Python
Java
PHP
IOS
Android
Nodejs
JavaScript
Html5
Windows
Ubuntu
Linux
task1
Task1 伯努利模型 P X 1 p P X 0 1 p 三要素 1 极大似然估计 模型 伯努利模型 策略 经验风险最小化 极大似然估计 等价于当模型是条件概率分布 损失函数是对数损失函数时的经验风险最小化 算法 极大化似然 P X p
笔记
概率论
数据处理:归一化与标准化
归一化与标准化 归一化和标准化是数据预处理时常用的方法 它们都可以将数据映射到特定的区间内 但是具体的实现方式和应用场景有所不同 1 归一化与标准化的相同点 都能够处理特征值之间的差异性 避免特征值之间的度量不一致或者差异过大 都可以提高模
数据分析
机器学习
概率论
算法
数据预处理
交叉熵理解
Likelihood 似然 与 Maximun Likelihood Estimation 似然与概率 概率是已知模型的参数 求某个事情发生的可能性 概率可以表示为 p x p x Thet
概率论
算法
统计学基础面点
文章目录 1 T检验 F检验 卡方检验 2 方差分析 3 多重共线性 4 参数估计 5 假设检验 6 大数定律和中心极限定理 总结一下统计学的基础概念和考点给即将秋招的统计学er以及baozi 1 T检验 基本概念 t检验 亦称studen
统计学
概率论
机器学习
算法
概率论【常见的五种分布】--猴博士爱讲课
4 常见的五种分布 1 6 符合均匀分布 求概率 均匀分布U a b 2 6 符合泊松分布 求概率 泊松分布P A lambda是参数 x是某某次数 如果是这样的 千万不要用1 P X 6 这种 要一个一个算 3 6符合二项分布 求概率 4
猴博士概率论与数理统计笔记
概率论
人工智能
【自然语言处理】最大熵马尔可夫模型
有任何的书写错误 排版错误 概念错误等 希望大家包含指正 由于这部分的参考资料比较少 网上大部分资料重复且不完整 对于一些关键计算没有推导 所以这里我主要讨论几篇论文和讲义 但是这些论文和讲义之间也有些许差别 讨论的过程中我会加入自己的理解
机器学习
NLP amp CV
自然语言处理
人工智能
概率论
通俗理解条件概率、条件期望、条件方差
写在前面 求 条件XX 时 对 条件 的理解可以是 把 XX条件 作为新的基本事件空间 总体看待 而忽略除这个条件以外的 类似于用摄像机照相时 一开始是整个画面 当得到 XX条件 的约束后 镜头聚焦 画面缩小至代表那个条件的小空间上 一 条
大话概率
概率论
Powered by 金山文档
概率论与数理统计
概率论与数理统计 一 概率论基本概述 1 1 随机试验 1 2 样本空间与随机事件 1 3 频率与概率 1 4 古典概型 1 5 条件概率 1 6 独立性 二 随机变量及其分布 2 1 随机变量 2 2 离散型随机变量及其分布 2 3 随机
概率论
【概率论】先验概率、联合概率、条件概率、后验概率、全概率、贝叶斯公式
参考 浅谈全概率公式和贝叶斯公式 先验概率 先验概率是基于背景常识或者历史数据的统计得出的预判概率 一般只包含一个变量 例如P A P B 联合概率 联合概率指的是事件同时发生的概率 例如现在A B两个事件同时发生的概率 记为P A B P
概率论
几种概率分布(伯努利分布、二项分布、泊松分布、均匀分布、正态分布、指数分布、伽马分布)
伯努利分布 Bernoulli Distribution 又名两点分布或者0 1分布 是一个离散型概率分布 为纪念瑞士科学家雅各布 伯努利而命名 若伯努利试验成功 则伯努利随机变量取值为1 若伯努利试验失败 则伯努利随机变量取值为0 记其成
概率论
Matlab—频谱分析作图
clf fs 50 采样频率 每秒钟采样多少个点 N 60 采样点数量 T N fs 采样时间 n 0 N 1 t n fs 时间序列 f n fs N 频率序列 y1 10 sin 2 pi 15 t y2 10 sin 2 pi 20
Matlab学习
算法
概率论
自动驾驶
660 39
题干 初次解题思路 将原式中的x替换为t 原式和微分中的x都要代换 最后只保留y和t作为答案 关键在一阶 二阶导数这里 1 引入了第三个变量t 所以理解为参数方程求导 x y均为由t表示的函数 y 和y 可以作为最后结果出现在结果当中 2
概率论
机器学习
线性代数
电子科技大学人工智能期末复习笔记(四):概率与贝叶斯网络
目录 前言 概率 概率公式 贝叶斯公式 链式条件概率 例题 1 求联合概率分布 边缘概率分布 条件概率分布 2 灵活运用贝叶斯公式 概率总结 贝叶斯网络 判断独立性 两个事件独立的判断 条件独立性的判断 假设条件独立的链式法则 Active
复习笔记
概率论
人工智能
贝叶斯网络
拓扑学
概率论 - 常见分布(及其分布表)
分布表在对应的分布下边 离散型的分布 一 0 1分布 二 几何分布 三 二项分布 四 泊松分布 五 超几何分布 连续性的分布 一 均匀分布 二 指数分布 三 正态分布与标准正态分布 格格不入的三个分布 一 卡方分布 二 t 分布 三 F 分
概率论
样本方差的分母为何为n-1而不是n之无偏估计
设样本均值为 样本方差为 总体均值为 总体方差为 那么样本方差有如下公式 很多人可能都会有疑问 为什么要除以n 1 而不是n 但是翻阅资料 发现很多都是交代到 如果除以n 对样本方差的估计不是无偏估计 比总体方差要小 要想是无偏估计就要调小
概率论
n1
无偏估计
方差
The Difference between Probability and Statistic
本科数学专业 现在在PKU学习计算机 当前主要的focus是DNN RNN in Action Recognition 心中总有一股数学情结 OOAD 课程上老师提及这个问题 所以信誓旦旦地想写一篇博客 可惜最后发现雷声大 雨点小 先mar
数学
概率论
数理统计
BLP
信息安全—密码学信息熵信息理论基础—熵的概念(熵、联合熵、条件熵、平均互信息)
数学基础 概率论乘法法则 两个事件相互独立 P A B P A P B 意思是事件A和事件B同时发生的概率 事件A发生的概率 事件B发生的概率 举个栗子 掷两枚硬币硬币同时立着的概率 掷一枚硬币立着的概率 再掷一枚 硬币立着的概率 两个事件
信息熵
密码学
信息安全
概率论
概率论 思维导图复习提纲
2020 4 27更新 原xmind及pdf文件已上传至百度网盘 链接 https pan baidu com s 1q1U4cNkphVbfP8rZByLgrw 提取码 xte7 2020 4 4 更新 如果需要原xmind文件或pdf文
∨∨其他学科
概率论
思维导图
gamma分布的推导与理解
1 概述 gamma分布与指数分布 泊松分布甚至其它一些混合分布有较为紧密的联系 本文通过对比与之相关的概率分布 建立某种联系并推导其概率密度函数 以便加深理解与认知 2 Gamma分布的必要性 在设置 Gamma 分布的两个参数 并将它们
ML之概率论与矩阵论
算法
概率论
麦克内马尔检验(McNemar‘s Test)
麦克内马尔检验 McNemar s Test 配对标称数据的麦克内马尔检验 McNemar s Test from mlxtend evaluate import mcnemar 概述 McNemar的检验 1 有时也称为 受试者内卡方检验
概率论
机器学习
人工智能
«
1 ...
6
7
8
9
10
11
12
13
»