哈里丰富了我的精神世界，让我在认识自己的路上又向前了一步
如果不是拍纪录片的话，这样容易误导观众的电视剧还是尽量少一些吧。法医没有里面讲的那么万能，还去调查情况？秦明你要是能为广大同行说点明白话就说，主要是为了渲染宣传你自己的话，就还是好好干你的宣传吧！
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《Ricos mixiotes de carnero》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
故事很精彩，刻画了不少生动的人物形象，揭示了许多社会现实，就是后期估计是精力不够了，写得有点草率
前几集时我打了五星，并因一些差评感到忿忿不平，结果后面越来越拉跨。大师兄去世后我暂停了一下，结果就停到现在弃剧了。前几集胜在剧情和特效，而后面不抄动漫分镜好像就不知道怎么把画面拍得美了。一些重要情节轻轻带过，拍得莫名其妙。演员演技真的不行。刘学义的无心是这些人里演绎得相对好一些的，但也不是完美，而且演员年纪不符。敖瑞鹏演雷无桀的那股子意气风发心思单纯的劲儿还是挺像的，但是到具体情节又演得不够好。李宏毅的萧瑟演得不好，他把这个人物诠释的有些简单了。总之，这些演员在演绎前面少年意气阶段时，还算可以，但是到后面变故越来越多，萧瑟重伤，大师兄去世等等，大家的情绪都演不到位，于是看起来就越来越假。而且我也对四守护与萧瑟之间的关系到底应该怎样演绎逐渐有不同看法。
喜欢的一篇故事，期待每一个人都能有自己青春的岁月，并且能有好的结果。
秦羽的眉毛稍微平一点会感觉友好一些，
布局尚可 人物比较脸谱化 虽然是悬疑剧集 并没有吸引人一口气读下去的冲动 不过情节构思完整 没有挖坑不填
正义和邪恶只有一步之遥，因为绝对的善和绝对的恶一样没有人性。极端的善，何尝不是另一种恶？
又一个伟大的灵魂陨落了，感谢米哈里丰富了我的精神世界，让我在认识自己的路上又向前了一步
如果不是拍纪录片的话，这样容易误导观众的电视剧还是尽量少一些吧。法医没有里面讲的那么万能，还去调查情况？秦明你要是能为广大同行说点明白话就说，主要是为了渲染宣传你自己的话，就还是好好干你的宣传吧！
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《Ricos mixiotes de carnero》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
故事很精彩，刻画了不少生动的人物形象，揭示了许多社会现实，就是后期估计是精力不够了，写得有点草率