数学基础-概率论

数学基础与优化：线性代数、概率与算法调优实战

本文将深入解析线性代数、概率论在图像领域的应用，包括矩阵变换与图像几何操作的关系、噪声模型的数学描述，以及遗传算法、粒子群优化等智能算法在参数调优中的实践。
小米玄戒Andrew·2025-06-20 04:56

循环神经网络(RNN)：从理论到翻译

RNN的数学基础核心方程在每个时间步ttt，RNN执行以下操作：隐藏状态更新：ht=tanh(Whhh
Morpheon·2025-06-19 08:05

迪菲-赫尔曼密钥交换算法深度解析

二、数学基础2.1离散对数问题设p为质数，g是
网安秘谈·2025-06-19 00:10

AI大模型从0到1记录学习 大模型技术之数学基础 day26

高等数学导数导数的概念导数（derivative）是微积分中的一个概念。函数在某一点的导数是指这个函数在这一点附近的变化率（即函数在这一点的切线斜率）。导数的本质是通过极限的概念对函数进行局部的线性逼近。当函数f的自变量在一点x_0上产生一个增量h时，函数输出值的增量∆y与自变量增量∆x的比值在∆x趋于0时的极限如果存在，即为f在x_0处的导数，记作f’(x_0)、df/dx(x_0)或〖df/d
Gsen2819·2025-06-18 13:52

AI大模型从0到1记录学习 大模型技术之机器学习 day27-day60

机器学习是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸优化、算法复杂度理论等多门学科。人工智能、机器学习与深度学习人工智能（AI）是计算机科学的一个广泛领域，
Gsen2819·2025-06-18 13:19

程序员转向人工智能

以下是针对程序员转向人工智能（AI）领域的学习路线建议，分为基础、核心技术和进阶方向，结合你的编程背景进行优化：1.夯实基础数学基础（选择性补足，边学边用）线性代数：矩阵运算、特征值、张量（深度学习基础
CoderIsArt·2025-06-18 03:45

大数定律与中心极限定理：概率论的双子星

目录引言5大数定律与中心极限定理5.1大数定律：频率的稳定性5.1.1辛钦大数定律定理内容5.1.2伯努利大数定律定理内容5.1.3切比雪夫大数定律定理内容对比总结表5.2中心极限定理：正态分布的普适性5.2.1独立同分布情形定理内容图释5.2.2李雅普诺夫定理定理内容核心思想图释5.2.3棣莫弗-拉普拉斯定理定理内容应用条件图释对比总结表5.3定理对比：LLNvsCLT引言当随机现象的个体行为无
Algo-hx·2025-06-18 00:56

（十七）深度学习之线性代数：核心概念与应用解析

1线性代数在深度学习中的定位1.1深度学习的数学基础支柱线性代数是深度学习的核心数学工具之一，与微积分、概率论共同构成深度学习的理论基础。
只有左边一个小酒窝·2025-06-17 13:41

（详细介绍）什么是 Spherical Gaussian（球形高斯分布）

特点总结：应用场景举例：✅示例代码（Python）相关概念对比：SphericalGaussian（球形高斯分布）是概率论与统计学中一个非常常见且重要的概念，尤其在机器学习、信号处理、模式识别等领域有广泛应用
音程·2025-06-17 09:43

贝叶斯原理：解锁不确定性的智慧钥匙（全网最详细）

在浩瀚的统计学与概率论海洋中，贝叶斯原理如同一盏明灯，照亮了我们在不确定性中前行的道路。
富士达幸运星·2025-06-16 14:08

为什么计算机不用e进制，按道理说e进制难道不是最高效的吗？e进制理论上为何被认为信息编码更优，但实际却难以实现？

e的独特性质使得很多数学函数的表达变得简洁自然，且e在连续复利、概率论、信息论等领域都有着独特的优势
·2025-06-16 10:19

【概率论】正态分布的由来——从大一同学的视角出发

数学系大佬勿喷，本文以非数同学的视角出发0.启发与思考正态分布平时常常遇到，无论是在概率论中的“中心极限定理”，还是平时在学习ML中遇到的“高斯混合模型”，或者是在深度学习中，常常将一些数据假设为正态分布的情况
应有光·2025-06-16 01:09

【概率论与数理统计】第二章 随机变量及其分布(1)

第二章随机变量及其分布第一章种学习了随机现象、随机试验、随机事件等概念，讨论了随机事件的关系、运算以及概率；且只考虑了个别事件下的频率问题。接下来，进一步第需要建立随机试验结果与实数的对应关系，这类似于函数的映射，我们称之为随机变量，以便使用高等数学的方法来研究随机试验。1离散型随机变量1.1随机变量的概念随机变量的数学定义：**定义1：**设EEE为随机试验，Ω\OmegaΩ为其样本空间，若对于
Arthur古德曼·2025-06-16 00:07

【大模型学习路线首发】 AI大模型学习路线：（非常详细）AI大模型学习路线，收藏这一篇就够了！

1.打好基础：数学与编程数学基础线性代数：理解矩阵、向量、特征值、特征向量等概念。推荐课程：KhanAcademy的线性代数课程、MIT的线性代数公开课。
AI大模型-大飞·2025-06-15 16:46

图像处理之添加高斯与泊松噪声

from：http://blog.csdn.net/jia20003/article/details/8258052数学基础：什么是泊松噪声，就是噪声分布符合泊松分布模型。
·2025-06-15 12:15

随机变量及其分布：概率论的量化核心

标题引言2随机变量及其分布2.1随机变量定义与分类2.2离散型随机变量：概率质量函数(PMF)概率分布律性质经典分布4.**各分布之间的关系**2.3分布函数(CDF)：统一描述工具定义性质离散型应用2.4连续型随机变量：概率密度函数(PDF)定义性质经典分布均匀分布指数分布正态分布2.5随机变量函数的分布问题：已知XXX分布，求Y=g(X)Y=g(X)Y=g(X)分布解法框架重要公式（当ggg严
Algo-hx·2025-06-15 01:01

线性代数导引：实数代数运算

本文将深入探讨实数代数运算的基本原理和操作方法，旨在帮助读者构建扎实的数学基础，为后续深入学习计算机科学中的复杂主题打下坚实的基础。
AI大模型应用实战·2025-06-13 06:06

划界与分类的艺术：支持向量机（SVM）的深度解析

2.SVM的数学基础与直观理解SV
忘梓.·2025-06-11 14:29

入门机器学习需要的统计基础

很多人都说：“学机器学习一定要有数学基础”，但问题是——从哪开始学？学到什么程度才够？其实真的没那么难。
·2025-06-11 13:50

詹森不等式（Jensen’s Inequality）——EM算法的基础

詹森不等式（Jensen’sInequality）是数学中一个非常重要的不等式，广泛应用于概率论、统计学、凸优化、信息论等领域。它基于凸函数和凹函数的性质。
phoenix@Capricornus·2025-06-11 11:37

机器学习与深度学习16-概率论和统计学01

目录前文回顾1.什么是概率论和统计学2.概率的基本概念3.什么是概率密度函数和累积分布函数4.均值、中位数与众数前文回顾上一篇文章地址：链接1.什么是概率论和统计学概率论和统计学是数学中重要的分支，用于研究随机事件和数据的分布
my_q·2025-06-10 14:27

【2D与3D SLAM中的扫描匹配算法全面解析】

一、扫描匹配数学基础与核心原理1.1刚体变换的数学表示扫描匹配的核心是求解刚体变换，在2D和3D空间中有不同的数学表示：
Unpredictable222·2025-06-10 11:44

自然语言处理之语言模型：BERT：BERT模型的数学基础

自然语言处理之语言模型：BERT：BERT模型的数学基础绪论自然语言处理的挑战自然语言处理（NLPÿ
zhubeibei168·2025-06-10 04:21

Python概率论

概率论是数学的一个分支，它研究随机事件的概率和统计规律。在Python中，有很多强大的概率统计库可以帮助我们进行概率计算和数据分析，比如NumPy、SciPy和Pandas等库。
麻辣小兔喵·2025-06-10 02:08

自然语言处理助力AI人工智能实现智能交互

从基础概念到前沿应用，系统解析NLP的核心原理（如句法分析、语义理解、生成模型）、关键算法（如Transformer、预训练模型）及数学基础（统计语言模型、神经概率模型）。通过实
·2025-06-10 01:01

【大模型实践解惑】 如何在 Supervised Fine‑Tuning (SFT) 之后进行 Direct Preference Optimization (DPO) 微调？

关于在SFT之后进行DPO微调的技术解析与应用指南，结合国内外最新研究及实践案例，包含代码实现与未来优化方向：文章目录DPO的核心原理与SFT的局限性1.1SFT的瓶颈与偏好学习的必要性1.2DPO的数学基础与优化目标
云博士的AI课堂·2025-06-08 10:28

傅里叶变换原理与scipy.fft模块应用（九）

本教程将深入探讨傅里叶变换的数学基础，详细介绍scipy.fft模块中主要函数的使用方法，对比时域和频域分析的实现差异，并通过实际案例演示频谱分析与滤波的工程实践方
WHCIS·2025-06-08 05:53

C++概率论算法详解：理论基础与实践应用

参考资料[0]概率论中均值、方差、标准差介绍及C++/OpenCV/Eigen的三种实现.https://blog.csdn.net/fengbingchun/article/details/73323475
·2025-06-08 05:50

【计算机科学】CCF-C特刊征稿合集，见刊快，期刊质量高，速投！

算法及其分析自动机和形式语言可计算性和复杂性数据处理离散数学逻辑学（计算机科学）人工智能的数学基础编程语言理论安全系统理论验证中科院四区期刊ISSN：0001-5903E-ISSN：1432-0525影响因子
计算机科研之友（Friend）·2025-06-08 03:07

群论在现代密码学中的应用探索与实践 —— 从理论到C语言实现

密码学作为信息安全的核心技术，为数据加密、身份验证和信息完整性提供了坚实的数学基础。其发展离不开深厚的数学理论支持，特别
做个好梦778·2025-06-08 01:24

【深度学习新浪潮】如何入门三维重建？

入门三维重建算法技术需要结合数学基础、计算机视觉理论、编程实践和项目经验，以下是系统的学习路径和建议：一、基础知识储备1.数学基础线性代数：矩阵运算、向量空间、特征分解（用于相机矩阵、变换矩阵推导）。
小米玄戒Andrew·2025-06-07 23:41

机器学习的数学基础：假设检验

假设检验默认以错误率为性能度量，错误率由下式给出：E(f,D)=∫x∼DII(f(x)≠y)p(x)dxE(f,\mathcal{D})=\int_{\boldsymbol{x}\sim\mathcal{D}}\mathbb{II}(f(\boldsymbol{x})\ney)p(\boldsymbol{x})\text{d}\boldsymbol{x}E(f,D)=∫x∼DII(f(x)=y)
爱数学的小理·2025-06-06 16:07

机器学习的数学基础：决策树

决策树文章目录决策树决策树的基本思想划分选择信息增益增益率基尼指数减枝处理回归问题对连续值的处理对缺失值的处理决策树的基本思想决策树是基于树结构来进行决策的，通过对问题的判断与决策，得到最终决策。一般的，决策树包括一个根结点、若干个内部节点和若干个叶结点，叶结点对应决策结果，其他每一个结点对应一个属性测试。决策树学习的目的是产生一颗泛化能力强的一棵树，其基本流程遵循简单而直观的"分而治之"(div
爱数学的小理·2025-06-06 15:36

正交与过完备基：从经典展开到压缩感知

完全正交基的数学基础完全正交基集合构成了经典信号分析的数学基石。在Hilbert空间HHH中，一组向量v1,v2,...,vn{v₁,v₂,...,vₙ}v1,v2,...,vn称为正交集，当且仅
DuHz·2025-06-04 16:27

人工智能学习进阶之路

以下是人工智能学习路径的详细规划，分5个阶段循序渐进，建议学习周期1.5-2年：一、筑基阶段（3-6个月）数学基础线性代数：矩阵运算（推荐《LinearAlgebraDoneRight》）微积分：偏导数
lumutong·2025-06-03 08:39

高等数学基础(拉格朗日乘子法)

求解优化问题,拉格朗日乘子法是常用的方法之一问题引入已知目标函数f(x,y)=x2+y2f(x,y)=x^2+y^2f(x,y)=x2+y2,在约束条件xy=3xy=3xy=3下,求f(x,y)f(x,y)f(x,y)的最小值解:这是一个典型的约束优化问题,在之前最简单的办法就是通过约束条件将其中的变量进行变换,带入目标函数求出极点将y=3xy=\frac{3}{x}y=x3,带入f(x,y)=x
Psycho_MrZhang·2025-06-03 01:42

高等数学基础(牛顿/莱布尼茨公式)

牛顿/莱布尼茨公式主要是为定积分的计算提供了高效的方法,其主要含义在于求积分的函数(f(x)f(x)f(x))连续时候总是存在一条积分面积的函数(F(x)F(x)F(x))与之对应,牛顿莱布尼茨公式吧微分和积分联系了起来,提供了这种高效计算积分面积的方法参考视频理解:https://www.bilibili.com/video/BV1qo4y1G7Da/积分上限的函数及其导数设函数f(x)f(x)
Psycho_MrZhang·2025-06-03 01:11

我2025上岸大模型就靠它了，冲击大厂大模型岗位！大模型学习路线（2025最新）从零基础入门到精通_大模型学习路线

大模型学习路线图第一阶段：基础知识准备在这个阶段，您需要打下坚实的数学基础和编程基础，这是学习任何机器学习和深度学习技术所必需的。\1.数学基础线性代数：矩阵运算、向量空间、特征值与特征向量等。
大模型老炮·2025-06-02 19:55

大模型学习路线（2025最新）神仙级大模型教程分享，非常详细收藏这一篇就够

第一阶段：基础知识准备在这个阶段，您需要打下坚实的数学基础和编程基础，这是学习任何机器学习和深度学习技术所必需的。1.数学基础线性代数：矩阵运算、向量空间、特征值与特征向量等。
AGI大模型学习·2025-06-02 18:49

神仙级大模型教程分享，不用感谢，请叫我活雷锋！大模型 学习路线非常详细_大模型学习路线（2025最新）

大模型学习路线图第一阶段：基础知识准备在这个阶段，您需要打下坚实的数学基础和编程基础，这是学习任何机器学习和深度学习技术所必需的。1.数学基础线性代数：矩阵运算、向量空间、特征值与特征向量等。
程序员辣条·2025-06-02 17:45

AI大模型学习路线全攻略，赶紧收藏！

1.打好基础：数学与编程数学基础线性代数：理解矩阵、向量、特征值、特征向量等概念。推荐课程：KhanAcademy的线性代数课程、MIT的线性代数公开课。
AI大模型-大飞·2025-06-02 17:09

最大似然估计(MLE)与最小二乘估计(LSE)的区别

最大似然估计与最小二乘估计的区别标签（空格分隔）：概率论与数理统计最小二乘估计对于最小二乘估计来说，最合理的参数估计量应该使得模型能最好地拟合样本数据，也就是估计值与观测值之差的平方和最小。
江湖小妞·2025-06-01 11:38

Spring状态机：从理论到实践的全面解析

在计算机科学中，自动机理论构成了形式语言与计算理论的数学基础，主要分为四大类型：类型计算能力典型应用场景Spring对应实现有限状态机（FSM）正则语言识别表单验证、协议状态管理S
A.说学逗唱的Coke·2025-05-29 05:20

哈希算法：数据结构与算法的核心技术之一

本文将深入探讨哈希算法的核心原理、实现方式、数学基础以及实际应用。我们将从哈希表的基本概念出发，详细分析各种哈希函数的设计方法，探讨解决哈希冲突的不同策略，并通过Python代码示例展示
数据结构与算法学习·2025-05-28 10:00

概率论的基本概念

概率论的起源与发展概率论产生于十六世纪十六世纪中叶，卡当在赌博时研究不输的方法1654年，德·美黑——“合理分配赌注问题”1657年，惠更斯——《论机会游戏的计算》1933年，柯尔莫哥洛夫——《概率论的基本概念
Mr.魏（魏先生）·2025-05-26 15:27

【概率论基本概念01】点估计

一、说明关于概率和统计的学习，需要从根本上、原始概念中一点一点积累，这些基本概念的头绪特别多，一次性交待它们的面有困难，我们只能从点上入手，将点与点的关系连成面，最后完成系统学习的目的，这是一个长期任务。二、关于估计的基本概念2.1我们将学习哪些关于“估计”内容我们将主要指向如下学习内容：学习如何找到总体参数的最大似然估计量。学习如何找到总体参数的矩估计方法。学习如何检查估计量对于特定参数是否无偏
无水先生·2025-05-26 14:23

线性代数导引：自然数平面之势

特别是在计算机科学中，线性代数不仅是数学基础，更是算法设计的重要工具。本文将对线性代数的基本概念和应用进行介绍，帮助读者深入理解其原理和应用。
AI大模型应用实战·2025-05-26 05:27

《算法导论(第4版)》阅读笔记：p1178-p1212

一、技术总结1.AppendixC:CountingandProbability附录C介绍了计数理论(如：和规则，积规则，串，排列，组合，二项式系数，二项式界等)，概率理论(如：样本空间，事件，概率论公理
·2025-05-25 17:55

深入详解人工智能入门数学基础：理解向量、矩阵及导数的概念

人工智能入门数学基础详解数学是人工智能的基石，理解数学基础对于掌握机器学习和深度学习算法至关重要。本篇文章将详细探讨线性代数和微积分中的基础概念，涵盖向量、矩阵及其运算，以及导数的基本概念。
猿享天开·2025-05-25 14:19

AI要掌握的知识

以下从核心知识模块、技术工具、实践方向等角度，详细梳理AI从业者需要掌握的知识体系：一、数学基础：AI的理论基石1.线性代数核心概念：向量、矩阵、行列式、特征值与特征向量、矩阵分解（如PCA主成分分析的数学基础
杰克逊的日记·2025-05-25 07:30
上一页 1 2 3 4 5 6 7 8 下一页
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他