Matrix-yang
Matrix-yang

概率论与数理统计（数理统计部分）

数理统计部分

目录

  • 数理统计部分
  • P60 总体和样本
        • 1.总体
        • 2.样本
        • 3.简单随机抽样
  • P61 统计量
  • P62 卡方分布
        • 1.卡方分布的定义，密度函数，函数图像，性质
        • 2.上a分位数
  • P63 t分布和F分布
        • 1.t分布的定义，密度函数，函数图像和a（阿尔法）分位数
        • 2.F分布，密度函数，函数图像和a（阿尔法）分位数
  • P64单个正态总体的抽样分布
  • P65两个正态总体的抽样分布
  • p66矩估计
        • 1. 常见概念（参数，店估计，区间估计）
        • 2.矩估计
  • p67极大似然估计
        • 1.离散型事件的极大似然估计
        • 2.连续型的极大似然估计
  • p68 最大似然估计习题
  • p69估计量的评价准则
        • 1.常用评价准则
        • 2.无偏性
  • p70有效性准则和军方误差准则
        • 3.均方误差准则
  • p71 相合性准则
        • 4.相合性准则
  • p72置信区间，精确度
        • 1.双侧置信区间
        • 2.单侧置信区间
        • 2.精确度
  • p73枢轴量法
        • 1.枢轴量法![在这里插入图片描述](https://img-blog.csdnimg.cn/20200107100613172.png)
        • 2.枢轴量与统计量的区别
        • 3.可转换成单侧置信区间求解
  • p74枢轴量法（二）
  • p75 单个正态总体均值的区间估计
        • 1.知道分分布的情况
        • 2.分布未知但是可以看做正态的
  • p76成对数据均值差，单个正太总体方差的区间估计
        • 1.成对数据均值差的区间估计
        • 2.方差的区间估计
  • p77 两个正态总体参数的区间估计
  • p78假设检验的基本思想（一）
        • 1.假设检验四步曲
          • 1.1假设检验四步的原则和形式
        • 2，检验统计量，接受域，拒绝域
  • p79假设检验的基本思想（二）
        • 3.两类错误和临界值
        • 4. 根据样本结果得出结论
        • 5.P_值法的三四步
        • 临界值法概述
        • P值法概述
  • p80单个正太总体的均值假设检验（标准差已知）
  • p81单个正太总体的均值假设检验（标准差未知）
  • P82 成对数据做差的均值和标注差的建设检验
  • p83 两个正态总体的假设检验（比较两个正态总体均值的检验）
  • p84 两个正态总体的假设检验（比较两个正态总体标准差的检验）
  • p85 拟合优度检验
  • p86单因素方差分析
  • p87 单因素方差分析（参数估计）
  • p88一元线性回归（参数估计）
  • p89一元线性回归（模型校验和实际应用）

P60 总体和样本

1.总体

概率论与数理统计（数理统计部分）_第1张图片

2.样本

概率论与数理统计（数理统计部分）_第2张图片

3.简单随机抽样

概率论与数理统计（数理统计部分）_第3张图片

P61 统计量

概率论与数理统计（数理统计部分）_第4张图片
概率论与数理统计（数理统计部分）_第5张图片
视频中的例子将了为什么不是1/n而是1/n-1
概率论与数理统计（数理统计部分）_第6张图片
概率论与数理统计（数理统计部分）_第7张图片
概率论与数理统计（数理统计部分）_第8张图片

P62 卡方分布

1.卡方分布的定义，密度函数，函数图像，性质

概率论与数理统计（数理统计部分）_第9张图片
概率论与数理统计（数理统计部分）_第10张图片
概率论与数理统计（数理统计部分）_第11张图片
概率论与数理统计（数理统计部分）_第12张图片

2.上a分位数

概率论与数理统计（数理统计部分）_第13张图片

P63 t分布和F分布

1.t分布的定义，密度函数，函数图像和a（阿尔法）分位数

概率论与数理统计（数理统计部分）_第14张图片
概率论与数理统计（数理统计部分）_第15张图片
概率论与数理统计（数理统计部分）_第16张图片
极限区趋于正态分布
概率论与数理统计（数理统计部分）_第17张图片

2.F分布，密度函数，函数图像和a（阿尔法）分位数

概率论与数理统计（数理统计部分）_第18张图片
概率论与数理统计（数理统计部分）_第19张图片
概率论与数理统计（数理统计部分）_第20张图片
概率论与数理统计（数理统计部分）_第21张图片

P64单个正态总体的抽样分布

概率论与数理统计（数理统计部分）_第22张图片
概率论与数理统计（数理统计部分）_第23张图片

P65两个正态总体的抽样分布

概率论与数理统计（数理统计部分）_第24张图片
概率论与数理统计（数理统计部分）_第25张图片
概率论与数理统计（数理统计部分）_第26张图片
概率论与数理统计（数理统计部分）_第27张图片
证明视频中有讲
概率论与数理统计（数理统计部分）_第28张图片

p66矩估计

1. 常见概念（参数，店估计，区间估计）

概率论与数理统计（数理统计部分）_第29张图片
概率论与数理统计（数理统计部分）_第30张图片

2.矩估计

概率论与数理统计（数理统计部分）_第31张图片
概率论与数理统计（数理统计部分）_第32张图片概率论与数理统计（数理统计部分）_第33张图片

p67极大似然估计

1.离散型事件的极大似然估计

概率论与数理统计（数理统计部分）_第34张图片

2.连续型的极大似然估计

概率论与数理统计（数理统计部分）_第35张图片
概率论与数理统计（数理统计部分）_第36张图片
概率论与数理统计（数理统计部分）_第37张图片

p68 最大似然估计习题

p69估计量的评价准则

1.常用评价准则

概率论与数理统计（数理统计部分）_第38张图片

2.无偏性

概率论与数理统计（数理统计部分）_第39张图片
概率论与数理统计（数理统计部分）_第40张图片
概率论与数理统计（数理统计部分）_第41张图片

p70有效性准则和军方误差准则

####2.有效性准则（接上一节）
概率论与数理统计（数理统计部分）_第42张图片
概率论与数理统计（数理统计部分）_第43张图片

3.均方误差准则

概率论与数理统计（数理统计部分）_第44张图片

p71 相合性准则

4.相合性准则

概率论与数理统计（数理统计部分）_第45张图片

p72置信区间，精确度

1.双侧置信区间

概率论与数理统计（数理统计部分）_第46张图片
概率论与数理统计（数理统计部分）_第47张图片

2.单侧置信区间

概率论与数理统计（数理统计部分）_第48张图片
概率论与数理统计（数理统计部分）_第49张图片

2.精确度

概率论与数理统计（数理统计部分）_第50张图片
区间长度越小精确度越高

p73枢轴量法

枢轴量法是用来求置信区间的方法

1.枢轴量法概率论与数理统计（数理统计部分）_第51张图片

概率论与数理统计（数理统计部分）_第52张图片

2.枢轴量与统计量的区别

概率论与数理统计（数理统计部分）_第53张图片

3.可转换成单侧置信区间求解

概率论与数理统计（数理统计部分）_第54张图片
概率论与数理统计（数理统计部分）_第55张图片

p74枢轴量法（二）

概率论与数理统计（数理统计部分）_第56张图片
概率论与数理统计（数理统计部分）_第57张图片
概率论与数理统计（数理统计部分）_第58张图片

p75 单个正态总体均值的区间估计

1.知道分分布的情况

概率论与数理统计（数理统计部分）_第59张图片
概率论与数理统计（数理统计部分）_第60张图片
概率论与数理统计（数理统计部分）_第61张图片
Za/2 上 a/2分位数（概率论中概念）
概率论与数理统计（数理统计部分）_第62张图片
概率论与数理统计（数理统计部分）_第63张图片

2.分布未知但是可以看做正态的

概率论与数理统计（数理统计部分）_第64张图片
概率论与数理统计（数理统计部分）_第65张图片

p76成对数据均值差，单个正太总体方差的区间估计

1.成对数据均值差的区间估计

概率论与数理统计（数理统计部分）_第66张图片
概率论与数理统计（数理统计部分）_第67张图片

2.方差的区间估计

概率论与数理统计（数理统计部分）_第68张图片
概率论与数理统计（数理统计部分）_第69张图片
概率论与数理统计（数理统计部分）_第70张图片

p77 两个正态总体参数的区间估计

概率论与数理统计（数理统计部分）_第71张图片
概率论与数理统计（数理统计部分）_第72张图片
概率论与数理统计（数理统计部分）_第73张图片
概率论与数理统计（数理统计部分）_第74张图片
概率论与数理统计（数理统计部分）_第75张图片
概率论与数理统计（数理统计部分）_第76张图片
概率论与数理统计（数理统计部分）_第77张图片

p78假设检验的基本思想（一）

1.假设检验四步曲

概率论与数理统计（数理统计部分）_第78张图片

1.1假设检验四步的原则和形式

概率论与数理统计（数理统计部分）_第79张图片
概率论与数理统计（数理统计部分）_第80张图片
概率论与数理统计（数理统计部分）_第81张图片
概率论与数理统计（数理统计部分）_第82张图片

2，检验统计量，接受域，拒绝域

概率论与数理统计（数理统计部分）_第83张图片
概率论与数理统计（数理统计部分）_第84张图片
概率论与数理统计（数理统计部分）_第85张图片
概率论与数理统计（数理统计部分）_第86张图片

p79假设检验的基本思想（二）

3.两类错误和临界值

在这里插入图片描述
概率论与数理统计（数理统计部分）_第87张图片
概率论与数理统计（数理统计部分）_第88张图片

4. 根据样本结果得出结论

概率论与数理统计（数理统计部分）_第89张图片

5.P_值法的三四步

概率论与数理统计（数理统计部分）_第90张图片

临界值法概述

概率论与数理统计（数理统计部分）_第91张图片

P值法概述

概率论与数理统计（数理统计部分）_第92张图片

p80单个正太总体的均值假设检验（标准差已知）

检验统计量服从正态分布，推导了双边检验和单边检验的公式有例题

p81单个正太总体的均值假设检验（标准差未知）

检验统计量服从t分布，推导了双边检验和单边检验的公式有例题

P82 成对数据做差的均值和标注差的建设检验

p83 两个正态总体的假设检验（比较两个正态总体均值的检验）

p84 两个正态总体的假设检验（比较两个正态总体标准差的检验）

p85 拟合优度检验

检验样本是否服从某种分布
概率论与数理统计（数理统计部分）_第93张图片
概率论与数理统计（数理统计部分）_第94张图片
概率论与数理统计（数理统计部分）_第95张图片
概率论与数理统计（数理统计部分）_第96张图片
概率论与数理统计（数理统计部分）_第97张图片
概率论与数理统计（数理统计部分）_第98张图片
概率论与数理统计（数理统计部分）_第99张图片

p86单因素方差分析

相当于多个随机变量均值的假设检验
概率论与数理统计（数理统计部分）_第100张图片

p87 单因素方差分析（参数估计）

p88一元线性回归（参数估计）

p89一元线性回归（模型校验和实际应用）

你可能感兴趣的:(数学基础)

  • 如何有效的学习AI大模型？ Python程序员罗宾 学习人工智能语言模型自然语言处理架构
    学习AI大模型是一个系统性的过程，涉及到多个学科的知识。以下是一些建议，帮助你更有效地学习AI大模型：基础知识储备：数学基础：学习线性代数、概率论、统计学和微积分等，这些是理解机器学习算法的数学基础。编程技能：掌握至少一种编程语言，如Python，因为大多数AI模型都是用Python实现的。理论学习：机器学习基础：了解监督学习、非监督学习、强化学习等基本概念。深度学习：学习神经网络的基本结构，如卷
  • 群体遗传分析（一）#学习笔记 kangroomoon
    哈温的遗传平衡定律是基础，费、莱、霍的群体遗传学是数学基础和理论框架，木村资生的中性进化论深化了自然选择的概念。中性学说认为：分子水平上的遗传变异在很大程度上是中性的，变异程度主要由突变速率和有效群体大小决定。（通过观察值和理论值之间的差异性测验中性进化假说）群体遗传多态性与结构分析Locus：遗传座位，在群体中通常包含多个allele：等位基因，即遗传多态性。大多数的新突变是由于geneticd
  • 几何分布的期望和方差公式推导_算法数学基础-统计学最基础之均值、方差、协方差、矩... weixin_39848097 几何分布的期望和方差公式推导均值定理六个公式概率论方差公式
    我们天天都可以接触很多随机现象，比如每天的天气不一样气温是我们最直接的感受，我们很难预测明天的精确问题，但是这些随机现象又体现出了一定的规律性。比如上海7月份平均35度左右，冬天的平均温度在5度左右。所以35、5这些数字体现了某种稳定性。所以除了前面几章中讲到的分布律和概率密度函数可以表征随机变量外，还可以用一组数字来表达随机变量的一般特性。这就是我们今天要讲到的随机变量的数字特征。通过对数字特征
  • CTF 竞赛密码学方向学习路径规划 David Max CTF学习笔记密码学ctf信息安全
    目录计算机科学基础计算机科学概念的引入、兴趣的引导开发环境的配置与常用工具的安装WattToolkit（Steam++）、机场代理Scoop（Windows用户可选）常用Python库SageMathLinux小工具yafuOpenSSLMarkdown编程基础Python其他编程语言、算法与数据结构（可选）数学基础离散数学与抽象代数复杂性分析密码学的正式学习兴趣的培养做题小技巧系统学习需要了解并
  • 深度学习算法，该如何深入，举例说明 liyy614 深度学习
    深度学习算法的深入学习可以从理论和实践两个方面进行。理论上，深入理解深度学习需要掌握数学基础（如线性代数、概率论、微积分）、机器学习基础和深度学习框架原理。实践上，可以通过实现和优化深度学习模型来提升技能。理论深入数学基础线性代数：理解向量、矩阵、特征值和特征向量等，对于理解神经网络的权重和偏置矩阵至关重要。概率论：用于理解模型的不确定性，如Dropout等正则化技术。微积分：理解梯度下降等优化算
  • 数学基础 -- 线性代数正交多项式之勒让德多项式展开推导 sz66cm 线性代数决策树算法
    勒让德多项式展开的详细过程勒让德多项式是一类在区间[−1,1][-1,1][−1,1]上正交的多项式，可以用来逼近函数。我们可以将一个函数表示为勒让德多项式的线性组合。以下是如何推导勒让德多项式展开系数ana_nan的详细过程。1.勒让德展开的基本假设给定一个函数f(x)f(x)f(x)，我们希望将它表示为勒让德多项式的线性组合：f(x)=∑n=0∞anPn(x),f(x)=\sum_{n=0}^
  • 数学基础 -- 线性代数之格拉姆-施密特正交化 sz66cm 线性代数机器学习人工智能
    格拉姆-施密特正交化格拉姆-施密特正交化（Gram-SchmidtOrthogonalization）是一种将一组线性无关的向量转换为一组两两正交向量的算法。通过该过程，我们能够从原始向量组中构造正交基，并且可以选择归一化使得向量组成为标准正交基。算法步骤假设我们有一组线性无关的向量{v1,v2,…,vn}\{v_1,v_2,\dots,v_n\}{v1,v2,…,vn}，其目标是将这些向量正交化
  • 数学基础 -- 线性代数之矩阵的迹 sz66cm 线性代数机器学习决策树
    矩阵的迹什么是矩阵的迹？矩阵的迹（TraceofaMatrix）是线性代数中的一个基本概念，定义为一个方阵主对角线上元素的总和。矩阵的迹在许多数学和物理应用中都起着重要作用，例如在矩阵分析、量子力学、统计学和系统理论中。矩阵迹的定义对于一个n×nn\timesnn×n的方阵AAA：A=(a11a12⋯a1na21a22⋯a2n⋮⋮⋱⋮an1an2⋯ann)A=\begin{pmatrix}a_{1
  • 数学基础 -- 线性代数之矩阵正定性 sz66cm 线性代数矩阵
    线性代数中的正定性正定性在线性代数中主要用于描述矩阵的特性，尤其是在二次型与优化问题中有重要应用。正定矩阵的定义对于一个n×nn\timesnn×n的对称矩阵AAA，其正定性可以通过以下条件来判断：正定矩阵：如果对于任意非零向量x∈Rnx\in\mathbb{R}^nx∈Rn，二次型xTAxx^TAxxTAx都是正的，即：xTAx>0∀x∈Rn,x≠0x^TAx>0\quad\forallx\in
  • 想学java，需要什么基础？ 吹来人间烟火
    不需要什么基础，课程都是针对于零基础的同学，设计这个行业，本身入行门槛比较低，能力重于学历。真正科班出身的更是少数，大部分人都是通过找培训机构系统学习出来的，所以只要自己下定决心去学，就一定能学会的。另外，如果说普通人具备哪些能力可以更好地学习Java，那可以列出来三点。1、简单的英语读写能力；2、一定的数学基础；3、一定的计算机基础操作能力。Java是一门面向对象地编程语言，吸收了C++语言的各
  • 数学基础 -- 线性代数之酉矩阵 sz66cm 量子计算线性代数
    酉矩阵（UnitaryMatrix）酉矩阵是线性代数中一种重要的矩阵类型，特别在量子力学和信号处理等领域有广泛的应用。以下是酉矩阵的定义、性质以及使用和计算的例子。1.定义酉矩阵是一个复矩阵UUU，满足以下条件：U†U=UU†=IU^{\dagger}U=UU^{\dagger}=IU†U=UU†=I其中：U†U^{\dagger}U†是矩阵UUU的共轭转置矩阵，即UUU的转置矩阵再取元素的共轭。
  • 深度学习奥秘解锁：AI大模型技能提升指南 AGI大模型老王 人工智能深度学习语言模型算法大模型AI大模型
    文章目录每日一句正能量前言AI大模型学习的理论基础AI大模型的训练与优化AI大模型在特定领域的应用AI大模型学习的伦理与社会影响未来发展趋势与挑战后记**前言**随着人工智能技术的快速发展，AI大模型学习正成为一项备受关注的研究领域。为了提高模型的准确性和效率，研究者们需要具备深厚的数学基础和编程能力，并对特定领域的业务场景有深入的了解。通过不断优化模型结构和算法，AI大模型学习正为人类的生活和工
  • 数学基础 -- 线性代数之伴随矩阵 sz66cm 线性代数矩阵
    伴随矩阵1.代数余子式首先我们需要理解什么是代数余子式。对于一个n×nn\timesnn×n的方阵AAA，代数余子式MijM_{ij}Mij是指从矩阵AAA中删除第iii行和第jjj列后，剩下的子矩阵的行列式。假设有一个3×33\times33×3的矩阵：A=(a11a12a13a21a22a23a31a32a33)A=\begin{pmatrix}a_{11}&a_{12}&a_{13}\\a_
  • 数学基础 -- 线性代数之矩阵的秩 sz66cm 线性代数矩阵机器学习
    矩阵的秩：概念与应用1.概述矩阵的秩（Rank）是线性代数中的一个基本概念，它衡量了矩阵中行或列向量的线性无关性。矩阵的秩在解线性方程组、矩阵分解、确定线性变换的维度等方面起着重要作用。2.矩阵的秩的定义矩阵的秩可以从以下几个角度进行定义：行秩：矩阵的行秩是指矩阵中最大线性无关行向量的个数。列秩：矩阵的列秩是指矩阵中最大线性无关列向量的个数。在一个矩阵中，行秩和列秩总是相等的，因此我们通常将矩阵的
  • 【ShuQiHere】从零开始实现逻辑回归：深入理解反向传播与梯度下降 ShuQiHere 代码武士的机器学习秘传逻辑回归算法机器学习
    【ShuQiHere】逻辑回归是机器学习中一个经典的分类算法，尽管它的名字中带有“回归”，但它的主要用途是处理二分类问题。逻辑回归通过一个逻辑函数（Sigmoid函数）将输入特征映射到一个概率值上，然后根据这个概率值进行分类。本文将带你从零开始一步步实现逻辑回归，并深入探讨背后的核心算法——反向传播与梯度下降。逻辑回归的数学基础逻辑回归的目标是找到一个逻辑函数，能够将输入特征映射到一个(0,1)之
  • 数学基础 -- 线性代数之行阶梯形 sz66cm 线性代数机器学习人工智能
    行阶梯形行阶梯形（RowEchelonForm,REF）是线性代数中用于简化矩阵形式的一种方法，常用于求解线性方程组。矩阵经过行变换（如高斯消元法）后可以转换为行阶梯形，它具有以下特点：行阶梯形的定义零行在矩阵的底部：矩阵中如果存在一行全为零的行，这些行必须在矩阵的最下方。每一非零行的首个非零元素为1：这一元素称为该行的主元（leadingentry）。主元是从左到右的第一个非零元素，并且主元必须
  • 【ShuQiHere】《机器学习的进化史『上』：从数学模型到智能算法的百年征程》 ShuQiHere 机器学习人工智能
    【ShuQiHere】引言：概述机器学习的演进机器学习的发展史是一段从数学基础到智能算法的演进历程。从19世纪的数学探索，到20世纪的计算革命，再到21世纪的智能算法应用，机器学习模型的演化贯穿了科学进步的每个重要阶段。这篇博客将系统回顾这些模型的历史演进，展示它们之间的联系，并探讨其在现代应用中的重要性。线性回归：机器学习的起点背景故事：1805年的法国，年轻的数学家Adrien-MarieLe
  • 数学基础 -- 线性代数之增广矩阵 sz66cm 线性代数机器学习
    增广矩阵增广矩阵（AugmentedMatrix）是在求解线性方程组时常用的工具。它将线性方程组的系数矩阵与常数项合并在一起，形成一个扩展的矩阵，从而便于使用矩阵操作方法求解方程组。定义假设我们有一个线性方程组：a11x1+a12x2+⋯+a1nxn=b1a21x1+a22x2+⋯+a2nxn=b2⋮am1x1+am2x2+⋯+amnxn=bm\begin{aligned}a_{11}x_1+a_
  • 数学基础 -- 梯度下降算法 sz66cm 算法人工智能数学基础
    梯度下降算法梯度下降算法（GradientDescent）是一种优化算法，主要用于寻找函数的局部最小值或全局最小值。它广泛应用于机器学习、深度学习以及统计学中，用于最小化损失函数或误差函数。梯度下降的基本概念梯度下降算法通过以下步骤工作：初始化参数：随机初始化模型的参数（如权重和偏差），也可以用特定的策略初始化。计算损失：对当前模型输出和实际目标值计算损失（如均方误差、交叉熵等）。计算梯度：计算损
  • 数学基础 -- 线性代数之矩阵的可逆性 sz66cm 线性代数矩阵机器学习
    矩阵的可逆性1.矩阵可逆的定义对于一个n×nn\timesnn×n的方阵AAA，如果存在一个矩阵BBB使得：A×B=B×A=InA\timesB=B\timesA=I_nA×B=B×A=In其中InI_nIn是n×nn\timesnn×n的单位矩阵（对角线上全为1，其他位置全为0），那么矩阵AAA是可逆的，并称矩阵BBB是矩阵AAA的逆矩阵，记作A−1A^{-1}A−1。2.矩阵不可逆的定义如果对
  • Logistic 回归 零 度° 机器学习回归数据挖掘人工智能
    文章目录1.引言2.Logistic回归概述2.1定义与应用场景2.2与线性回归的区别3.原理与数学基础3.1Sigmoid函数3.2概率解释3.3极大似然估计4.模型建立4.1假设函数4.2成本函数4.3梯度下降法5.正则化5.1正则化的目的与类型5.1.1正则化的目的5.1.2正则化的类型5.2L1和L2正则化5.2.1L1正则化5.2.2L2正则化6.多分类问题6.1一对多(OvA)6.2一
  • 数学基础 -- 线性代数之行列式不变性推导 sz66cm 线性代数
    行列式不变性的推导我们要证明：给矩阵的一行（或列）加上另一行（或列）的倍数，这种操作不会改变行列式的值。问题描述假设我们有一个矩阵AAA，其大小为3×33\times33×3，如果我们将其第1行加上第2行的倍数，得到新的矩阵A′A'A′。我们需要证明矩阵AAA的行列式和矩阵A′A'A′的行列式是相等的。给定矩阵AAA如下：A=(a11a12a13a21a22a23a31a32a33)A=\begi
  • 数学基础（四） 几两春秋梦_ 数学基础算法人工智能机器学习
    一、特征值与特征向量特征空间：特征向量的应用：特征值表达了重要程度且和特征向量所对应，那么特征值大的就是主要信息了，基于这点我们可以提供各种有价值的信息。二、SVD矩阵分解基变换：特征值分解：SVD：离散型随机变量概率函数（概率质量函数）：连续型随机变量似然函数
  • 深度学习如何入门？ 科学的N次方 深度学习
    入门深度学习需要系统性的学习和实践经验积累，以下是一份详细的入门指南，包含了关键的学习步骤和资源：预备知识：•编程基础：熟悉Python编程语言，它是深度学习领域最常用的编程语言。确保掌握变量、条件语句、循环、函数等基本概念，并学习如何使用Python处理数据和文件操作。•数学基础：理解线性代数（矩阵运算、向量空间等）、微积分（导数、梯度求解等）、概率论与统计学（期望、方差、概率分布、最大似然估计
  • 2018-02-19 471503Liwufeng
    四十岁之后就经常算不清楚自己多大岁数，到底44还是45或者46真的不能不假思索脱口而出。是小学数学基础没打好，还是心理学上说的“可以回避”？所以今天记上一笔，2018年2月19日，45周岁。中年人的生日我相信没人由衷想为自己又长一岁而庆贺
  • 计算机等级考试：信息安全技术 知识点二 ting_liang 计算机网络
    1、信息技术的飞速发展，对人类社会产生了重要影响，其主流是积极的，但也客观存在一些负面影响，这些负面影响有:信息泛滥、信息污染、信息犯罪。2、1949年，香农发表了著名的《保密系统的通信理论》的论文，把密码学置于坚实的数学基础上，标志着密码学作为一门学科的形成。3、数字签名的过程使用的是签名者的私有密钥，验证数字签名时，使用的是签名者的公有密钥。4、已知最早的代换密码是由JuliusCaesar发
  • 数学分析视频+书籍等 dllglvzhenfeng 计算机考研机试创新程序猿的数学人工智能算法信奥青少年趣味编程数学分析
    数学分析（数学基础分支）数学分析（数学基础分支）_百度百科《数学分析（一）》专题《数学分析（一）》专题_哔哩哔哩_bilibili北京某高校《数学分析（二）》：第一讲~第五讲北京某高校《数学分析（二）》：第一讲~第五讲_哔哩哔哩_bilibili北京某高校《数学分析（二）》：第六讲~第八讲（未完待续）北京某高校《数学分析（二）》：第六讲~第八讲_哔哩哔哩_bilibili北京某高校《微观数学》之《
  • 【人工智能学习思维脉络导图】 AK@ 人工智能人工智能学习
    曾梦想执剑走天涯，我是程序猿【AK】目录知识图谱1.基础知识2.人工智能核心概念3.实践与应用4.持续学习与进展5.挑战与自我提升6.人脉网络知识图谱人工智能学习思维脉络导图1.基础知识计算机科学基础数学基础（线性代数、微积分、概率论和统计学）编程语言（Python、R等）2.人工智能核心概念机器学习监督学习无监督学习强化学习深度学习神经网络卷积神经网络（CNN）循环神经网络（RNN）自然语言处理
  • 智力题还是水有毒 (智力唤醒、简单代码、公平性) BABYMISS
    前言：群里发现一个很有意思的问题一、智力题？？！有1000瓶水，其中有一瓶有毒，小白鼠只要尝一点带毒的水24小时内就会死亡，至少要多少只小白鼠才能在24小时内鉴别出哪瓶水有毒？【题目肯定经不起吃瓜大众的推敲，我们还是按出题人的思路来！】二、思路对不起，刚开始跑偏了。自诩数学基础好、生活经验丰富的我，思绪飘过二叉树、布隆过滤器，在奥卡姆剃刀指引下，最终回归最基础的二进制(如果是1024瓶水，保证不跑
  • 小学奥数全套试卷百度云资源，pdf可打印电子版地址更新 全网优惠分享君
    奥数，全称为奥林匹克数学竞赛，是一项极富挑战性的数学竞赛活动。它旨在发现和培养数学人才，提高他们的数学水平，并为国家培养出优秀的数学后备力量。在奥数竞赛中，学生需要掌握扎实的数学基础，灵活运用数学知识，解决各种复杂的数学问题。为了帮助小学生更好地学习奥数，我们整理了一份小学奥数全套试卷百度云资源，pdf可打印电子版。这份资源包含了小学奥数各年级的试卷，题型全面，难度适中，适合小学生练习和提高自己的
  • ios内付费 374016526 ios内付费
    近年来写了很多IOS的程序，内付费也用到不少，使用IOS的内付费实现起来比较麻烦，这里我写了一个简单的内付费包，希望对大家有帮助。   具体使用如下: 这里的sender其实就是调用者，这里主要是为了回调使用。 [KuroStoreApi kuroStoreProductId:@"产品ID" storeSender:self storeFinishCallBa
  • 20 款优秀的 Linux 终端仿真器 brotherlamp linuxlinux视频linux资料linux自学linux教程
      终端仿真器是一款用其它显示架构重现可视终端的计算机程序。换句话说就是终端仿真器能使哑终端看似像一台连接上了服务器的客户机。终端仿真器允许最终用户用文本用户界面和命令行来访问控制台和应用程序。（LCTT 译注：终端仿真器原意指对大型机-哑终端方式的模拟，不过在当今的 Linux 环境中，常指通过远程或本地方式连接的伪终端，俗称“终端”。） 你能从开源世界中找到大量的终端仿真器，它们
  • Solr Deep Paging(solr 深分页) eksliang solr深分页solr分页性能问题
    转载请出自出处：http://eksliang.iteye.com/blog/2148370 作者：eksliang(ickes) blg:http://eksliang.iteye.com/ 概述 长期以来，我们一直有一个深分页问题。如果直接跳到很靠后的页数，查询速度会比较慢。这是因为Solr的需要为查询从开始遍历所有数据。直到Solr的4.7这个问题一直没有一个很好的解决方案。直到solr
  • 数据库面试题 18289753290 面试题 数据库
    1.union ,union all 网络搜索出的最佳答案： union和union all的区别是,union会自动压缩多个结果集合中的重复结果，而union all则将所有的结果全部显示出来，不管是不是重复。 Union：对两个结果集进行并集操作，不包括重复行，同时进行默认规则的排序； Union All：对两个结果集进行并集操作，包括重复行，不进行排序； 2.索引有哪些分类？作用是
  • Android TV屏幕适配 酷的飞上天空 android
    先说下现在市面上TV分辨率的大概情况 两种分辨率为主 1.720标清，分辨率为1280x720. 屏幕尺寸以32寸为主，部分电视为42寸 2.1080p全高清，分辨率为1920x1080 屏幕尺寸以42寸为主，此分辨率电视屏幕从32寸到50寸都有   适配遇到问题，已1080p尺寸为例： 分辨率固定不变，屏幕尺寸变化较大。 如：效果图尺寸为1920x1080，如果使用d
  • Timer定时器与ActionListener联合应用 永夜-极光 java
    功能:在控制台每秒输出一次   代码: package Main; import javax.swing.Timer; import java.awt.event.*; public class T { private static int count = 0; public static void main(String[] args){
  • Ubuntu14.04系统Tab键不能自动补全问题解决 随便小屋 Ubuntu 14.04
    Unbuntu 14.4安装之后就在终端中使用Tab键不能自动补全，解决办法如下：   1、利用vi编辑器打开/etc/bash.bashrc文件（需要root权限） sudo vi /etc/bash.bashrc  接下来会提示输入密码 2、找到文件中的下列代码 #enable bash completion in interactive shells #if
  • 学会人际关系三招 轻松走职场 aijuans 职场
    要想成功，仅有专业能力是不够的，处理好与老板、同事及下属的人际关系也是门大学问。如何才能在职场如鱼得水、游刃有余呢？在此，教您简单实用的三个窍门。 　　第一，多汇报 最近，管理学又提出了一个新名词“追随力”。它告诉我们，做下属最关键的就是要多请示汇报，让上司随时了解你的工作进度，有了新想法也要及时建议。不知不觉，你就有了“追随力”，上司会越来越了解和信任你。 　　第二，勤沟通 团队的力
  • 《O2O：移动互联网时代的商业革命》读书笔记 aoyouzi 读书笔记
    移动互联网的未来：碎片化内容+碎片化渠道=各式精准、互动的新型社会化营销。   O2O：Online to OffLine 线上线下活动 O2O就是在移动互联网时代，生活消费领域通过线上和线下互动的一种新型商业模式。   手机二维码本质：O2O商务行为从线下现实世界到线上虚拟世界的入口。   线上虚拟世界创造的本意是打破信息鸿沟，让不同地域、不同需求的人
  • js实现图片随鼠标滚动的效果 百合不是茶 JavaScript滚动属性的获取图片滚动属性获取页面加载
    1,获取样式属性值 top 与顶部的距离 left 与左边的距离 right 与右边的距离 bottom 与下边的距离 zIndex 层叠层次     例子:获取左边的宽度,当css写在body标签中时 <div id="adver" style="position:absolute;top:50px;left:1000p
  • ajax同步异步参数async bijian1013 jqueryAjaxasync
            开发项目开发过程中，需要将ajax的返回值赋到全局变量中，然后在该页面其他地方引用，因为ajax异步的原因一直无法成功，需将async:false，使其变成同步的。         格式： $.ajax({ type: 'POST', ur
  • Webx3框架（1） Bill_chen eclipsespringmaven框架ibatis
    Webx是淘宝开发的一套Web开发框架，Webx3是其第三个升级版本；采用Eclipse的开发环境，现在支持java开发； 采用turbine原型的MVC框架，扩展了Spring容器，利用Maven进行项目的构建管理，灵活的ibatis持久层支持，总的来说，还是一套很不错的Web框架。 Webx3遵循turbine风格，velocity的模板被分为layout/screen/control三部
  • 【MongoDB学习笔记五】MongoDB概述 bit1129 mongodb
    MongoDB是面向文档的NoSQL数据库，尽量业界还对MongoDB存在一些质疑的声音，比如性能尤其是查询性能、数据一致性的支持没有想象的那么好，但是MongoDB用户群确实已经够多。MongoDB的亮点不在于它的性能，而是它处理非结构化数据的能力以及内置对分布式的支持(复制、分片达到的高可用、高可伸缩)，同时它提供的近似于SQL的查询能力，也是在做NoSQL技术选型时，考虑的一个重要因素。Mo
  • spring/hibernate/struts2常见异常总结 白糖_ Hibernate
    Spring ①ClassNotFoundException: org.aspectj.weaver.reflect.ReflectionWorld$ReflectionWorldException 缺少aspectjweaver.jar，该jar包常用于spring aop中   ②java.lang.ClassNotFoundException: org.sprin
  • jquery easyui表单重置(reset)扩展思路 bozch formjquery easyuireset
    在jquery easyui表单中 尚未提供表单重置的功能，这就需要自己对其进行扩展。 扩展的时候要考虑的控件有： combo,combobox,combogrid,combotree,datebox,datetimebox 需要对其添加reset方法，reset方法就是把初始化的值赋值给当前的组件，这就需要在组件的初始化时将值保存下来。 在所有的reset方法添加完毕之后，就需要对fo
  • 编程之美-烙饼排序 bylijinnan 编程之美
    package beautyOfCoding; import java.util.Arrays; /* *《编程之美》的思路是：搜索+剪枝。有点像是写下棋程序：当前情况下，把所有可能的下一步都做一遍；在这每一遍操作里面，计算出如果按这一步走的话，能不能赢（得出最优结果）。 *《编程之美》上代码有很多错误，且每个变量的含义令人费解。因此我按我的理解写了以下代码： */
  • Struts1.X 源码分析之ActionForm赋值原理 chenbowen00 struts
    struts1在处理请求参数之前，首先会根据配置文件action节点的name属性创建对应的ActionForm。如果配置了name属性，却找不到对应的ActionForm类也不会报错，只是不会处理本次请求的请求参数。 如果找到了对应的ActionForm类，则先判断是否已经存在ActionForm的实例，如果不存在则创建实例，并将其存放在对应的作用域中。作用域由配置文件action节点的s
  • [空天防御与经济]在获得充足的外部资源之前,太空投资需有限度 comsci 资源
          这里有一个常识性的问题:       地球的资源,人类的资金是有限的,而太空是无限的.....       就算全人类联合起来,要在太空中修建大型空间站,也不一定能够成功,因为资源和资金,技术有客观的限制.... &
  • ORACLE临时表—ON COMMIT PRESERVE ROWS daizj oracle临时表
    ORACLE临时表 转 临时表：像普通表一样，有结构，但是对数据的管理上不一样，临时表存储事务或会话的中间结果集，临时表中保存的数据只对当前 会话可见，所有会话都看不到其他会话的数据，即使其他会话提交了，也看不到。临时表不存在并发行为，因为他们对于当前会话都是独立的。 创建临时表时，ORACLE只创建了表的结构（在数据字典中定义），并没有初始化内存空间，当某一会话使用临时表时，ORALCE会
  • 基于Nginx XSendfile+SpringMVC进行文件下载 denger 应用服务器Webnginx网络应用lighttpd
        在平常我们实现文件下载通常是通过普通 read-write方式，如下代码所示。 @RequestMapping("/courseware/{id}") public void download(@PathVariable("id") String courseID, HttpServletResp
  • scanf接受char类型的字符 dcj3sjt126com c
    /* 2013年3月11日22:35:54 目的：学习char只接受一个字符 */ # include <stdio.h> int main(void) { int i; char ch; scanf("%d", &i); printf("i = %d\n", i); scanf("%
  • 学编程的价值 dcj3sjt126com 编程
    发一个人会编程, 想想以后可以教儿女, 是多么美好的事啊, 不管儿女将来从事什么样的职业, 教一教, 对他思维的开拓大有帮助   像这位朋友学习:   http://blog.sina.com.cn/s/articlelist_2584320772_0_1.html   VirtualGS教程 (By @林泰前): 几十年的老程序员，资深的
  • 二维数组（矩阵）对角线输出 飞天奔月 二维数组
    今天在BBS里面看到这样的面试题目,   1，二维数组（N*N），沿对角线方向，从右上角打印到左下角如N=4： 4*4二维数组  { 1 2 3 4 } { 5 6 7 8 } { 9 10 11 12 } {13 14 15 16 } 打印顺序  4 3 8 2 7 12 1 6 11 16 5 10 15 9 14 13 要
  • Ehcache（08）——可阻塞的Cache——BlockingCache 234390216 并发ehcacheBlockingCache阻塞
    可阻塞的Cache—BlockingCache          在上一节我们提到了显示使用Ehcache锁的问题，其实我们还可以隐式的来使用Ehcache的锁，那就是通过BlockingCache。BlockingCache是Ehcache的一个封装类，可以让我们对Ehcache进行并发操作。其内部的锁机制是使用的net.
  • mysqldiff对数据库间进行差异比较 jackyrong mysqld
      mysqldiff该工具是官方mysql-utilities工具集的一个脚本，可以用来对比不同数据库之间的表结构，或者同个数据库间的表结构    如果在windows下，直接下载mysql-utilities安装就可以了，然后运行后，会跑到命令行下： 1） 基本用法    mysqldiff --server1=admin:12345
  • spring data jpa 方法中可用的关键字 lawrence.li javaspring
    spring data jpa 支持以方法名进行查询/删除/统计。 查询的关键字为find 删除的关键字为delete/remove (>=1.7.x) 统计的关键字为count (>=1.7.x)   修改需要使用@Modifying注解 @Modifying @Query("update User u set u.firstna
  • Spring的ModelAndView类 nicegege spring
    项目中controller的方法跳转的到ModelAndView类，一直很好奇spring怎么实现的？ /* * Copyright 2002-2010 the original author or authors. * * Licensed under the Apache License, Version 2.0 (the "License"); * yo
  • 搭建 CentOS 6 服务器(13) - rsync、Amanda rensanning centos
    （一）rsync Server端 # yum install rsync # vi /etc/xinetd.d/rsync service rsync { disable = no flags = IPv6 socket_type = stream wait
  • Learn Nodejs 02 toknowme nodejs
    （1）npm是什么 npm is the package manager for node 官方网站：https://www.npmjs.com/ npm上有很多优秀的nodejs包，来解决常见的一些问题，比如用node-mysql，就可以方便通过nodejs链接到mysql，进行数据库的操作 在开发过程往往会需要用到其他的包，使用npm就可以下载这些包来供程序调用 &nb
  • Spring MVC 拦截器 xp9802 spring mvc
    Controller层的拦截器继承于HandlerInterceptorAdapter HandlerInterceptorAdapter.java  1  public   abstract   class  HandlerInterceptorAdapter  implements  HandlerIntercep
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他