Evan's space

华富阁位于玛丽医院和黄竹坑中间位置

復活節(主復活日)是一個西方的重要節日．他象徵著重生與希望，為紀念耶穌基督於公元30到33年之間被釘死在十字架之後第三天復活的日子。通常與耶穌受難日一起放假。今天，許多與復活節相關的民間風俗都不是起源於基督教的。耶穌基督只吩咐門徒要記念自己的死亡

復活節原本是古代異教的「春節」，是慶祝春回大地一切恢復生機的節日。復活節可追溯到古巴比倫的愛情、生育和戰爭女神『伊什塔爾』（Ishtar）。後來，此女神變成了西歐的黎明和春天女神 Eastre（證據之一是兩個名字相似的讀音）。另一證據是 Eastre 此字有東方（即 East）的含義，因太陽是從東方升起的

亞歷山大·希斯洛普著的《兩個巴比倫》說「Easter」『音譯『伊斯特爾』，即復活節』這個詞是什麼意思呢？Easter是個名字。源自迦勒底，跟基督教沒有關係。Easter其實就是『阿斯塔特』，即天后『貝爾斯特』的頭銜之一。考古學家萊亞德在亞述的碑銘上發現，『貝爾特斯』這個名字就是指古巴比倫的生育和戰爭女神『伊什塔爾』。這就是『復活節』（Easter）的來歷

復活節會在每年春分月圓之後第一個星期日舉行，因為春分之後便開始日長夜短——光明大過黑暗，月圓的時候，不但在日間充滿光明，就連漆黑的夜晚也被光輝（月光）照耀。由此，這正好是耶穌復活——光明戰勝黑暗的寫照。

羅馬帝國君士坦丁大帝在公元325年召開第一次尼西亞公會議，訂明了復活節是星期日，因星期日被教會視作為安息日，即耶穌死而復活的日子，所以復活節就在每年春分月圓後第一個星期日舉行。

此後每年3月21日以後，出現月圓後的第一個星期日，就是復活節，惟計算復活節的方法，自古以來均十分複雜，拉丁文Computus（計算）一字更專指計算復活節的方法，而羅馬教會及東正教會的計算亦略有差異，令東西方復活節可在不同日子出現。

1997年，國際普世教會協會在敘利亞召開會議時，曾建議改革計算復活節的方式，並建議統一東、西教會的復活節，但至今絕大部分國家仍沒有跟隨。

復活節前日即復活節前的星期六。在基督徒心中，是等待耶穌基督自死中復活的日子。當日羅馬天主教會不舉行彌撒，直到晚上才慶祝基督戰勝罪惡和死亡，為人類帶來救恩和希望

在西方，與復活節相關的物品有復活節兔和復活節彩蛋。傳說復活節彩蛋都是兔子的蛋（但事實上，兔子其實是不下蛋的，所以復活節彩蛋其實都是雞蛋），有些人喜歡在蛋上畫各種各樣的鬼臉或花紋。而這些民間風俗都是起源於非基督教的。

《天主教百科全書》指出「復活節吸納了許多慶祝春回大地的異教習俗。」蛋象徵初春一切恢復生機。兔子是個異教象徵，代表多產。如今依然流行的復活節慶祝活動，充分證明了歷史所反映的事實，那就是復活節含有濃厚的巴比倫色彩。今天人們在耶穌受難日吃十字包和在復活節吃彩蛋，這些宗教習俗可見於迦勒底的宗教儀式中。

往網頁中輸入特殊字符，需在html代碼中加入以&開頭的字母組合或以&#開頭的數字。例如，版權標誌符©即是用©或©表示。 
常用符號“<”、">"、"&"、"空格"分別用“&lt;”、“&gt;”、“&amp;”、“&nbsp;”表示，注意這些符號對大小寫是敏感的。下面就是以字母或數字表示的特殊符號大全。

================================ 

颱風信號

香港天文台及澳門地球物理暨氣象局採用兩套相當類似的熱帶氣旋警告系統，於熱帶氣旋逼近香港和澳門時發出。

信號名稱	標誌	意義
1號戒備信號		熱帶氣旋集結在香港或澳門800公里之內，稍後可能影響香港或澳門。
3號強風信號		維多利亞港內或澳門正吹強風，或預料會吹強風，持續風力每小時41至62公里，陣風可能達每小時110公里。
8號烈風或暴風信號		維多利亞港內或澳門正吹烈風或暴風，或預料會吹烈風或暴風，風將從信號所指方向吹來，持續風力每小時63至117公里，陣風可能達每小時180公里。
9號烈風或暴風風力增強信號		烈風或暴風將顯著加強。
10號颶風信號		風力現正或將加強至颶風程度，持續風力每小時118公里以上，陣風可能達每小時220公里。

同一個熱帶氣旋對香港及澳門的影響不盡相同，因此兩地不一定會同時發出相同的警告。

================================

中國

沿海

• 警报:预计未来48小时内将影响本责任区的沿海地区或登临时发布警报。
• 紧急警报:预计未来24小时内将影响本责任区的沿海地区或登临时发布紧急警报。

（影响是以沿海开始出现8级风或暴雨为标准。）

陸上

• 台风蓝色预警信号：24小时内可能受热带气旋影响,平均风力可达6级以上，或阵风7级以上；或者已经受热带气旋影响, 平均风力为6～7级，或阵风7～8级并可能持续。
• 台风黄色预警信号：24小时内可能受热带气旋影响,平均风力可达8级以上，或阵风9级以上；或者已经受热带气旋影响, 平均风力为8～9级，或阵风9～10级并可能持续。
• 台风橙色预警信号：12小时内可能受热带气旋影响,平均风力可达10级以上，或阵风11级以上；或者已经受热带气旋影响, 平均风力为10～11级，或阵风11～12级并可能持续。
• 台风红色预警信号：6小时内可能或者已经受热带气旋影响，平均风力可达12级以上，或者已达12级以上并可能持续。

(廣東繼續設立台风白色预警信号，表示熱帶氣旋可能於48小時內影響本地。)

    数据仓库，数据库或者其它信息库中隐藏着许多可以为商业、科研等活动的决策提供所需要的知识。分类与预测是两种数据分析形式，它们可以用来抽取能够描述重要数据集合或预测未来数据趋势的模型。分类方法（Classification）用于预测数据对象的离散类别（Categorical Label）；预测方法（Prediction ）用于预测数据对象的连续取值。

分类技术在很多领域都有应用，例如可以通过客户分类构造一个分类模型来对银行贷款进行风险评估；当前的市场营销中很重要的一个特点是强调客户细分。客户类别分析的功能也在于此，采用数据挖掘中的分类技术，可以将客户分成不同的类别，比如呼叫中心设计时可以分为：呼叫频繁的客户、偶然大量呼叫的客户、稳定呼叫的客户、其他，帮助呼叫中心寻找出这些不同种类客户之间的特征，这样的分类模型可以让用户了解不同行为类别客户的分布特征；其他分类应用如文献检索和搜索引擎中的自动文本分类技术；安全领域有基于分类技术的入侵检测等等。机器学习、专家系统、统计学和神经网络等领域的研究人员已经提出了许多具体的分类预测方法。下面对分类流程作个简要描述：

训练：训练集——>特征选取——>训练——>分类器

分类：新样本——>特征选取——>分类——>判决

最初的数据挖掘分类应用大多都是在这些方法及基于内存基础上所构造的算法。目前数据挖掘方法都要求具有基于外存以处理大规模数据集合能力且具有可扩展能力。下面对几种主要的分类方法做个简要介绍：

(1) 决策树

决策树归纳是经典的分类算法。它采用自顶向下递归的各个击破方式构造决策树。树的每一个结点上使用信息增益度量选择测试属性。可以从生成的决策树中提取规则。

(2) KNN法(K-Nearest Neighbor)

    KNN法即K最近邻法，最初由Cover和Hart于1968年提出的，是一个理论上比较成熟的方法。该方法的思路非常简单直观：如果一个样本在特征空间中的k个最相似(即特征空间中最邻近)的样本中的大多数属于某一个类别，则该样本也属于这个类别。该方法在定类决策上只依据最邻近的一个或者几个样本的类别来决定待分样本所属的类别。

    KNN方法虽然从原理上也依赖于极限定理，但在类别决策时，只与极少量的相邻样本有关。因此，采用这种方法可以较好地避免样本的不平衡问题。另外，由于KNN方法主要靠周围有限的邻近的样本，而不是靠判别类域的方法来确定所属类别的，因此对于类域的交叉或重叠较多的待分样本集来说，KNN方法较其他方法更为适合。

    该方法的不足之处是计算量较大，因为对每一个待分类的文本都要计算它到全体已知样本的距离，才能求得它的K个最近邻点。目前常用的解决方法是事先对已知样本点进行剪辑，事先去除对分类作用不大的样本。另外还有一种Reverse KNN法，能降低KNN算法的计算复杂度，提高分类的效率。

    该算法比较适用于样本容量比较大的类域的自动分类，而那些样本容量较小的类域采用这种算法比较容易产生误分。

 (3) SVM法

    SVM法即支持向量机(Support Vector Machine)法，由Vapnik等人于1995年提出，具有相对优良的性能指标。该方法是建立在统计学习理论基础上的机器学习方法。通过学习算法，SVM可以自动寻找出那些对分类有较好区分能力的支持向量，由此构造出的分类器可以最大化类与类的间隔，因而有较好的适应能力和较高的分准率。该方法只需要由各类域的边界样本的类别来决定最后的分类结果。

    支持向量机算法的目的在于寻找一个超平面H(d),该超平面可以将训练集中的数据分开，且与类域边界的沿垂直于该超平面方向的距离最大，故SVM法亦被称为最大边缘(maximum margin)算法。待分样本集中的大部分样本不是支持向量，移去或者减少这些样本对分类结果没有影响，SVM法对小样本情况下的自动分类有着较好的分类结果。

(4) VSM法

    VSM法即向量空间模型(Vector Space Model)法，由Salton等人于60年代末提出。这是最早也是最出名的信息检索方面的数学模型。其基本思想是将文档表示为加权的特征向量：D=D(T1，W1；T2，W2；…；Tn，Wn)，然后通过计算文本相似度的方法来确定待分样本的类别。当文本被表示为空间向量模型的时候，文本的相似度就可以借助特征向量之间的内积来表示。

    在实际应用中，VSM法一般事先依据语料库中的训练样本和分类体系建立类别向量空间。当需要对一篇待分样本进行分类的时候，只需要计算待分样本和每一个类别向量的相似度即内积，然后选取相似度最大的类别作为该待分样本所对应的类别。

    由于VSM法中需要事先计算类别的空间向量，而该空间向量的建立又很大程度的依赖于该类别向量中所包含的特征项。根据研究发现，类别中所包含的非零特征项越多，其包含的每个特征项对于类别的表达能力越弱。因此，VSM法相对其他分类方法而言，更适合于专业文献的分类。

(5) Bayes法

    Bayes法是一种在已知先验概率与类条件概率的情况下的模式分类方法，待分样本的分类结果取决于各类域中样本的全体。

    设训练样本集分为M类，记为C=｛c1，…，ci，…cM}，每类的先验概率为P(ci)，i=1，2，…，M。当样本集非常大时，可以认为P(ci)=ci类样本数/总样本数。对于一个待分样本X，其归于cj类的类条件概率是P(X/ci)，则根据Bayes定理，可得到cj类的后验概率P(ci/X)：

    P(ci/x)=P(x/ci)·P(ci)/P(x)(1)

    若P(ci/X)=MaxjP(cj/X)，i=1，2，…，M，j=1，2，…，M，则有x∈ci(2)

    式(2)是最大后验概率判决准则，将式(1)代入式(2)，则有：

    若P(x/ci)P(ci)=Maxj［P(x/cj)P(cj)］，i=1，2，…，M，j=1，2，…，M，则x∈ci

    这就是常用到的Bayes分类判决准则。经过长期的研究，Bayes分类方法在理论上论证得比较充分，在应用上也是非常广泛的。

Bayes方法的薄弱环节在于实际情况下，类别总体的概率分布和各类样本的概率分布函数(或密度函数)常常是不知道的。为了获得它们，就要求样本足够大。另外，Bayes法要求表达文本的主题词相互独立，这样的条件在实际文本中一般很难满足，因此该方法往往在效果上难以达到理论上的最大值。

(6) 神经网络

神经网络分类算法的重点是构造阈值逻辑单元，一个值逻辑单元是一个对象，它可以输入一组加权系数的量，对它们进行求和，如果这个和达到或者超过了某个阈值，输出一个量。如有输入值X1, X2, ..., Xn 和它们的权系数：W1, W2, ..., Wn，求和计算出的 Xi*Wi ，产生了激发层 a = (X1 * W1)+(X2 * W2)+...+(Xi * Wi)+...+ (Xn * Wn)，其中Xi 是各条记录出现频率或其他参数，Wi是实时特征评估模型中得到的权系数。神经网络是基于经验风险最小化原则的学习算法，有一些固有的缺陷，比如层数和神经元个数难以确定，容易陷入局部极小，还有过学习现象，这些本身的缺陷在SVM算法中可以得到很好的解决。