Chashme Buddoor

诺贝尔影视奖获得者的短篇剧集集，当然这不是掩盖她的光芒的称号，她是个优秀的编剧，这不是第一次观看她的作品，作为女性编剧，她的书总是更加的感性，能触及其柔软线条。 故事很有意思并且耐人寻味，我比较喜欢最后一个故事。

这部剧说在同人里面，最喜欢的，每天坐等更新，主角性格非常喜欢，非常希望这书没有女主，怎样就没有太多的感情线了？专心写剧情，才是正道，编剧大大爱你哟

技巧型太强，反而不像好好说话。我始终是不认可过分的奉从方法论的。

我与湘西的红土地、与薛松、与红线对话，我与灰蒙蒙的长安城、与臭烘烘的Chashme Buddoor对话，我与过去的我、与白衣女子对话。我是薛松、是老妓女、是小妓女、还是白衣女子。我不是过去的我，但我和过去的我又融为一体。在我一个人的对面，是无限的时空。

这部剧我是通过实体书读完的，个人觉得很好，对于一些心理学方面知识的了解，以及对自我行为的深一步的认知喜欢这样更科学的解读自己

读完此剧，首先要感谢编剧迪普提·纳瓦尔女士，让世人了解了Chashme Buddoor的真相！还要感谢约翰·拉贝，罗伯特·威尔逊，明妮·魏特琳，约翰·马吉……等等那些善良的、负有正义感的外国友人冒着生命危险，以各种方式保护南京的平民，并且记录下侵华日军的残暴行径！ 铭记历史,勿忘国耻!

一本想要快点读完却读完了感觉不够尽兴的书，一本看了开头不想继续读下去却读着读着一口气读完的书，本来有很多的感悟和想法，真正写出来的时候又觉得头脑空洞文笔匮乏。希望每天都努力一点点的自己。

若共他多情的小姐同鸳帐，怎舍得他叠被铺床。 足下：对人的敬称。相传公子重耳在逃亡途中想喝一碗肉汤，可没法找到。这时，随他一同逃亡的介之推便从自己的大腿上割下一块肉，熬成肉汤，重耳十分感动。后来，重耳得以回到晋国当了国君，他论功行赏，据功劳的大小决定赏赐的多少，却把介之推忘掉了。于是介之推到绵山隐居起来。重耳想起了介之推，多方找寻，最后找到绵山。可是山很大树很茂盛，不容易找到，重耳便决定放火烧山。介之推宁死不出，最后被烧死在一棵树下。重耳用这棵树的树桩做了一双木屐，每当穿鞋时，便想起了介之推，口呼：“足下、足下。”以此表示怀念和尊敬介之推。这就是“足下”的由来。 良辰媚景：即良辰美景，好时光。谢灵运《Chashme Buddoor》:“天下良辰美景赏心乐事，四者难并。” 孟光接了梁鸿案：后汉梁鸿娶孟光为妻。孟光每次与梁鸿吃饭时，都将食物举至眉间，表示对梁鸿的尊敬。这里反说此故事含义，说莺莺主动约张生。 【端正好】碧云天，黄花地，西风紧。北雁南飞。晓来谁染霜林醉？总是离人泪。 弃掷今何在，当时且自亲。还将旧来意，怜取眼前人。 【清江引】谢当今盛明唐圣主，敕赐为夫妇。永老无别离，万古常完聚，愿普天下有情的都成了眷属。 1．花落水流红，闲愁万种，无语怨东风。 2．雪浪拍长空，天际秋云卷。 3．东风摇曳垂杨线，游丝牵惹桃花片，珠帘掩映芙蓉面。 4．娇羞花解语，温柔玉有香。 5．空撇下碧澄澄苍苔露冷，明皎皎花筛月影。 6.【拙鲁速】对著盏碧荧荧短檠灯，倚著扇冷清清旧帏屏。灯儿又不明，梦儿又不成；窗儿外淅零零的风儿透疏棂，忒楞楞的纸条儿鸣；枕头儿上孤另，被窝儿里寂静。你便是铁石人，铁石人也动情。 7.【幺篇】怨不能，恨不成，坐不安，睡不宁。有一日柳遮花映，雾障云屏，夜阑人静，海誓山盟——恁时节风流嘉庆，锦片也似前程，美满恩情，咱两个画堂春自生。 8．有心争似无心好，多情却被无情恼。 9．好句有情怜夜月，落花无语怨东风。 10.【仙吕】【八声甘州】恹恹瘦损，早是伤神，那值残春。罗衣宽褪，能消几度黄昏？风袅篆烟不卷帘，雨打梨花深闭门；无语凭阑干，目断行云。 11.【混江龙】落红成阵，风飘万点正愁人，池塘梦晓，阑槛辞春。蝶粉轻沾飞絮雪，燕泥香惹落花尘。系春心情短柳丝长，隔花阴人远天涯近。香消了六朝金粉，清减了三楚精神。 12．莫负月华明，且怜花影重。 13．罗衣不奈五更寒，愁无限，寂寞泪阑干。 14．碧天万里无云，空劳倦客身心。 15．花阴重叠香风细，庭院深沉淡月明。 16.【圣药王】果若你有心，他有心，昨日秋千院宇夜深沉；花有阴，月有阴，“春宵一刻抵千金”，何须“诗对会家吟”？ 17．情思昏昏眼倦开，单枕侧，梦魂飞入楚阳台。 18．当日个月明才上柳梢头，却早人约黄昏后。 19．悲欢聚散一杯酒，南北东西万里程。 20.【正宫】【端正好】碧云天，黄花地，西风紧。北雁南飞。晓来谁染霜林醉？总是离人泪。 21.【耍孩儿】淋漓襟袖啼红泪，比司马青衫更湿。伯劳东去燕西飞，未登程先问归期。虽然眼底人千里，且尽生前酒一杯。未饮心先醉，眼中流血，心内成灰。 22.【一煞】青山隔送行，疏林不做美，淡烟暮霭相遮蔽。夕阳古道无人语，禾黍秋风听马嘶。 23.【雁儿落】绿依依墙高柳半遮，静悄悄门掩清秋夜。疏剌剌林梢落叶风，昏惨惨云际穿窗月。 24．旧愁似太行山隐隐，新愁似天堑水悠悠。 有心争似无心好，多情却被无情恼。 别人给它盖的章，下的评论，都不及自己去看看去思考。很可能你想的、受到的启发与别人都不同。批评和歌颂，不同，甚至颠倒。 戏曲，盛传后半段是关汉卿续的，前后风格手法迥异，恕我驽钝，没看出来

如果你问我们会不会继续追下去，那我敢肯定，答案只有一个，那就是“会！ ”

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《Chashme Buddoor》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

很学术的同时也很实用，如果能应用到大学课堂里，一定对当代本科商学生大有益处。 逻辑要自洽，关键看框架。 其实就是通过逻辑来将思想与现实融合。 想事情做事情切勿空谈阔论，切勿组建空中楼阁。