概率与统计

人工智能数学基础--概率与统计10：离散随机变量的概率函数及常见的二项分布、泊松分布

一、离散随机变量的概率函数及分布函数设X为离散随机变量，其全部可能取值为{a1,a2,…}，则：pi=P(X=ai)(i=1,2,…)称为X的概率函数，也称为随机变量X的概率分布；设X为随机变量（包括离散和非离散），则函数：P(X≤x)=F(x)(-∞∞时，F(x)->1，X->-∞时，F(x)->0。二、二项分布2.1、定义假设某事件A在一次试验中发生的概率为p，将该试验独立重复n次，以X记A在
LaoYuanPython·2022-11-21 01:20

人工智能数学基础--概率与统计11：离散随机变量的超几何分布和负二项分布

一、超几何分布1.1、定义假设N个产品中M个废品，以X记为从N个产品中随机抽出n个里面所包含的废品数m，则：P(X=m)=(mM)(n−mN−M）/（nN）P(X=m)={\Large(^M_m)(^{N-M}_{n-m}）/（^N_n）}P(X=m)=(mM)(n−mN−M）/（nN）其中：0≤m≤M，n≤N，n-m≤N-M。上述概率函数就是超几何分布的概率函数，之所以称为这个名字，是因为其形式
LaoYuanPython·2022-11-21 00:46

概率与统计——概率分布

离散概率分布一、伯努利分布（Bernoullidistribution）伯努利分布又称“0-1分布”“两点分布”。伯努利分布指的是对于随机变量X有,参数为p(00;2.事件之间是相互独立的；3.事件发生的频率是稳定的；4.两个事件不能发生在同一瞬间。
請叫我做雷锋·2022-10-10 19:43

机器学习

学习路径数学：线性代数：矩阵的意义和计算（四则运算，矩阵的逆，转置矩阵），向量；高数：微积分，求导（包括偏导），泰勒定理，麦克劳林公式，拉格朗日乘数法，方向导数与梯度算法，最小二乘法概率与统计：分布函数
weixin_30388677·2022-10-02 07:25

【强基计划】数学与物理竞赛中的微积分部分视频

bilibili强基计划·12·初等数论强基计划·12·初等数论_哔哩哔哩_bilibili强基计划·13·计数概率统计组合强基计划·13·计数概率统计组合_哔哩哔哩_bilibili数学选修2-3-计数原理、概率与统计
dllglvzhenfeng·2022-09-26 15:46

资源 | 源自斯坦福CS229，机器学习备忘录在集结

据项目介绍，该repository旨在总结斯坦福CS229机器学习课程的所有重要概念，包括：●学习该课程所需的重要预备知识，例如概率与统计、代数与微积分等进修课程。
weixin_33943836·2022-06-06 07:21

零基础、非计算机相关专业的如何转型程序员

大学物理、大学物理实验2、电子、电路、单片机、自动控制3、思修（有时也叫德育）、马哲、邓论等4、程序设计5、数据结构、操作系统、组成原理、编译原理、数据库原理、汇编语言6、计算机网络7、微积分、线性代数、概率与统计
C语言技术网-码农有道·2022-04-27 09:59

《算法零基础100讲》(第30讲) 概率与统计

文章目录零、写在前面一、概念定义二、题目描述三、算法详解四、源码剖析五、推荐专栏六、习题练习零、写在前面  这是《算法零基础100讲》专栏打卡学习的第三十天了。  每天打卡的题，做不出来没关系，因为困难的题涉及知识点较多，后面还是会开放出来的，就像昨天的最大公约数那道题今天还是会有，所以不要着急，内容能看懂，能自己分析，能做出简单题，就可以打卡。  在刷题的过程中，总结自己遇到的坑点，写出「解题报
英雄哪里出来·2022-03-02 11:46

图解AI数学基础 | 概率与统计

作者：韩信子@ShowMeAI教程地址：http://www.showmeai.tech/tutorials/83本文地址：http://www.showmeai.tech/article-detail/163声明：版权所有，转载请联系平台与作者并注明出处1.概率论及在AI中的使用概率（Probability），反映随机事件出现的可能性大小。事件\(A\)出现的概率，用\(P(A)\)表示。概率论
·2022-02-25 12:24

图解AI数学基础 | 概率与统计

作者：韩信子@ShowMeAI教程地址：http://www.showmeai.tech/tutorials/83本文地址：http://www.showmeai.tech/article-detail/163声明：版权所有，转载请联系平台与作者并注明出处1.概率论及在AI中的使用概率（Probability），反映随机事件出现的可能性大小。事件\(A\)出现的概率，用\(P(A)\)表示。概率论
ShowMeAI·2022-02-24 23:00

图解AI数学基础：从入门到精通系列教程

本教程内容覆盖线性代数与矩阵论，概率与统计
·2022-02-24 21:20

《人工智能原理》读书笔记：第2章 体系论

目录第2章体系论2.1引言2.2人工智能的研究途径2.2.1控制论与人工智能2.2.2符号和亚符号2.2.3整齐与不整齐2.2.4逻辑与反逻辑2.2.5符号主义、联结主义与行为主义2.2.6概率与统计方法
feiwen110·2022-02-22 07:31

一睁眼50 第三周

对策：学好数学，尤其是概率与统计；对没有办法验证客观概率的，问问专业顾问，用他们的经验对冲你的先入为主。2.凡勃伦效应：消费者购买某些商品的目的，并不仅仅是为了获得直接的物质满足和享
王衍辉·2022-02-16 02:19

概率与统计——条件概率、全概率、贝叶斯、似然函数、极大似然估计

条件概率事物A独立发生的概率为，事物B独立发生的概率为，那么有：表示事物B发生之后事物A发生的概率；表示事物A发生之后事物B发生的概率；全概率我们可以将公式写成全量的形式：表示全量相互排斥且性质关联的事物，即：，那么可以得到,这就是全概率公式。全概率公式的意义在于：无法知道一个事物独立发生的概率，但是我们可以将其在各种条件下发生的概率进行累加获得。全概率的例子例1，已知某种疾病的发病率是0.001
随风溜达的向日葵·2022-02-13 20:49

周学习复盘2021-04-05

因为周末一直呆在家里，心没有静下来，所以放在今天来写上个星期的复盘，上个星期实训的一个星期，所以其他的课都没有上，只有python的实训，所以上个星期就没有学linux，概率与统计学，都没有去学，python
思考z·2022-02-03 08:24

一条消失的朋友圈，多年婚姻宣告结束，千万别低估女人的第六感！

她大学时候的专业是概率与统计精算，她说自己擅长逻辑推理，写推理小说能发挥她的强项。她的确做得不错，在圈子里小有名气。
廿八先生·2021-09-16 22:47

2018-08-29

需要整理的知识内容：1）数字图像处理（C++MatlabOpenCV)2)机器学习与深度学习（回归、分类、聚类、BP、CNN、RNN、LSTM等）3）NLP4)概率与统计、线性代数5）Python、C+
田园豆·2021-06-25 22:11

关于概率分布的理解01-二项分布

自学了多年概率与统计，始终对自己现有的知识结构不满意，感觉总有一些潜在的问题没有理解，需要进一步深究下去。在导师的引导下，我慢慢的学会了如何一点一点的探究问题。
雪走石·2021-06-12 15:58

【概率与统计】：统计学派的模型的解释（蒙特卡罗方法估计圆的面积）

背景：蒙特卡罗方法估计圆的面积计算圆的面积中有一个重要常数π，现在假设我们不知道π的值，该怎么计算圆的面积呢？统计学家想到一个方法：将圆镶嵌在一个正方形中，然后求出圆占这个正方形面积的百分比：你可以胡乱朝这个区域撒点，当撒点数量足够大，并假设点投到这个区域任意位置的概率是一样的，那么你最后就可以通过点的数量求出圆占整个正方形面积的比，设圆的半径为r，正方形面积为：由知道了比值，自然就可以算出圆的面
Jack_Kuo·2021-05-24 16:59

纵横研究院AI专题书目推荐

建议参与此专题讨论和专题研究的同事同学能够有良好的Python基础、数学基础(概率与统计、线性代数、高等数学等)、英语基础。  
Khan可汗·2021-05-13 18:05

日常总结 2017年2月23日

晚上看了一下自动控制系统和概率与统计。R-Reflective:感觉反应层次你要如何形容今天的情绪不那么爽，被电脑坑了一遍又一遍。今天的高
Mr_Leekon·2021-05-13 13:41

Python入门到实战（八）Jupyter Notebook路径修改、数学基础：分段函数、矩阵运算、微积分、概率与统计、蒙特卡洛近似算法、线性回归、逻辑运算补充

Python入门到实战（八）JupyterNotebook路径修改、数学基础：分段函数、矩阵运算、微积分、概率与统计、蒙特卡洛近似算法、线性回归、逻辑运算补充JupyterNotebook工作路径修改Anaconda
不会写程序的程序员.·2021-05-04 13:06

一.机器学习基础与特征工程

1.机器学习基础1.1数学基础需要的数学知识：高等数学、线性代数、概率与统计。当然一开始不用深入进去，可以在学习过程中逐步积累。
·2021-03-31 21:42

一.机器学习基础与特征工程

1.机器学习基础1.1数学基础需要的数学知识：高等数学、线性代数、概率与统计。当然一开始不用深入进去，可以在学习过程中逐步积累。
·2021-03-31 21:42

python如何求导数（derivative）、求偏导（partial derivative）？（sympy库symbols()函数、diff()函数、subs()函数）

SymPy支持符号计算、高精度计算、模式匹配、绘图、解方程、微积分、组合数学、离散数学、几何学、概率与统计、物理学等方面的功能。
Dontla·2020-09-16 22:37

Python 数据科学入门

具体内容包括：数据科学的Python核心特性，文本数据、数据库、表格形式的数值数据、series和frame、网络数据的使用，数据的绘制，概率与统计，机器学习。
蔚1·2020-09-15 05:50

Don‘t Settle.Keep Faith

，他们中甚至有我梦想的专业计算机，甚至是研究生学到了概率与统计专业，却还是选择加入我们行政科室。也是，没想到我这样的理工直男，居
Mr_charm·2020-09-14 13:19

Tensorflow安装教程详解（图文详解，深度好文）

前言安装前的准备工作关于python关于Anaconda开始使用Tensorflow系统内配置Anaconda使用路径AnacondaNavigator内设置路径后记前言本篇内容节选自本人即将出版的新书《机器学习中的概率与统计
三景页三景页·2020-09-14 13:01

图像特征提取：图像的矩特征

矩是概率与统计中的一个概念，是随机变量的一种数字特征。设X为随机变量，c为常数，k为正整数。则量E[(x−c)k]称为X关于c点的k阶矩。比较重要的有两
weixin_34392906·2020-09-13 10:57

机器学习书单

俄罗斯的数学书2.线性代数：《LinearAlgebraandItsApplications,ThirdEdition（DavidC.Lay）》讲得很实际，线性代数最重要的就是与实际应用相联系才能够理解其意义3.概率与统计
xiaogss·2020-09-12 05:27

服下这碗药——是时候回顾一下概率与统计了（二）

前言在机器学习中，用到比较多的是对参数的估计。对参数的估计中，用得较多的是极大似然估计。一、极大似然估计1.1相关定义似然函数极大似然估计1.2MLE求法MLE对于一些特定的问题，可以从定义出发进行求解，在一般情况下，可以通过求极值的方式进行求解，之后再验证解是MLE。对于指数族，有下面的定理。定理1.3例子例1：两点分布{b(1,p):00}中λ的MLE。例3：正太分布中均值和方差的MLE。二、
忆霜晨·2020-08-26 13:09

排队论算法汇总含matlab代码_数学建模(十二)

由于顾客达到该系统般都是随机的，到达后接受服务的时间也是随机的，所以也称排队论为随机服务系统理论，并可将排队论看成概率与统计研究的种具体的问题。该理论要研究的是排队系统运行的效
建模喵/·2020-08-25 09:22

【SLAM十四讲 】第六讲

第六讲非线性优化首先对这章要用到的概率知识点做一些回顾知识点回顾概率与统计概率是已知模型和参数，推数据。统计是已知数据，推模型和参数。贝叶斯公式P(A)即是常说的先验概率。
Min220·2020-08-23 10:51

概率论基础教程

SheldonM.Ross国际知名概率与统计学家，南加州大学工业工程与运筹系系主任。毕业于斯坦福大学统计系，曾在加州大学伯克利分校任教多年。研究领
QQ 1003601158·2020-08-23 04:29

一维离散傅里叶变换，信号分解

傅里叶变换的应用涵盖了概率与统计、信号处理、量子力学和图像处理等学科。离散傅里叶变换的公式如下：在MATLAB中，可以直接使用函数库fft(X)对一维向量X做傅里叶变换，分析信号的组成。
山海之巅·2020-08-22 11:07

2.数理统计与参数估计

注：以下内容整理于七月算法2016年4月班培训讲义，详见：http://www.julyedu.com/内容简介：A.重要统计量B.重要定理与不等式C.参数估计A.重要统计量一、概率与统计概率：已知总体的分布情况
aidway·2020-08-21 18:40

Sympy 简介及使用

SymPy支持符号计算、高精度计算、模式匹配、绘图、解方程、微积分、组合数学、离散数学、几何学、概率与统计、物理学等方面的功能。
zcx999666·2020-08-19 06:34

补写西瓜经第六十八章：中心极限定理

概率与统计是彩票学的任督二脉。走啦这么久，接下来终于我们要打通任脉中最后一个穴位，也是最重要的一个穴位，中心极限定理。根果图能够让我们从本源的角度去认识彩票，虽然简单，但是平平淡淡才是真。
西瓜经·2020-08-19 03:43

高中数学基础08：关系、概率与统计

内容来自百度百科知识以及东方耀老师笔记内容的整合1、关系1.1函数关系确定性现象之间的关系常常表现为函数关系，即一种现象的数量确定以后，另一种现象的数量也随之完全确定，表现为一种严格的函数关系。当一个或几个变量取一定的值时，另一个变量有确定值与之对应，则称这种关系为确定性的函数关系，1.2相关关系相关关系是客观现象存在的一种非确定的相互依存关系，即自变量的每一个取值，因变量由于受随机因素影响，与其
追梦小乐·2020-08-18 23:51

PRML 02 Introduction：贝叶斯概率

Expectationsandcovariances1加权平均值2多变量权重3条件期望4函数方差5协方差BayesianProbability5高斯分布重回多项式拟合1理解误差函数2理解规则化贝叶斯曲线拟合主要讲解了贝叶斯概率与统计派概率的不同
bea_tree·2020-08-17 21:49

概率与统计分析练习题

1.学习理解什么是极大似然估计似然函数：设样本X有概率函数\(f(x,\theta)\)，这里\(\theta\)为参数，在参数空间内取值。当固定x而把\(f(x,\theta)\)看成\(\theta\)的定义在参数空间内的函数时，它称为似然函数。所以，概率函数和似然函数可以说是一回事，只是看法不同，前者是固定\(\theta\)而看成x在样本空间上的函数，后者则固定x而看成\(\theta\)
dengxun7056·2020-08-16 19:40

深度学习之数学基础（概率与统计）

3-1、为什么使用概率？概率论是用于表示不确定性陈述的数学框架，即它是对事物不确定性的度量。在人工智能领域，我们主要以两种方式来使用概率论。首先，概率法则告诉我们AI系统应该如何推理，所以我们设计一些算法来计算或者近似由概率论导出的表达式。其次，我们可以用概率和统计从理论上分析我们提出的AI系统的行为。计算机科学的许多分支处理的对象都是完全确定的实体，但机器学习却大量使用概率论。实际上如果你了解机
Mokin_Zhao·2020-08-15 17:53

概率与统计中的基本分布总结

1、随机变量的定义：在一次实验中出现的所以结果次数M,将每一种结果映射到某种数值函数X(e)(e表示是某一次实验发生的结果)，这种命映射的结果值称为随机变量。2、随机变量分为离散型和连续型的。3、分布律：只有离散型随机变量具有分布律，例如：离散型随机变量的x的分布律是0,1,2;分别对应的概率是0.3，0.4，0.3。4、分布函数:该概念对于离散型和连续型都是适用的。F(x)=p{X<=x}，则F
Bonyin·2020-08-15 00:03

Python对函数求偏导数

SymPy支持符号计算、高精度计算、模式匹配、绘图、解方程、微积分、组合数学、离散数学、几何学、概率与统计、物理学等方面的功能。程序代码>>>fromsympyimportsymbo
JC Zhao·2020-08-13 21:56

【Machine Learning】机器学习之一些数学相关的知识储备

文章目录前言一、微积分基础1.1夹逼准则1.2导数/方向导数1.3梯度1.4凸函数二、概率与统计基础2.1概率2.2期望值2.3方差2.4协方差2.5相关系数三、高斯分布3.1独立同分布3.2高斯分布3.3
贾继康·2020-08-13 11:00

机器学习——概率密度估计随笔

概率密度估计笔记概率与统计关系参数估计似然与概率似然函数与概率函数极大似然估计最大后验估计（MAP）贝叶斯估计非参数估计直方图Parzen窗（核密度估计）概率与统计关系先捋清楚概率和统计分别是啥意思。
weberyoung·2020-08-08 19:46

时间序列分析之一：数据预处理

时间序列分析拾运用概率与统计的理论与方法分析随机数据序列，并建立数学模型、定阶和参数估计的学科，它主要应用在预测、控制、滤波、金融（如股票价格）等方面。
数学VS游戏开发·2020-08-07 18:53

静雅斋目录导航

高中数学静雅斋目录导航01、集合02、常用逻辑用语03、初等函数04、导数05、数列06、三角函数与解三角形07、不等式08、概率与统计09、平面向量10、立体几何11、解析几何12、复数、算法框图、推理与证明
weixin_34321753·2020-08-05 03:39

概率与统计笔记

这部分数学的基本思想是：在有上帝视角的时候，知道事件发生的分布，计算某些事件发生的概率，及一些分布的特征。在没有上帝视角的时候，靠已知事件发生的频率推断事件的分布类型，或者分布的一些特征1.贝叶斯定理可以根据客观条件看成是对先验概率的不断修正。2.我们现在使用的概率：将样本空间中的事件映射为随机变量表示的值，用一个函数将事件或随机变量映射到(0,1)之间。3.伯努利分布：两件事情，映射为0，1.伯
shiyueyue0822·2020-07-11 22:58

用python学概率与统计（第四章）概率论简述

组合排列组合：CNn=(Nn)=N!n!(N−n)!排列：PNn=n！(Nn)=N!(N−n)!importitertoolsIn[61]:r=itertools.combinations(range(4),3)In[62]:rOut[62]:In[63]:len(list(r))len(list(r))Out[63]:4In[68]:4r=itertools.permutations(range
polarislove1113·2020-07-11 14:23
上一页 1 2 3 4 下一页
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他