了能夠給孩子們選擇一臺合適的電腦，相信很多的家長們也算是操碎了心。因為目前市面上的很多電腦要么性能不達標，要么就是性能太好，或者是性價比方面不是非常適合孩子使用。綜合很多方面的原因來說，給孩子選擇一臺合適的電腦確實有著不小的難度。這次，我們為了打消各位家長在這方面的疑慮也特意在市面上挑選了一款非常適合中小學生使用的筆記本電腦。
這款電腦就是來自戴爾的靈越5584，這款電腦在很多方面都表現出了非常不錯的實力，一方面它有著相對便攜的能力，讓孩子們能夠在課堂上使用，同時在家中我們也不需要為孩子特意設立一個電腦桌，非常節省空間。當然，這款筆記本電腦自身的素質也是我們將它推薦給各位家長的一個原因。獨具一格的精簡美感這次我們就來說說這款筆記本電腦究竟有著什么值得我們去選擇的地方吧，我們在給孩子選擇筆記本電腦的時候首先要考慮到的就是孩子是否喜歡這款筆記本電腦，孩子們可能對于電腦的性能都不是非常的了解，想要孩子喜歡一臺筆記本電腦其實也不是太困難的一件事，首先這款筆記本電腦在外觀設計方面就要能夠抓住孩子的眼球。
在外觀設計方面戴爾靈越5584也算是繼承了家族式的設計風格，這款筆記本擁有兩種不同的配色，分別是藍色以及銀色，同時戴爾靈越5584在整體設計風格上也沒有過多的花哨元素，非常簡單，同時配合上多種不同線條的組合讓這款筆記本電腦看起來相當穩重，同時更大范圍的空曠區域也是給孩子們提供了自己DIY筆記本電腦外觀的一個空間。
15.6英寸的機身并不會顯得太過臃腫，同時還能夠讓孩子們舒適的享受到一個不錯的使用體驗，這款電腦在重量方面僅為1.95kg對于孩子們來說想要背起這款電腦并不會特別困難，同時這款電腦在厚度方面也只有18mm，總體來說也算是一款輕薄本了。再來我們就是要說說這款筆記本電腦的接口方面，在機身左側我們能夠看到電源接口、Type-C接口、HDMI 1.4b接口、RJ45接口、USB 3.1 Gen1接口*2以及一個耳機接口，在電腦右側則是SD卡槽和一個USB2.0接口，就接口方面來說這款電腦提供的還是相當全面的。
打開電腦之后我們就能夠看到這款電腦所配備的一塊IPS高清防眩光屏幕了，這塊屏幕不僅在色域方面更加廣闊，同時還擁有一定的護眼能力，讓孩子們不會因為長時間使用電腦而導致眼睛干澀、疲勞等各種情況。身為家長的我們擔心的就是孩子長時間使用電腦時眼睛沒有得到一個良好的休息而導致的近視眼等各種問題。
在鍵盤的設計方面這款筆記本電腦采用了經典的巧克力鍵盤設計，不僅在手感上非常不錯，同時還不容易積灰，同時小鍵盤區域也得到了保留，方便了孩子們進行各種各樣的數學基礎計算。觸摸板方面也加入了很多種不同手勢的操作，能夠方便我們完成各種格言歌德切換，總體來說操作體驗還是相當不錯的。
強悍且足夠實用的硬件組合電腦的性能是很多家長都非常關注的一個地方，因為購買條件特殊，我們一方面不希望這款電腦在性能各方面有任何缺失，同時又不希望這臺電腦的性能太過于出色。其實原因也非常簡單，性能太差，電腦卡頓肯定是大家都不希望看到的，性能太好又怕孩子們偷偷摸摸的使用電腦玩各種各樣的游戲。
其實這也是為什么給各位家長推薦這款電腦的一個重要原因，戴爾靈越5584在性能方面總體來說還是非常不錯的，當然水平也并不會讓孩子們對游戲癡迷。首先我們還是來看看這款筆記本電腦的處理器吧，這款筆記本電腦采用了英特爾酷睿八代i5-8265U處理器，再配合上ingtel Thermal Velocity Boost 技術之后，這款處理器的睿頻速度可達到3.90GHz可以輕松簡單的勝任多個網頁的打開以及多個任務的運行處理。
說完了處理器，我們再來說說比較關鍵的顯卡，如果你是一位懂電腦的家長，那么你應該會知道電腦的游戲性能是否出色決定在于顯卡是否夠強悍。不過，這里我們并不希望自己的孩子沉迷游戲，同時又希望這款電腦能夠在圖形處理方面能夠輔助到孩子的學習，那么這可能就要考驗到電腦制造方對于這方面的拿捏力度了。
這次戴爾將這方面處理的就恰到好處，英偉達MX130獨立顯卡的加入讓這款電腦擁有了一個更加平均的圖形處理能力。這款顯卡保留了非常不錯的一部分獨立顯卡實力，讓這款電腦能夠輕松的駕馭PS等圖形處理軟件，同時在這款顯卡的加持下看一些超高清的教學視頻也是沒有任何問題的。
想要電腦能夠更好的運行，我們除了關注電腦的處理器以及顯卡之外，我們可能還需要在看看這款電腦的其它性能組件。這里我們要說的就是這款電腦的存儲設備方面，戴爾靈越5584可以選配PCie NVMe快速固態硬盤，該硬盤相對于STAT固態硬盤有著非常大的速度提升，讓整個電腦能夠更加快速的運行各種軟件以及文件。
硬軟兼備給孩子更好的體驗電腦的硬件足夠給力僅僅只是它的一方面而已，我在打開電腦之后還需要同時享受到系統給我們帶來的不同感受。這里在軟件層面上，戴爾靈越5584也采用了很多的尖端技術，原色尋回技術能夠讓這款電腦能夠更加精準的找到畫質色彩的絕佳呈現方式，給孩子帶來更加豐富的視覺體驗。
原聲追蹤技術，這項技術的提供方是Waves MaxxAudio Pro，他們為這款電腦帶來了更加專業的音效能力，讓孩子們在學習之余也能夠聽聽歌看看電影，享受一下緊張之后的放松。畢竟這樣的娛樂方式相信各位家長還是能夠接受的。而有了戴爾靈越5584就相當擁有了一個個人專享的小劇場。
多維度性能測試說了這么多，其實我們還是要對這款筆記本電腦進行一些性能方面的測試的，因為電腦是否適合學生群體使用首先還是要看電腦的性能是否能夠匹配到用戶層面，所以，這次我們也針對學生群體的筆記本電腦需求來進行一些必要性的性能測試，在測試之后各位家長就能夠確認這款電腦是否值得購買給孩子。
首先放出的還是這款電腦的處理器以及顯卡的基礎信息，在這里我們能夠大致的了解到這款筆記本電腦擁有什么樣的配置。
這里我們也按照慣例進行了國際象棋測試，經過測試數據我們可以看出英特爾酷睿八代i5-8265U處理器在移動端處理器的表現實力還是中等偏上的。相對性能倍數是和P3 1.0GHz處理器相比，22.65倍每秒千步的意思是CPU每秒能計算幾千步，每秒10874千步就是10874000步，這樣的能力已經相當不錯了，相對于很很多桌面級處理器來說都有著可以較高下的能力。
電腦的讀寫性能也是能夠直接關系到電腦的整體運行速度的，這里為了讓各位小伙伴們能夠更加直觀的看到這款電腦擁有什么樣的讀寫速度，我們也是用了ATTO Disk Benchmark進行了簡單的測試，0.5秒就可寫入1329MB以及讀取3712MB內容，這樣的數據對于機械硬盤來說已經是相當難得了。
筆記本電腦的電池也是大家都非常關心的部分，應為這涉及到整體續航方面，如果孩子在上學的時候會使用到筆記本電腦，但筆記本電腦續航不夠給力在課堂上突然沒電還是一件非常令人頭疼的事情。在這里我們能夠清楚的看到這款筆記本電腦的設計電池容量與實際電池容量39900mAh的電池容量基基本上能夠確保在中低頻率使用情況下一整天的課時續航需求了。
在性能測試的最后我們在來看看魯大師這款測試軟件給出的分數，從各項指標來看，這款筆記本電腦還是相當適合正在上學的孩子使用的。性能足夠且不會過剩，基本上能夠滿足所有課程需求軟件的水準。這里我們能夠看到處理器得到了50991分，而這個分數也代表著這款處理器在運行能力上有著卓越的表現。而至于這款處理器有著什么樣的性能表現，之前我們也都有說到過。
這里我們也使用這款電腦進行了一些軟件的測試，因為我們可能考慮到很多的學生對于制圖軟件非常有興趣，自然也是針對PS的使用進行了一些簡單的運行測試，這里我們也使用戴爾靈越5584制作了一張海報，雖然海報內容看起來不多，但是包含了多個圖層。
在圖片制作完成之后，文件的大小達到了40.3MB大小，這對于一張圖片來說已經算是相當高的容量了。可即便是在這樣的條件下，我們依舊能夠看到這款電腦能夠將這張多圖層圖片處理的任務輕松拿下。不得不說，有了這樣的能力加持之后，相信孩子們的很多興趣都能夠被滿足，即便是PS這樣的專業級軟件。
總結有實力的硬核學生本
作為一款適合中小學生的筆記本電腦戴爾靈越5584在很多方面都表現出了值得我們入手的一面，這款筆記本電腦不僅擁有非常不錯的顏值，同時在整體性能上也并沒有太多的缺失，值得關注的是這款電腦在很多方面都提供了孩子們學習或者娛樂上都非常需要的東西，正版的office軟件以及win10系統，都能夠給孩子沒的學習帶來一個不錯的體驗。如果你是一名80、90后的家長，你自然希望自己的孩子能夠在很小的時候就去接觸一些現代社會應該有的東西，但同時又不希望他們太過沉迷，那么戴爾靈越5584就能夠滿足你這方面的需求。
點擊上方關注，All in AI中國
作者——Susan Li
異常檢測也稱為離群點檢測，是一種數據挖掘過程，用于確定數據集中發現的異常類型并確定其出現的詳細信息。在當今世界，自動異常檢測至關重要，因為數據量太大，手動標記異常值是不現實的。自動異常檢測在傳感器網絡中的應用非常廣泛，例如欺詐檢測、系統健康監測、故障檢測、事件檢測系統等。
但我想對酒店房間價格進行異常檢測。原因有些自私。
你是否有過這樣的經歷，比如說，你經常去某個地方出差，而且你總是住在同一家酒店。雖然大部分時間，房價幾乎是一樣的，但偶爾，相同的酒店，相同的房間類型，房價高得令人無法接受的，你不得不換到另一家酒。我經歷了好幾次，這讓我想到，如果我們能夠創建一個模型來自動檢測這種價格異常呢？
當然，有些情況下，有些異常只會發生一次，并且我們事先已經知道了，可能在未來幾年不會再次發生，例如2019年2月2日至2月4日的亞特蘭大荒謬的酒店價格。
在這篇文章中，我將探討不同的異常檢測技術，我們的目標是在無監督學習的情況下搜索酒店房間價格的時間序列中的異常。讓我們開始吧！
數據
獲取數據非常困難，我能夠獲得一些但數據并不完美。
我們將使用的數據是Personalize Expedia Hotel Searchesdata集的一部分，可在此處找到（https://www.kaggle.com/c/expedia-personalized-sort/data）。
我們將拆分訓練集的子集，csv如下所示：
·選擇一個數據點最多的酒店property_id = 104517。
·選擇visitor_location_country_id = 219，正如我們所知，國家ID 219是美國。我們這樣做的原因是統一price_usd列。由于不同國家在展示價格方面有不同的慣例，價值可能是每晚或整個住宿期間。而我們知道，向美國游客展示的價格通常是每晚不含稅的。
·選擇search_room_count = 1。
·選擇我們需要的特性：date_time，price_usd，srch_booking_window，srch_saturday_night_bool。
拆分后后，這是我們將要使用的數據：
此時，我們檢測到一個極端異常，即Max price_usd為5584。
如果單個數據實例可以被視為是相對于其他數據數異常的，我們稱之為Point Anomalies（例如，以較高的成交價格購買）。我們可以回去檢查日志，看看它是什么。經過一番調查后，我猜這可能是一個錯誤或者用戶偶然搜索了一個總統套房但沒有預訂。為了找到更多不是極端的異常值，我決定刪除它。
在這一點上，我相信你已經發現我們遺漏了一些東西，也就是說，我們不知道用戶搜索的房間類型，標準房間的價格可能與海景大床房的價格有很大差異。記住這一點，但為了示范目的，我們必須繼續。
時間序列可視化
一般來說，非周六晚上的搜索價格會更穩定、更低。周六晚上的搜索價格會上漲。似乎這家酒店在周末很受歡迎。
基于聚類的異常檢測
K-均值算法
K-均值算法是一種應用廣泛的聚類算法。它創建了"k"個類似的數據點集群。不屬于這些組的數據實例可能會被標記為異常。在我們開始K-均值算法聚類之前，我們使用elbow方法來確定最佳聚類數。
從上面的曲線圖中，我們看到圖形在10個聚類之后趨于平穩，這意味著添加更多聚類并不能解釋我們相關變量中的更多方差;在本例中是price_usd。
我們設置n_clusters = 10，并在生成k-均值算法輸出時使用數據繪制3D聚類。
現在我們需要找出要保留的組件（特性）的數量。
我們看到第一個組件解釋了近50％的差異。第二個組件解釋了超過30％的原因。但是，我們必須注意到，幾乎沒有任何組件是可以忽略不計的。前兩個組件包含80％以上的信息。所以，我們將設置n_components = 2。
基于聚類的異常檢測中的最重要假設是，如果我們對數據進行聚類，則正常數據將屬于聚類，而異常將不屬于任何聚類或屬于小聚類。我們使用以下步驟來查找和可視化異常。
·計算每個點與其最近質心之間的距離。最大的距離被認為是異常的。
·我們使用outliers_fraction為算法提供有關數據集中存在的異常值比例的信息。情況可能因數據集而異。然而，作為一個起始圖，我估計outliers_fraction = 0.01，因為它是在標準正態分布中，Z值得分與Z均值之間的絕對值3的觀察值的百分比。
似乎通過k-均值聚類檢測到的異常是一些非常高的速率或一些非常低的速率。
用于異常檢測的隔離森林
隔離森林（https://scikit-learn.org/stable/modules/generated/sklearn.ensemble.IsolationForest.html）檢測異常純粹基于異常是少數和不同的數據點的事實，在不采用任何距離或密度測量的情況下實現異常隔離。該方法與基于聚類或基于距離的算法有本質區別。
·當應用IsolationForest（https://scikit-learn.org/stable/modules/generated/sklearn.ensemble.IsolationForest.html）模型時，我們設置pollution= outliers_fraction，即告訴模型數據集中異常值的比例為0.01。
·fit和predict（data）對數據執行異常檢測，并返回1表示正常，-1表示異常。
·最后，我們使用時間序列視圖可視化異常。
支持向量機的異常檢測
支持向量機（https://en.wikipedia.org/wiki/Support-vector_machine）通常與監督學習相關聯，但是OneClassSVM可用于將異常識別為學習異常檢測決策函數的無監督問題：將新數據分類為與訓練集相似或不同的數據。
OneClassSVM
根據論文：支持向量法進行新穎性檢測（http://users.cecs.anu.edu.au/~williams/papers/P126.pdf）。 SVM是最大邊際方法，即它們不建立概率分布模型。SVM用于異常檢測的想法是找到對于具有高密度點的區域為正，對于小密度的負區域為負。
利用高斯分布進行異常檢測
高斯分布也稱為正態分布。我們將使用高斯分布來開發異常檢測算法，也就是說，我們假設我們的數據是正態分布的。這是一個不能適用于所有數據集的假設，但是當它成立時，它證明了一種有效的方法來發現異常值。
Scikit-Learn的協方差EllipticEnvelope是一個函數，它試圖通過假設我們的整個數據是基礎多元高斯分布的表達來計算出我們數據的一般分布的關鍵參數。過程如下：
有趣的是，以這種方式檢測到的異常只能觀察到異常高的價格，而不是異常低的價格。
到目前為止，我們已經用四種不同的方法進行了價格異常檢測。 因為我們的異常檢測是無監督學習。在構建模型之后，我們不知道它做得多好，因為我們沒有任何東西可以對它進行測試。因此，在將這些方法置于關鍵路徑之前，需要在現場測試這些方法的結果。
Jupyter筆記本可以在Github上找到（https://github.com/susanli2016/Machine-Learning-with-Python/blob/master/Time%20Series%20of%20Price%20Anomaly%20Detection%20Expedia.ipynb）。