数据人的自我救赎
数据人的自我救赎

【抽样调查】CH3 分层随机抽样

目录

前言

一、概述

1.相关定义

（1）层

（2）分层抽样

2.分层随机抽样的步骤

3.分层抽样优于简单随机抽样的理由

4.分层原则

5.例

（1）

（2）

6.符号

二、简单估计量及其性质

1.总体均值的估计

2.总体均值估计的性质

（1）【定理3.1】 

（2）【定理3.2】

（3）【定理3.3】

 （4）【定理3.4】

（5）【推论3.1】

3.【例3.1】

三、比率估计量及其性质

四、回归估计量及其性质

五、各层样本量的分配

六、总样本量的确定

七、分层抽样的其他方面

前言

        为什么采用分层抽样？

  • 当总体规模N和样本量n都较大时，总体单位之间差异也较大，容易使随机抽出的不具有代表性。此时进行简单随机抽样成本高，精度低
  • 如调查北京市大一学生的平均身高，由于男生一般比女生高，用简单随机抽样可能大多抽到男生或女生，出现过于偏向某一部分的不平衡情况，使样本不具有代表性，使估计结果偏高或偏低。应以性别为分层变量，采用分层抽样的方法

        解决方法？

  • 在保证估计精度的前提下，设法缩小总体规模N与需要抽取的样本数n，通过将总体划分为若干层达到该目的
  • 尽量使样本总体与目标总体结构相似，方法是将总体依照与调查研究关注的变量高度相关的指标划分成几个层，使满足层内差异小、层间差异大的分层原则。例如研究居民收入，可用年龄、性别、学历等作为分层变量

一、概述

【抽样调查】CH3 分层随机抽样_第1张图片

1.相关定义

（1）层

        如果一个包含N个单位总体可以分成互不交叉（“不重不漏”）的L个子总体，即每个单元必属于且仅属于一个子总体，则称这样的子总体为层（stratum）。

        设L个子总体包含的单位数分别为N_{1},N_{2},\cdots,N_{L}，则有N_{1}+N_{2}+\cdots+N_{L}=N。

（2）分层抽样

         在每一层中独立进行简单随机抽样，所得到的样本称为分层样本。总的样本由各层样本组成，总体参数则根据各层样本参数汇总做出估计，这种抽样就成为分层抽样(stratified sampling)。

        如果每层都是独立地按照简单随机抽样进行，那么这样的分层抽样称为分层随机抽样。

        设总的样本量为n，从L个子总体中所抽取的样本量分别为n_{1},n_{2},\cdots,n_{L}，则有n_{1}+n_{2}+\cdots+n_{L}=n。

2.分层随机抽样的步骤

  • 将抽样总体划分为层
  • 在各层内独立地进行简单随机抽样，估计出层的参数
  • 将各层参数的估计值按各层样本量在总体中所占比例（层权）进行加权，汇总得到总体参数的估计

3.分层抽样优于简单随机抽样的理由

  • 每层都抽样，样本更具有代表性；样本结构与总体结构更相似（例如调查我国人口出生性别比，如采用简单随机抽样，一些人口少的地区可能没有单元入样，分层抽样保证各地区都有样本入样）
  • 抽样在各层独立进行，一则可以在各层选择合适本层的不同抽样方法，二则可以同时对各层进行参数估计（例如全国性居民收入状况调查，以各省居民为子总体进行分层抽样，不仅可以得到全国居民收入水平，而且可以同时得到各省居民收入水平）
  • 分层抽样的抽样效率较高。也就是说分层抽样的估计精度较高，是因为分层抽样估计量的方差只和层内方差成正比，和层间方差无关
  • 各层抽样方法可以不同，而且便于因地制宜组织抽样工作

4.分层原则

        分层随机抽样中，划分层的指标应与关心的调查变量有较强相关性。

  • 估计：层内单元具有相同性质，通过按调查对象的不同类型进行划分
  • 精度：尽可能使层内单元的指标值相近，层间单元的差异尽可能大，从而达到提高抽样估计精度的目的
  • 估计和精度：既按类型，又按层内单元指标值相近的原则进行分层，同时达到估计类值以及提高估计精度的目的
  • 实施：为抽样组织实施的方便，常按行政管理机构设置进行分层

5.例

（1）

对全国范围汽车运输的抽样调查，调查目的不仅要推算全国货运汽车完成的运量，还要推算不同经济成分（国有、集体、个体）汽车完成的运量

  • 为组织方便，首先将货运汽车总体按省分层，由各省运输管理部门负责省内的调查工作
  • 各省再将省内拥有的汽车按经济成分分层

（2）

某高校对学生在宿舍使用电脑的情况进行调查，根据经验，本科生和研究生使用电脑的状况差异较大

  • 在抽样前对学生按本科生和研究生进行分层是有必要的

6.符号

层号 h=1,2,\cdots,L
第h层单元总数 N_{h}
第h层样本单元数 n_{h}
第h层第i个样本单元取值 y_{hi}
第h层的层权 W_{h}=\frac{N_{h}}{N}
第h层的抽样比 f_{h}=\frac{n_{h}}{N_{h}}
第h层的总体均值 \bar{Y}_{h}=\frac{1}{N_{h}}\sum_{i=1}^{N_{h}}Y_{hi}
第h层的样本均值 \bar{y}_{h}=\frac{1}{n_{h}}\sum_{i=1}^{n_{h}}y_{hi}
第h层的总体方差 S_{h}^2=\frac{1}{N_{h}-1}\sum_{i=1}^{N_{h}}(Y_{hi}-\bar{Y}_{h})^2
第h层的样本方差 s_{h}^2=\frac{1}{n_{h}-1}\sum_{i=1}^{n_{h}}(y_{hi}-\bar{y}_{h})^2

二、简单估计量及其性质

1.总体均值的估计

【注】分层抽样中，所有总体参数的估计量都采用下标“st”以示区别

        分层简单随机样本，总体均值\bar{Y}_{st}的简单估计为

{\color{Red} \bar{y}_{st}=\sum_{h=1}^{L}W_{h}\bar{y}_{h}=\frac{1}{N}\sum_{h=1}^{L}N_{h}\bar{y}_{h}}

2.总体均值估计的性质

（1）【定理3.1】 

        对于分层随机抽样，\bar{y}_{st}是\bar{Y}的无偏估计。

（2）【定理3.2】

        对于分层抽样，有V(\bar{y}_{st})=\sum_{h=1}^{L}W_{h}^2V(\bar{y}_h)。

{\color{Blue} proof:}

{\color{Blue} E(\bar{y}_{h})=\bar{Y}_{h}\Rightarrow E(\bar{y}_{st})=E(\sum_{h=1}^{L}W_{h}\bar{y}_{h})=\sum_{h=1}^{L}W_{h}E(\bar{y}_{h})=\sum_{h=1}^{L}W_{h}\bar{Y}_{h}=\frac{1}{N}\sum_{h=1}^{L}N_{h}\bar{Y}_{h}=\frac{1}{N}\sum_{h=1}^{L}Y_{h}=\frac{Y}{N}=\bar{Y}}

{\color{Blue} V(\bar{y}_{st})=V(\sum_{h=1}^{L}W_{h}\bar{y}_{h})=\sum_{h=1}^{L}\sum_{k=1}^{L}Cov(W_{h}\bar{y}_h,W_{k}\bar{y}_k)=\sum_{h=1}^{L}\sum_{k=1}^{L}W_{h}W_{k}Cov(\bar{y}_h,\bar{y}_k)=\sum_{h=1}^{L}W_{h}^2V(\bar{y}_{h}){\color{Red} +2\sum_{h=1}^{L}\sum_{k>h}^{L}W_{h}W_{k}Cov(\bar{y}_h,\bar{y}_k)}=\sum_{h=1}^{L}W_{h}^2V(\bar{y}_{h})}

  • 只要对各层估计量无偏，则总体估计量也无偏
  • 由于各层独立抽取，上式中红色部分为0 

（3）【定理3.3】

        对于分层随机抽样，\bar{Y}的估计量\bar{y}_{st}具有如下性质

  • E(\bar{y}_{st})=\bar{Y}
  • V(\bar{y}_{st})=\sum_{h=1}^{L}W_{h}^2\frac{1-f_{h}}{n_{h}}S_{h}^2=\sum_{h=1}^{L}\left ( \frac{1}{n_{h}}-\frac{1}{N_{h}} \right )W_{h}^2S_{h}^2=\sum_{h=1}^{L}\frac{W_{h}^2S_{h}^2}{n_{h}}-\sum_{h=1}^{L}\frac{W_{h}^2S_{h}^2}{N_{h}}

{\color{Blue} proof:}

{\color{Blue} V(\bar{y}_{h})=\frac{1-f_{h}}{n_{h}}S_{h}^2}

 （4）【定理3.4】

        对于分层随机抽样，\bar{y}_{st}的方差V(\bar{y}_{st})的无偏估计量为

v(\bar{y}_{st})=\sum_{h=1}^{L}W_{h}^2\frac{1-f_{h}}{n_{h}}s_{h}^2=\sum_{h=1}^{L}\left ( \frac{1}{n_{h}}-\frac{1}{N_{h}} \right )W_{h}^2s_{h}^2=\sum_{h=1}^{L}\frac{W_{h}^2s_{h}^2}{n_{h}}-\sum_{h=1}^{L}\frac{W_{h}^2s_{h}^2}{N_{h}}

其中，s_{h}^2=\frac{1}{n_{h}-1}\sum_{h=1}^{L}(y_{hi}-\bar{y}_h)^2是第h层的样本方差。

{\color{Blue} proof:}

        各层内独立进行简单随机抽样，由定理2.4E(s_{h}^2)=S_{h}^2。

（5）【推论3.1】

         对于分层随机抽样，\hat{Y}_{h}为Y_{h}的无偏估计。总体总量Y的估计量\hat{Y}_{st}有如下性质：

  • {\color{Red} E(\hat{Y}_{st})=}E(N\bar{y}_{st})=N\sum_{h=1}^{L}W_{h}E(\bar{y}_{h})=N\sum_{h=1}^{L}W_{h}\bar{Y}_{h}=\sum_{h=1}^{L}N_{h}\bar{Y}_{h}={\color{Red} Y}
  • {\color{Red} V(\hat{Y}_{st})=}N^2V(\bar{y}_{st})=N^2\sum_{h=1}^{L}W_{h}^2V(\bar{y}_h)=N^2\sum_{h=1}^{L}W_{h}^2\frac{1-f_{h}}{n_{h}}S_{h}^2=N^2\sum_{h=1}^{L}\frac{N_{h}^2}{N^2}(1-\frac{n_{h}}{N_{h}})\frac{S_{h}^2}{n_{h}}={\color{Red} \sum_{h=1}^{L}N_{h}(N_{h}-n_{h})\frac{S_{h}^2}{n_{h}}}
  • v(\hat{Y}_{st})=\sum_{h=1}^{L}N_{h}(N_{h}-n_{h})\frac{s_{h}^2}{n_{h}}，v(\hat{Y}_{st})是V(\hat{Y}_{st})的一个无偏估计

3.【例3.1】

【抽样调查】CH3 分层随机抽样_第2张图片

【抽样调查】CH3 分层随机抽样_第3张图片

【抽样调查】CH3 分层随机抽样_第4张图片

【抽样调查】CH3 分层随机抽样_第5张图片

三、比率估计量及其性质

四、回归估计量及其性质

五、各层样本量的分配

六、总样本量的确定

七、分层抽样的其他方面

你可能感兴趣的:(抽样技术,回归)

  • 电源芯片商助攻 48V数据中心配电新架构势起 weixin_33857230
    Google近日宣布加入由Facebook主导的开放运算计画(OCP)并力推48V配电架构，期大幅降低资料中心电力损失、占用空间及冷却设备成本；而包括意法半导体(ST)、美信(Maxim)及Vicor等晶片商也随即发布支援此架构的电源晶片，以协助打造更节能和更高功率密度的伺服器设备。Google技术专案经理JohnZipfel表示，该公司加入OCP后，会透过将包括48V电力配送和新尺寸的新机架规格
  • 【Redis系列】Redis安装与使用 m0_74825409 面试学习路线阿里巴巴redis数据库缓存
    ???欢迎来到我的博客，很高兴能够在这里和您见面！希望您在这里可以感受到一份轻松愉快的氛围，不仅可以获得有趣的内容和知识，也可以畅所欲言、分享您的想法和见解。推荐:kwan的首页,持续学习,不断总结,共同进步,活到老学到老导航檀越剑指大厂系列:全面总结java核心技术点,如集合,jvm,并发编程redis,kafka,Spring,微服务,Netty等常用开发工具系列:罗列常用的开发工具,如IDE
  • 3D机器视觉的类型、应用和未来趋势 视觉人机器视觉 机器视觉3D3d人工智能计算机视觉c#前端
    3D机器视觉的类型、应用和未来趋势类型3D机器视觉技术主要分为以下几类：立体视觉（StereoVision）通过两个或多个摄像头从不同角度捕捉图像，利用视差计算深度信息，生成3D模型。结构光（StructuredLight）使用投影仪将特定光图案投射到物体表面，通过摄像头捕捉变形图案，计算物体形状和深度。飞行时间（TimeofFlight,ToF）通过测量光脉冲从发射到反射回传感器的时间，计算物体
  • 使用Qt+opencv实现游戏辅助点击工具-以阴阳师为例 虎式坦克我最爱 游戏
    注：本文章技术交流使用，不侵犯任何著作权。一.阴阳师辅助软件需要实现哪些功能?1.首先，对于肝绘卷拿角色而言，需要打困难28副本和结界突破循环刷绘卷碎片。这一功能让你每月免费悠闲地拿到最新角色，即使你是较新的玩家！2.有人喜欢打阴阳寮突破，因为结界卡可以合成勾玉，另外寮突破后给的寮勋章可以维持寮正常运转。3.御魂等副本，这款游戏的御魂是核心玩法。而且这只是一个辅助工具，不修改游戏内存，用来解放双手
  • Vue学习教程-04数据代理 番茄番茄君 vue.js学习javascript
    文章目录一、什么是数据代理二、数据代理过程三、vue数据代理应用1.数据代理代码2.代理底层逻辑总结一、什么是数据代理数据代理是一种技术，通过代理、拦截对象属性及方法的访问请求，实现与该对象的交互。在Vue中，数据代理是指在Vue实例化一个组件时，Vue会将组件中的data属性中的数据转化为getter/setter，并将这些getter/setter注册到Vue的响应式系统中，在Vue实例中访问
  • 国产MCU厂商 品牌汇总及分析(转载) IoT-Darren 单片机嵌入式硬件
    文章来自:国产MCU厂商品牌汇总及分析（精选）MCU六大应用领域及TOP厂商在中国市场，MCU的应用主要在以下六个领域。我们根据这50家MCU厂商的产品特性和出货量，分别归入相应应用类别，但这并非意味着一个公司只提供一个应用的行业方案。国内MCU厂商多集中在家电和消费电子应用领域，该市场的竞争已经十分激烈。而在汽车电子和工业控制领域，国内MCU厂商的技术、产品和应用方案跟国际大厂还有不小的差距，有
  • 如何运用边缘计算控制器提升智能工厂的竞争力？ 钡铼技术物联网关 人工智能arm开发linux自动化
    制造业正经历一场深刻的变革。其中，边缘计算作为一项关键技术，在提升生产效率、降低成本以及实现智能制造方面发挥着至关重要的作用。本文将探讨边缘计算在智能工厂中的应用场景及其带来的价值。边缘计算简介边缘计算是一种分布式计算范式，它使计算和数据存储更接近数据源，而不是依赖于远程数据中心或云服务。这不仅减少了延迟，提高了响应速度，还能有效减少网络带宽使用，增强系统的安全性和隐私保护能力。在工业环境中，边缘
  • prompt技术结合大模型 生成测试用例 小赖同学啊 自动化测试(apppcAPI)pythonprompt测试用例
    要利用prompt技术结合大模型对目标B/S架构软件系统进行测试，以下以使用Python调用OpenAI的GPT模型进行功能测试用例生成，再借助Selenium库执行测试为例，给出一个完整的实现示例。前提条件安装依赖库：你需要安装openai和selenium库，可以使用以下命令进行安装：pipinstallopenaiselenium获取OpenAIAPI密钥：你需要在OpenAI平台上注册并获
  • 数据库系统原理——第十章数据恢复技术复习题 代码欢乐豆 数据库系统概述数据库
    1.试述事务的概念及事务的四个特性。2.登记日志文件时为什么必须先写日志文件，后写数据库？3.A，B，C初始值为0序号日志1T1:开始2T1:写A，A=103T2:开始4T2:写B，B=95T1:写C，C=116T1:提交7T2:写C，C=138T3:开始9T3:写A，A=810T2:回滚11T3:写B，B=712T4:开始13T3:提交14T4:写C，C=12（1）如果系统故障发生在14之后，说
  • CSS动画与变形 玲玲酱 #CSS3前端html5css3
    CSS动画-Animations由于该技术的规范还没有稳定，在使用前要先确保浏览器对其兼容性。Animations是css3的一个模块，使用keyframes定义如何随着时间的移动改变CSS的属性值，可以通过指定它们的持续时间，重复次数，如何重复来控制关键帧的行为。Animations由两部分组成：css动画的配置，以及一系列的keyframes（用来描述动画的开始、过程、结束状态）。不需要了解任
  • 基于图像处理的裂缝宽度检测系统-matlab 人工智能专属驿站 计算机视觉图像处理人工智能
    图像处理技术广泛地应用于桥梁、房屋、道路等工程施工中出现的表面裂缝,利用数字图像处理技术来测量结构物表面裂缝宽度是一种无损检测方法.基于图像处理的裂缝宽度检测系统需采用的图像处理算法有:（1）读取裂缝图像；（2）图像转化为灰度图像；（3）图像的增强；（4）平滑滤波；（5）阈值分割；（6）形态学去噪；（7）边缘检测(Canny算子)；（8）边缘坐标点的提取；结果见：源程序见：基于图像处理的裂缝宽度检
  • MySQL底层原理学习 jiqiren1994 #mysqlmysql数据库database
    一、MySQL体系架构MySQLServer架构自顶向下大致可以分网络连接层、服务层、存储引擎层和系统文件层。1.网络连接层客户端连接器（ClientConnectors）：提供与MySQL服务器建立的支持。目前几乎支持所有主流的服务端编程技术，例如常见的Java、C、Python、.NET等，它们通过各自API技术与MySQL建立连接。2.服务层（MySQLServer）服务层是MySQLSer
  • 边缘AI架构提升LLM应用的响应速度 AI天才研究院 计算ChatGPTDeepSeekR1&大数据AI人工智能大模型javapythonjavascriptkotlingolang架构人工智能大厂程序员硅基计算碳基计算认知计算生物计算深度学习神经网络大数据AIGCAGILLM系统架构设计软件哲学Agent程序员实现财富自由
    边缘AI架构提升LLM应用的响应速度关键词边缘计算、边缘AI、LLM、响应速度、模型压缩、分布式计算摘要本文探讨了如何通过边缘AI架构提升大型语言模型（LLM）应用的响应速度。文章首先介绍了边缘计算与边缘AI的基本概念、优势和应用场景，然后深入分析了边缘AI系统的架构设计与实现，以及提升LLM响应速度的关键技术。通过实际案例展示了边缘AI在LLM应用中的效果，并对未来发展趋势和潜在挑战进行了展望，
  • Linux操作系统：网络配置与系统监控优化 暮雨哀尘 Linux的那点事开发语言linux网络运维系统架构服务器防火墙
    摘要在当今数字化时代，Linux系统作为服务器和网络设备的核心，其网络配置和系统监控优化能力至关重要。本文以幽默风趣的笔触，深入探讨了Linux网络配置、防火墙设置、系统监控以及性能优化的关键技术。通过实例和表格，展示了如何在Linux环境中实现高效、稳定的网络服务和系统性能。无论是初学者还是资深管理员，都能从本文中找到实用的知识和技巧，让Linux系统在复杂多变的网络环境中游刃有余。关键词Lin
  • 深入解析Spring Cloud五大组件：构建微服务架构的核心利器 一位卑微的码农 架构springcloud微服务
    引言在当今的互联网时代，微服务架构已经成为构建复杂应用的主流方式。SpringCloud作为微服务架构的佼佼者，提供了一系列强大的工具和组件，帮助开发者快速构建和部署微服务应用。本文将深入解析SpringCloud的五大核心组件，帮助你全面掌握SpringCloud的核心技术。1.SpringCloudNetflixEureka：服务注册与发现1.1什么是Eureka？Eureka是Netflix
  • 深入了解与全面使用DeepSeek：从基础到高级应用 一位卑微的码农 人工智能大数据java-eespringboot
    引言随着AI技术的发展，DeepSeek作为一款先进的智能助手，为用户提供了强大的文本生成、代码分析、数学公式处理等能力。本文将详细介绍DeepSeek的基础知识、安装配置、API调用方法以及高级应用技巧，帮助你充分挖掘这一工具的潜力。一、认识DeepSeek1.1DeepSeek简介DeepSeek是由深度求索公司开发的人工智能平台，它支持三种主要模式：基础模型（V3）、深度思考（R1）和联网搜
  • 使用python开发flsak_FlaskWeb开发:基于Python的Web应用开发实战 RoseofVersailles 使用python开发flsak
    本书不仅适合初级Web开发人员学习阅读，更是Python程序员用来学习高级Web开发技术的优秀参考书。•学习Flask应用的基本结构，编写示例应用；•使用必备的组件，包括模板、数据库、Web表单和电子邮件支持；•使用包和模块构建可伸缩的大型应用；•实现用户认证、角色和个人资料；•在博客网站中重用模板、分页显示列表以及使用富文本；•使用基于Flask的REST式API，在智能手机、平板电脑和其他第三
  • Cameralink转SDI接口转换器 昆山森启智能科技有限公司
    1.概述Cameralink转SDI接口转换器（简称转换器）是基于FPGA设计的一款多功能视频处理设备，具有丰富的硬件资源和外围接口。转换器将Cameralink接口输入的图像数据转成SDI图像输出，同时还可实现数据格式转换，帧率变换，分辨率变换，OSD，缩放，开窗，增强等图像预处理功能。2.技术特性2.1主要功能a.支持Cameralink视频输入（支持多种分辨率默认1080p@30hz）b.支
  • 未来的量子通信：从量子密钥分发到量子互联网的安全通信 AI天才研究院 计算DeepSeekR1&大数据AI人工智能大模型AI大模型企业级应用开发实战javapythonjavascriptkotlingolang架构人工智能大厂程序员硅基计算碳基计算认知计算生物计算深度学习神经网络大数据AIGCAGILLM系统架构设计软件哲学Agent程序员实现财富自由
    未来的量子通信：从量子密钥分发到量子互联网的安全通信关键词：量子通信量子密钥分发量子互联网安全通信量子隐形传态摘要：本文旨在探讨量子通信的广阔前景，从量子密钥分发到量子互联网的安全通信。我们将逐步分析量子通信的核心概念、技术原理以及其实际应用，旨在为读者提供一个清晰而全面的理解。通过深入探讨量子密钥分发（QKD）和量子隐形传态（CHT）的基本原理，以及量子重复器和量子中继的概念，我们将展示量子通信
  • 25 架构能力 susemm 软件架构实践（第4版）架构java微服务软件架构
    文章目录第25章架构能力25.1个人能力：架构师的职责、技能和知识职责技能知识那经验方面呢？25.2软件架构组织的能力25.3成为更优秀的架构师接受指导指导他人25.4小结25.5扩展阅读25.6问题讨论第25章架构能力人生苦短，学海无涯。——杰弗里・乔叟（GeoffreyChaucer）如果软件架构值得去做，那肯定值得做好。大多数关于架构的文献都集中在技术方面。这并不奇怪，因为它是一门深奥的技术
  • 义父们，支持我兄弟参加CSDN博客之星2024！他是一名优秀的运维工程师！ qq_42856429 运维java开发语言
    标题：支持我兄弟参加CSDN博客之星2024！他是一名优秀的运维工程师！大家好，今天想为大家推荐一位非常优秀的技术博主——XMYX-0。他是一名专注于运维领域的开发者，尤其擅长Kubernetes（K8s）和Python自动化运维。他正在参加CSDN博客之星2024活动，希望大家能够为他投上宝贵的一票！为什么支持他？Kubernetes（K8s）领域的深度实践者在K8s领域有着丰富的实战经验。他的
  • 量子计算信息安全威胁与应对 岛屿旅人 网络安全行业分析量子计算web安全人工智能安全网络网络安全
    文章目录前言一、量子计算信息安全威胁及影响1.2量子计算发展迅速，安全威胁日益迫近二、PQC研究与应用进展2.1欧美在PQC领域研究近三十年，积累深厚2.2NIST引领PQC标准制定，取得初步成果2.3美国全方位布局加快推动PQC迁移与应用三、PQC应用发展前景3.1PQC算法和应用安全性需进一步验证3.2PQC算法国际标准将持续开展研究3.3PQC升级迁移是一项长期系统性工程四、QKD技术优劣势
  • 人工智能的发展领域之GPU加速计算的应用概述、架构介绍与教学过程 m0_74824592 面试学习路线阿里巴巴人工智能架构
    文章目录一、架构介绍GPU算力平台概述优势与特点二、注册与登录账号注册流程GPU服务器类型配置选择指南内存和存储容量网络带宽CPU配置三、创建实例实例创建步骤镜像选择与设置四、连接实例SSH连接方法远程桌面配置一、架构介绍GPU算力平台概述一个专注于GPU加速计算的专业云服务平台，隶属于软件和信息技术服务业。主要面向高校、科研机构和企业用户。该平台提供多种NVIDIAGPU选择，适用于机器学习、人
  • 机器学习 - 学习线性模型的重要性 谦亨有终 跟着AI向前走机器学习学习人工智能
    在接下来的博文中，我们将重点学习线性模型的回归模型和分类模型，在学习之前，让我们来了解一下学习线性模型的重要性，以及如何入门学习。一、作为初学者如何学习线性模型？作为初学者，要高效学习机器学习以及其中的线性模型，可以遵循以下几个步骤和建议：（一）、机器学习的整体学习策略打好数学基础线性代数：理解向量、矩阵、线性变换等，这些是理解模型表示（如y=w^Tx+b）和算法优化的基础。微积分：掌握导数、梯度
  • 递归消除特征法RFE筛选特征-包装法-特征选择-特征降维 糯米君_ 预处理机器学习python人工智能
    RFE（Recursivefeatureelimination）：递归消除特征法使用一个基模型（这里使用逻辑回归）来进行多轮训练，每轮训练后，消除若干权值系数的特征，再基于新的特征集进行下一轮训练。RFE的具体步骤如下:1、初始的特征集为所有可用的特征。2、使用当前特征集进行建模，然后计算每个特征的重要性。3、删除最不重要的一个（或多个）特征，更新特征集。4、跳转到步骤2，直到完成所有特征的重要性
  • 【深度学习基础】什么是注意力机制 我的青春不太冷 深度学习人工智能注意力机制
    文章目录一、注意力机制的核心地位：从补充到主导二、技术突破：从Transformer到多模态融合三、跨领域应用：从NLP到通用人工智能四、未来挑战与趋势结语参考链接注意力机制：深度学习的核心革命与未来基石在深度学习的发展历程中，注意力机制（AttentionMechanism）的引入堪称一场革命。它不仅解决了传统模型的根本性缺陷，更通过动态聚焦关键信息的能力，重塑了人工智能处理复杂任务的范式。本文
  • 【机器学习】多元线性回归 T0uken Python全栈开发1024程序员节机器学习算法线性回归
    在实际应用中，许多问题都包含多个特征（输入变量），而不仅仅是单个输入变量。多元线性回归是线性回归的扩展，它能够处理多个输入特征并建立它们与目标变量的线性关系。本教程将系统性推演多元线性回归，包括向量化处理、特征放缩、梯度下降的收敛性和学习率选择等，并使用numpy实现。最后，我们会通过sklearn快速实现多元线性回归模型。多元线性回归模型简介多元线性回归的模型公式为：y=X⋅w+by=X\cdo
  • 【第15章：量子深度学习与未来趋势—15.3 量子深度学习在图像处理、自然语言处理等领域的应用潜力分析】 再见孙悟空_ #【深度学习・探索智能核心奥秘】深度学习机器学习人工智能音视频自然语言处理量子深度学习量子学习未来
    一、开篇：为什么我们需要关注这场"量子+AI"的世纪联姻？各位技术爱好者们，今天我们要聊的这个话题，可能是未来十年最值得押注的技术革命——量子深度学习。这不是简单的"1+1=2"的物理叠加，而是一场可能彻底改写AI发展轨迹的范式转移。想象这样一个场景：你现在训练一个GPT-5级别的模型，不需要耗费价值上亿美元的算力资源，不需要等待数周的训练时间，甚至不需要纠结于模型参数是否过拟合。这就是量子深度学
  • 语音与自然语言处理（NLP）：智能交互的核心技术 给生活加糖！ 热门知识自然语言处理交互人工智能
    随着人工智能（AI）技术的飞速发展，语音识别与自然语言处理（NaturalLanguageProcessing,NLP）成为了智能交互系统的核心技术。它们不仅改变了人们与计算机、设备的交互方式，也推动了众多行业的革新。从智能助手（如苹果的Siri、亚马逊的Alexa）到机器翻译、自动客服系统，语音和NLP技术正逐步融入日常生活，改善我们与数字世界的沟通方式。一、什么是语音识别与自然语言处理（NLP
  • Python随机森林算法详解与案例实现 闲人编程 python算法python随机森林数据分析人工智能
    目录Python随机森林算法详解与案例实现1、随机森林算法概述2、随机森林的原理3、实现步骤4、分类案例：使用随机森林预测鸢尾花品种4.1数据集介绍4.2代码实现4.3代码解释4.4运行结果5、回归案例：使用随机森林预测波士顿房价5.1数据集介绍5.2代码实现5.3代码解释5.4运行结果6、随机森林的优缺点7、改进方向8、应用场景9、总结Python随机森林算法详解与案例实现1、随机森林算法概述随
  • jQuery 跨域访问的三种方式 No 'Access-Control-Allow-Origin' header is present on the reque qiaolevip 每天进步一点点学习永无止境跨域众观千象
    XMLHttpRequest cannot load http://v.xxx.com. No 'Access-Control-Allow-Origin' header is present on the requested resource. Origin 'http://localhost:63342' is therefore not allowed access. test.html:1
  • mysql 分区查询优化 annan211 java分区优化mysql
    分区查询优化 引入分区可以给查询带来一定的优势，但同时也会引入一些bug. 分区最大的优点就是优化器可以根据分区函数来过滤掉一些分区，通过分区过滤可以让查询扫描更少的数据。 所以，对于访问分区表来说，很重要的一点是要在where 条件中带入分区，让优化器过滤掉无需访问的分区。 可以通过查看explain执行计划，是否携带 partitions
  • MYSQL存储过程中使用游标 chicony Mysql存储过程
    DELIMITER $$ DROP PROCEDURE IF EXISTS getUserInfo $$ CREATE PROCEDURE getUserInfo(in date_day datetime)-- -- 实例-- 存储过程名为：getUserInfo-- 参数为：date_day日期格式:2008-03-08--    BEGINdecla
  • mysql 和 sqlite 区别 Array_06 sqlite
    转载： http://www.cnblogs.com/ygm900/p/3460663.html mysql 和 sqlite 区别 SQLITE是单机数据库。功能简约，小型化，追求最大磁盘效率 MYSQL是完善的服务器数据库。功能全面，综合化，追求最大并发效率 MYSQL、Sybase、Oracle等这些都是试用于服务器数据量大功能多需要安装，例如网站访问量比较大的。而sq
  • pinyin4j使用 oloz pinyin4j
    首先需要pinyin4j的jar包支持；jar包已上传至附件内 方法一:把汉字转换为拼音；例如：编程转换后则为biancheng      /** * 将汉字转换为全拼 * @param src 你的需要转换的汉字 * @param isUPPERCASE 是否转换为大写的拼音； true:转换为大写；fal
  • 微博发送私信 随意而生 微博
    在前面文章中说了如和获取登陆时候所需要的cookie，现在只要拿到最后登陆所需要的cookie，然后抓包分析一下微博私信发送界面 http://weibo.com/message/history?uid=****&name=**** 可以发现其发送提交的Post请求和其中的数据， 让后用程序模拟发送POST请求中的数据，带着cookie发送到私信的接入口，就可以实现发私信的功能了。
  • jsp 香水浓 jsp
    JSP初始化     容器载入JSP文件后，它会在为请求提供任何服务前调用jspInit()方法。如果您需要执行自定义的JSP初始化任务，复写jspInit()方法就行了 JSP执行     这一阶段描述了JSP生命周期中一切与请求相关的交互行为，直到被销毁。     当JSP网页完成初始化后
  • 在 Windows 上安装 SVN Subversion 服务端 AdyZhang SVN
    在 Windows 上安装 SVN Subversion 服务端2009-09-16高宏伟哈尔滨市道里区通达街291号   最佳阅读效果请访问原地址：http://blog.donews.com/dukejoe/archive/2009/09/16/1560917.aspx   现在的Subversion已经足够稳定，而且已经进入了它的黄金时段。我们看到大量的项目都在使
  • android开发中如何使用 alertDialog从listView中删除数据？ aijuans android
    我现在使用listView展示了很多的配置信息，我现在想在点击其中一条的时候填出 alertDialog,点击确认后就删除该条数据，（ ArrayAdapter ，ArrayList，listView 全部删除），我知道在 下面的onItemLongClick 方法中 参数 arg2  是选中的序号，但是我不知道如何继续处理下去 1 2 3
  • jdk-6u26-linux-x64.bin 安装 baalwolf linux
    1.上传安装文件(jdk-6u26-linux-x64.bin) 2.修改权限 [root@localhost ~]# ls -l /usr/local/jdk-6u26-linux-x64.bin 3.执行安装文件 [root@localhost ~]# cd /usr/local [root@localhost local]# ./jdk-6u26-linux-x64.bin&nbs
  • MongoDB经典面试题集锦 BigBird2012 mongodb
    1.什么是NoSQL数据库？NoSQL和RDBMS有什么区别？在哪些情况下使用和不使用NoSQL数据库？ NoSQL是非关系型数据库，NoSQL = Not Only SQL。 关系型数据库采用的结构化的数据，NoSQL采用的是键值对的方式存储数据。 在处理非结构化/半结构化的大数据时；在水平方向上进行扩展时；随时应对动态增加的数据项时可以优先考虑使用NoSQL数据库。 在考虑数据库的成熟
  • JavaScript异步编程Promise模式的6个特性 bijian1013 JavaScriptPromise
            Promise是一个非常有价值的构造器，能够帮助你避免使用镶套匿名方法，而使用更具有可读性的方式组装异步代码。这里我们将介绍6个最简单的特性。         在我们开始正式介绍之前，我们想看看Javascript Promise的样子： var p = new Promise(function(r
  • [Zookeeper学习笔记之八]Zookeeper源代码分析之Zookeeper.ZKWatchManager bit1129 zookeeper
    ClientWatchManager接口 //接口的唯一方法materialize用于确定那些Watcher需要被通知 //确定Watcher需要三方面的因素1.事件状态 2.事件类型 3.znode的path public interface ClientWatchManager { /** * Return a set of watchers that should
  • 【Scala十五】Scala核心九：隐式转换之二 bit1129 scala
    隐式转换存在的必要性，   在Java Swing中，按钮点击事件的处理，转换为Scala的的写法如下：   val button = new JButton button.addActionListener( new ActionListener { def actionPerformed(event: ActionEvent) {
  • Android JSON数据的解析与封装小Demo ronin47
    转自：http://www.open-open.com/lib/view/open1420529336406.html package com.example.jsondemo; import org.json.JSONArray; import org.json.JSONException; import org.json.JSONObject;    impor
  • [设计]字体创意设计方法谈 brotherlamp UIui自学ui视频ui教程ui资料
      从古至今，文字在我们的生活中是必不可少的事物，我们不能想象没有文字的世界将会是怎样。在平面设计中，UI设计师在文字上所花的心思和功夫最多，因为文字能直观地表达UI设计师所的意念。在文字上的创造设计，直接反映出平面作品的主题。 如设计一幅戴尔笔记本电脑的广告海报，假设海报上没有出现“戴尔”两个文字，即使放上所有戴尔笔记本电脑的图片都不能让人们得知这些电脑是什么品牌。只要写上“戴尔笔
  • 单调队列-用一个长度为k的窗在整数数列上移动，求窗里面所包含的数的最大值 bylijinnan java算法面试题
    import java.util.LinkedList; /* 单调队列 滑动窗口 单调队列是这样的一个队列：队列里面的元素是有序的，是递增或者递减 题目：给定一个长度为N的整数数列a(i),i=0,1,...,N-1和窗长度k. 要求：f(i) = max{a(i-k+1),a(i-k+2),..., a(i)},i = 0,1,...,N-1 问题的另一种描述就
  • struts2处理一个form多个submit chiangfai struts2
    web应用中，为完成不同工作，一个jsp的form标签可能有多个submit。如下代码： <s:form action="submit" method="post" namespace="/my"> <s:textfield name="msg" label="叙述：">
  • shell查找上个月，陷阱及野路子 chenchao051 shell
    date -d "-1 month" +%F     以上这段代码，假如在2012/10/31执行，结果并不会出现你预计的9月份，而是会出现八月份，原因是10月份有31天，9月份30天，所以-1 month在10月份看来要减去31天，所以直接到了8月31日这天，这不靠谱。     野路子解决：假设当天日期大于15号
  • mysql导出数据中文乱码问题 daizj mysql中文乱码导数据
    解决mysql导入导出数据乱码问题方法： １、进入mysql，通过如下命令查看数据库编码方式： mysql>  show variables like 'character_set_%'; +--------------------------+----------------------------------------+ | Variable_name&nbs
  • SAE部署Smarty出现：Uncaught exception 'SmartyException' with message 'unable to write dcj3sjt126com PHPsmartysae
      对于SAE出现的问题：Uncaught exception 'SmartyException' with message 'unable to write file...。 官方给出了详细的FAQ：http://sae.sina.com.cn/?m=faqs&catId=11#show_213 解决方案为：   01 $path 
  • 《教父》系列台词 dcj3sjt126com
    Your love is also your weak point. 你的所爱同时也是你的弱点。   If anything in this life is certain, if history has taught us anything, it is that you can kill anyone.   不顾家的人永远不可能成为一个真正的男人。 &
  • mongodb安装与使用 dyy_gusi mongo
    一.MongoDB安装和启动,widndows和linux基本相同 1.下载数据库,     linux:mongodb-linux-x86_64-ubuntu1404-3.0.3.tgz 2.解压文件,并且放置到合适的位置     tar -vxf mongodb-linux-x86_64-ubun
  • Git排除目录 geeksun git
    在Git的版本控制中，可能有些文件是不需要加入控制的，那我们在提交代码时就需要忽略这些文件，下面讲讲应该怎么给Git配置一些忽略规则。   有三种方法可以忽略掉这些文件，这三种方法都能达到目的，只不过适用情景不一样。 1.  针对单一工程排除文件 这种方式会让这个工程的所有修改者在克隆代码的同时，也能克隆到过滤规则，而不用自己再写一份，这就能保证所有修改者应用的都是同一
  • Ubuntu 创建开机自启动脚本的方法 hongtoushizi ubuntu
    转载自： http://rongjih.blog.163.com/blog/static/33574461201111504843245/ Ubuntu 创建开机自启动脚本的步骤如下： 1) 将你的启动脚本复制到 /etc/init.d目录下 以下假设你的脚本文件名为 test。   2) 设置脚本文件的权限 $ sudo chmod 755
  • 第八章 流量复制/AB测试/协程 jinnianshilongnian nginxluacoroutine
    流量复制 在实际开发中经常涉及到项目的升级，而该升级不能简单的上线就完事了，需要验证该升级是否兼容老的上线，因此可能需要并行运行两个项目一段时间进行数据比对和校验，待没问题后再进行上线。这其实就需要进行流量复制，把流量复制到其他服务器上，一种方式是使用如tcpcopy引流；另外我们还可以使用nginx的HttpLuaModule模块中的ngx.location.capture_multi进行并发
  • 电商系统商品表设计 lkl
    DROP TABLE IF EXISTS `category`; -- 类目表 /*!40101 SET @saved_cs_client = @@character_set_client */; /*!40101 SET character_set_client = utf8 */; CREATE TABLE `category` ( `id` int(11) NOT NUL
  • 修改phpMyAdmin导入SQL文件的大小限制 pda158 sqlmysql
    　用phpMyAdmin导入mysql数据库时，我的10M的 数据库不能导入，提示mysql数据库最大只能导入2M。 　　 phpMyAdmin数据库导入出错： 　　You probably tried to upload too large file. Please refer to documentation for ways to workaround this limit.
  • Tomcat性能调优方案 Sobfist apachejvmtomcat应用服务器
    一、操作系统调优 对于操作系统优化来说，是尽可能的增大可使用的内存容量、提高CPU的频率，保证文件系统的读写速率等。经过压力测试验证，在并发连接很多的情况下，CPU的处理能力越强，系统运行速度越快。。 【适用场景】 任何项目。 二、Java虚拟机调优 应该选择SUN的JVM，在满足项目需要的前提下，尽量选用版本较高的JVM，一般来说高版本产品在速度和效率上比低版本会有改进。 J
  • SQLServer学习笔记 vipbooks 数据结构xml
    1、create database school 创建数据库school 2、drop database school 删除数据库school 3、use school 连接到school数据库，使其成为当前数据库 4、create table class(classID int primary key identity not null) 创建一个名为class的表，其有一
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他