Oui, peut-être

看完后虽然很想享受一杯手冲咖啡，但是觉得难度还是有点大啊，咖啡豆只有两周的新鲜时效，去哪里能买那么少的咖啡豆呢？ 网购的咖啡豆，动不动就是250克的，也喝不了那么多啊，现磨咖啡豆，在办公室可怎么能喝到好咖啡呢？ v60手冲咖啡和法压壶确实是省事的好方法，就差磨豆的环节不好处理了。

关于量子力学的书也看过几本，不得不感慨自然科学的奇妙，也一直因为认知所限不能彻底理解。科学家们总是超越时代的存在，我们在称颂前人伟大的同时，也不能忽略自己所处时代的点滴发现。真理的面纱是一点点揭开的，也许，我们也会是传奇的见证者。

很现实的一部作品，有虐有甜，也有生活本来的样子。每个人都有回忆，如果痛苦居多，那不妨放下，和爱的人一起憧憬未来，度过这漫长岁月，才是最幸福快意的事。

心平气和，沉着冷静，摆事实讲道理，注意观察入微，注意运用准则，注意力放在自己的目标上，不要害怕，谈判的时候问一遍说不行那就再多问几遍…本剧中每次举例都是一句话阐述事情缘由，然后经过谈判达到目的，有些例证可以接受有些则不然（印象最深的两个谈判例子，一个学生的面试衣服被干洗店洗坏了，谈到最后，干洗工就找了其他客人洗好的衣服给他穿然后去面试…看得我目瞪口呆啊这也可以啊，还有一个是讲强生的一个年轻有为的经理因为有一个重要的汇报工作没赶上飞机，如果赶不上飞机事业就要大后退…最后不惜拦下了在跑道上还没起飞的飞机，最终成功登机！看的我哑口无言）这些例证最后都会交代谈判成功的基本都是有地位的高管！这点感觉是有点过了，但是本剧倡导的思想还是好的，在事情没有转机或者想要改变现状的时候，不防心平气和的聊聊，找个突破口，万一成功了呢？而暴力、粗鲁显然是解决不了任何问题的。

如何使需求预测更准确 把需求预测由前置仓集中到中心仓，在颗粒大的地方做预测。在清洗、整理数据的前提下，选择更好的预测方法，做好数据分析，提高基准预测的准确率。基于需求历史制定基准预测后，由销售、市场、产品管理等部门基于市场需求做出预测调整。 一、数据清洗 以数据清洗为前提，提高数据的准确性，为后续的需求预测和库存计划打好基础。 检验数据的一致性，发现超出正常范围、逻辑上不合理或者相互矛盾的数据，供进一步核对和纠正；用样品均值、中位数或众数代替无效值和缺失值，删除特定样品，甚至删除整个变量。 应采取“削峰填谷”的方法进行数据清洗，即促销期间以及相邻的时段，用之前一段时间的平均需求来代替。至于时段多长，取决于具体业务特点，跟移动平均法要用多长周期的历史数据的道理类似。削峰填谷后就得到基准数据，然后用合适的预测模型来制定基准预测。至于后续的促销，许需要另外预测，叠加到基准预测，就是最终预测。 【数据清洗的步骤】 1.预处理阶段： （1）将数据导入处理工具，单机跑数搭建MySQL环境，数据量大，可以使用文本文件存储+Python操作的方式。 （2）看数据。一看元数据，包括字段解释、数据来源、代码表等一切描述数据的信息。而是抽取一部分数据，使用人工查看方式，对数据有一个直观了解，并初步发现一些问题，为后续的处理做准备。 2.缺失值清洗 （1）确定缺失值范围：对每一个字段都计算其缺失值比例，然后按照缺失比例和字段的重要性，分别制定策略。 （2）去除不需要的字段 （3）填充缺失内容 ·以业务知识或经验推测填充缺失值 ·以同一指标的计算结果（均值、中位数、众数等）填充缺失值 ·以不同指标的计算结果填充缺失值 （4）重新取数 3.格式内容清洗 （1）时间、日期、数值、全半角等显示格式不一致 （2）内容中有不该存在的字符 （3）内容与该字段应有内容不符 4.逻辑错误清洗 （1）去重 （2）去除不合理值 （3）修正矛盾内容 5.非需求数据清洗 6.关联性验证 二、数据分析 根据预测精准度，通过平均绝对百分比误差、均方误差的准确度指标，采取更优的预测方法，选择合适的预测模型，同时还要考虑现货率、库存周转率和运营成本。 复盘过去一段时间的预测，通过比较各种方法的准确度，来选择更合适的预测模型。对于每版预测，保留过去几周的值，计算每周的预测误差，求出均方误差，根据均方误差的大小，决定下次预测用什么方法。 1.移动平均法 适用于需求相对平稳，没有趋势、季节性的情况。 A.简单移动平均 Ft+1=过去n期需求的总数/n=D1+Dt-1+Dt-2+......+Dt-n+1/n B.加权移动平均 需求历史越接近，权重比例越大，所有权重加起来为1。 Ft+1=W1D1+W2D2+........+WnDt-n+1 2.指数平滑法（调整误差） A.简单指数平滑法 平滑参数(α) α介于0和1之间，通过选择不同的平滑系数，指数平滑法可以更好的匹配业务的变化 需求历史越近，权重越大，能更快的响应需求变化。 Ft+1=Ft+α(Dt-Ft) 平滑系数α的选取 ·当需求历史比较稳定时，选取较小的α值，0.05～0.2 ·当需求历史有波动，但长期趋势没有大的变化时，可选取稍大的α值，0.1～0.4 ·当需求历史波动很大，呈现明显且迅速的上升或下降趋势时，宜选取较大的α 值，0.6～0.8 ·当需求历史是上升或者下降序列时，α宜取较大值，0.6～1 B.霍尔特双参数法（应对趋势） 本期水平部分=α*本期需求实际值+（1-α）*（上期水平部分+上期趋势部分） 本期趋势部分=β*（本期水平部分-上期

——你要说“喜欢”，就不能只说喜欢，你要说“桥上的花开得真美”。

这本关于人体微生物群系的书讲的通俗易懂，人体微生物就如人类基因一样，单独或协同到人体发挥着不同的作用。人类基因的特别是协同作用机理尚不明确，人体微生物群系对人体单独或协同的作用机理研究更是刚刚起步。问题在于这是在抗生素破坏了人体微生物群系的前提下，这个问题才刚刚引起警觉，还远谈不上重视。抗生素的出现对保障人类健康，促进社会进步方面居功至伟，然而现在我们已经知道，它所带来的消极作用。只是，即使我们尽量避免不用抗生素（必要时还得用），无处不在的食物、牛奶甚至是水都有了抗生素。关于抗生素对人体微生物群系的影响，随着研究的深入，一定会引起更多人的注意并进而影响到政府的决策。人类应该有能力解决这一事关全人类的事情。