社会学是对个体与社会之间的关系以及差异性后果的系统研究。

不能仅是“坐在车窗里面进行研究的社会学家“，不能奢望”利用度假休闲的游玩时光就能轻松的解释清楚几个世纪的难题“(Du Bios, [1903]1994)

在朋友圈看到这张图片觉得有趣，略作修改、复制粘贴了一些东西.

八月底在使用 calibre 的时候发现元数据(meta data) 获取错误，检查了一下查错、验证了网络请求，发现似乎 API失效。

隐秘的角落热播后，部分网友评价与原著的核心内涵相去甚远，特别是最后几集为了过审改编得不合逻辑。但我看未必：剧作为再现原著思想做了很多工作。

关于友情维护的重要性，尤其是在美国大学生群体中，有两种互补的观点。其一，人际关系有助于产生社会资本（Lin,1999），也是为成年期形成的心理社会发展的重要组成部分（Sullivan,1953）。对于大学年龄段的人群来说，像 Facebook 这样的网站可能在维持人际关系方面发挥着至关重要的作用，否则，会因个体离开家乡的地理上联结的社会网络而丢失。其二，也有越来越多的证据表明，一般来说，互联网的使用，特别是像 Facebook 这样的社交网站，可能与一个人的自我价值感和其他社会心理发展的衡量标准有关，尽管人们对互联网的使用对心理健康的积极或消极贡献还在激烈争论 (Kraut, Patterson, Lundmark, Kiesler, Mukhopadhyay, & Scherlis, 1998; Kraut, Kiesler, Boneva, Cummings, Helgeson, & Crawford, 2002; Shaw & Gant, 2002; Valkenburg et al., 2006).

刷 TDS(TowardDataScience.com) 和统计之都发现三个好东西： - 从任何机器学习模型中抽取人类可理解的洞察（Extracting human understandable insights from any Machine Learning model，作者 Parul Pandey），文章介绍了最为常用的 Permutation Importance, Partial Dependence Plots, SHAP values，Advanced Uses of SHAP Values 四种方法； - 可解释的机器学习指南（Guide to Interpretable Machine Learning，作者 Matthew Stewart, PhD Researcher），主要讲可视化，相对更加专业。 - Christoph Molnar 的新书 Interpretable Machine Learning，该书籍对机器学习可解释性有较为系统的介绍。 最近没时间仔细学习，故快速浏览了一下两篇文章和这本书目录，以 [1]、[2]、[3 ] 分别标注来源作简单小结，以备后用。