ACM_概率论第25页

matlab假设检验摘要,MATLAB数据统计和分析：参数估计和假设检验

参数估计和假设检验统计所研究的对象是受随机因素影响的数据，是以概率论为基础的一门应用学科。

4564344·2023-01-21 09:30

概率论- 7参数估计 & 假设检验

参数估计&假设检验1参数估计1.1参数的点估计1.1.1估计量、估计值和点估计1.1.2点估计的两种常用方法1.1.2.1矩阵估计法1.1.2.2最大似然估计法1.1.3估计量的评估标准1.2参数的区间估计区间估计就是用以统计量为端点的随机区间来刻画总体未知参数所在的范围1.2.1置信区间的概念1.2.2正态总体均值(或均值差)、方差(或方差比)及与其相联系的数字特征的置信区间2假设检验2.1假设

吴哈哈就是我·2023-01-21 08:55

李永乐复习全书概率论与数理统计第七、八章参数估计及假设检验

目录第七章参数估计第八章假设检验例题八例4 从两个煤矿各抽样数次，分析其含灰率（%），结果如下。假设各煤矿的含灰率分别服从正态分布，问甲、乙两煤矿的含灰率有无显著差异（取显著性水平α=0.05\alpha=0.05α=0.05）？练习八2.已知X∼N(μ1,σ12),Y∼N(μ2,σ22)X\simN(\mu_1,\sigma_1^2),Y\simN(\mu_2,\sigma^2_2)X

古月忻·2023-01-21 08:54

python机器学习（一）算法学习的步骤、机器学习的应用及流程(获取数据、特征工程、模型、模型评估)

机器学习入门机器学习中需要理论性的知识，如数学知识为微积分(求导过程，线性回归的梯度下降法)，线性代数(多元线性回归，高纬度的数据，矩阵等)，概率论(贝叶斯算法)，统计学(贯穿整个学习过程)，算法根据数学基础一步步的推导出来的

hwwaizs·2023-01-20 20:16

AI工程师技术学习进阶指南

数学基础微积分《北京大学高等数学B》线性代数北京大学出版社，《线性代数简明教程》MIT的线性代数公开课概率论与数理统计李航《统计学习方法》朴素概率论钟开来概率论朴素统计学理论北京大学出版社，《概率论与数理统计下册

保护我方鲁班七号·2023-01-20 13:08

视觉是如何演化的1

当前的计算机视觉使用的理论方法主要是基于几何、概率和运动学计算与三维重构的视觉计算理论，它的基础包括射影几何学、刚体运动力学、概率论与随机过程、图像处理、人工智能等理论。

Cretheego·2023-01-20 13:03

【学习资源】机器学习相关的数学参考资料

目录1机器学习资料2线性代数3概率论与统计学4微积分和数值计算图片来源：TheMathematicsofMachineLearninghttps://towardsdatascience.com/the-mathematics-of-machine-learning

苹果二·2023-01-20 12:42

基本概率论(预备知识)

文章目录概率基本概率论概率论公理随机变量联合概率条件概率贝叶斯定理边际化独立性概率概率是衡量一个事件发生的可能性，在深度学习模型算法中占有很重要的作用。

Gaolw1102·2023-01-19 08:18

深度学习（1）——Pytorch基础

深度学习（1）——Pytorch基础作者：夏风喃喃参考：《动手学深度学习第二版》李沐文章目录深度学习（1）——Pytorch基础一.数据操作二.数据预处理三.绘图四.自动求导五.概率论导入相关包：importtorch

夏风喃喃·2023-01-19 08:15

深度学习之概率论总结

文章目录一、事件二、事件的运算三、排列四、组合五、概率5.1古典概率5.2条件概率5.3联合概率5.4边缘概率5.5全概率六、概率分布6.1伯努利分布6.2泊松分布6.3二项分布七、高斯分布7.13σ原则7.2标准正太分布7.3混合高斯分布7.4中心极限定理7.5高斯分布密度曲线7.6指数分布密度曲线八、事件独立性九、时间的互斥性十、贝叶斯定理十一、朴素贝叶斯十二、深度学习的贝叶斯模型十三、协方差

雨落的太敷衍..·2023-01-19 08:14

动手学习深度学习——2.6 概率论

2.6概率论在某种形式下，机器学习就是关于预测的。根据病人的临床病史，我们可以预测病人明年心脏病发作的概率。

X_Imagine·2023-01-19 08:44

周志华《机器学习》读书笔记--第一章绪论

记得当时，每次都在黑板上手推公式，虽然觉得自己考研的时候高数、线代、概率论还算学的可以，但经不住那么多公式。我只知道当时真没听懂，当时那个老师推荐的课本也是这个书。我曾经试着去看，结果看了几页

王嘉尔的小奶酪.·2023-01-18 15:07

SVD——奇异值分解的原理机制

篇章目录背景一、SVD用途概况优缺点分析主要应用领域二、预备知识1.线性代数、概率论与数理统计常用分布2.隐形语义含义：隐形语义检索（LSI）*3.PCA降维算法原理与应用三、SVD概念与求解1.与PCA

_Jacklong·2023-01-18 11:24

随机变量的数字特征（概率论常用知识）

随机变量的数字特征本文内容主要参考自1、《概率论与数理统计》第2版，徐全智、吕恕编，高等教育出版社；2、黄庆明老师课件。

zhulf0804·2023-01-18 10:11

概率论与数理统计（4）--泊松分布、指数分布与爱尔朗分布

在排队论中，我们经常见到上面三种分布，即泊松分布、指数分布和爱尔朗分布。我们详细整理一下。1.泊松分布在我们的日常生活中，大量的事件发生是有其固定频率的。就比如下面的例子：某医院平均每小时出生3个婴儿某公司平均每10分钟接到1个电话某超市平均每天销售4包xx牌奶粉某网站平均每分钟有2次访问我们可以预估上述事件的总数，但是没法知道具体的发生时间。就比如，我们已知平均每小时出生3个婴儿，请问下一个小时

爱听雨声的北方汉·2023-01-18 09:19

概率论与数理统计（3）--指数分布函数及其期望、方差

1.什么是指数分布设随机变量X具有如下形式的密度函数，那么则称X服从参数为θ的指数分布,记为X~EXP(θ).指数分布的分布函数为：2.指数分布的期望和方差①数学期望如果X服从参数为λ(λ>0)的指数分布,那么指数分布X~EXP(θ)的数学期望：λ②方差设X服从参数为λ(λ>0)的指数分布,指数分布X~EXP(θ)的方差：λ^2。总结一下，我们经常遇到的指数分布、均匀分布和正态分布的概率密度函数与

爱听雨声的北方汉·2023-01-18 09:49

机器学习和模式识别怎么区分？

一、概念1、机器学习机器学习(MachineLearning,ML)是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研

程序媛珂珂·2023-01-18 09:19

【概率论】指数分布 Exponential Distribution

要先理解泊松分布,再过来看指数分布.泊松分布是单位时间内独立事件发生次数的概率分布，指数分布是独立事件的时间间隔的概率分布。二者共享同一个参数λλ,因为指数分布描述的是两个独立事件之间发生的事件间隔,是个连续分布,而且依经验λλ越大,这个时间间隔就越小,而且应该就近似等于1λ1λ.PDF记做p(x;λ)=λ1x≥0e−λxp(x;λ)=λ1x≥0e−λx一些性质期望和方差期望是1λ1λ方差是1λ2

北境の守卫·2023-01-18 09:48

统计学习基础:数据挖掘、推理和预测_《数据分析第一期》，数据分析基础—“统计学”...

统计学是一门应用学科，来源于数学和概率论数理统计，比这两个基础学科应用更广泛，在这个数据创造价值的社会，统计学正在大放光彩。更重要的是学会了解各种技术背后的基础

weixin_39885469·2023-01-17 15:57

【概率论】羊车门问题

一、问题羊车门问题（又名三门问题、蒙提霍尔悖论）出自美国《parade》杂志专栏。有3扇关闭的门，一扇门后停着汽车，另外两扇门后是山羊，主持人知道每扇门后是什么。参赛者首先选择一扇门。在开启它之前，主持人会从另外两扇门中打开一扇门，露出门后的山羊（也就是说主持人只能开羊门）。此时，允许参赛者更换自己的选择。问换还是不换，概率为多少。二、难点1.仔细审视题干，特别是加粗部分。2.我们的直觉倾向于第一

果冻胶·2023-01-17 09:09

联邦学习中的non-iid总结

什么是non-iid先从维基百科引出独立同分布的定义：在概率论与统计学中，独立同分布（英语：Independentandidenticallydistributed，缩写为IID）是指一组随机变量中每个变量的概率分布都相同

海边的西西弗斯·2023-01-17 09:22

NLP面试-最大似然估计与贝叶斯估计的区别

致Great·2023-01-16 14:37

转载最大似然，贝叶斯方法与朴素贝叶斯分类

1.贝叶斯公式贝叶斯公式作为概率论中的基础，大家都见过，极为简单。但是学习时候无非用于一些红球黑球，男生女生的估计问题，学起来也是兴趣寥寥。我也不曾想它用处之大，可谓大道至简。

Clevosea·2023-01-16 14:36

最大似然，贝叶斯方法与朴素贝叶斯分类

1.贝叶斯公式贝叶斯公式作为概率论中的基础，大家都见过，极为简单。但是学习时候无非用于一些红球黑球，男生女生的估计问题，学起来也是兴趣寥寥。我也不曾想它用处之大，可谓大道至简。

WJWFighting·2023-01-16 14:05

由赌徒谬误想到的

当时在学概率论的时候，这个问题就深深困扰着我，因为这不符合大数定律：随着实验次数的增多，实验结果的频率应当向它们的理论概率靠近。

爱不到要偷·2023-01-16 14:31

无框架使用c++从零开始实现卷积全连接 softmax 入门深度学习 CPU版梯度下降

先是找资料看看需要什么，然后进行学习，恶补线性代数、微积分、概率论，感觉能用到的知识点学差不多就开始代码【真要等到全学会再动手写代码，以我的智商估计就没有然后了】。

kekezhu0000·2023-01-16 12:16

文末送书 | 李航老师新作！机器学习经典著作《统计学习方法》全新升级

机器学习是以概率论、统计学、信息论、最优化理论、计算理论等为基础的计算机应用理论学

PaperWeekly·2023-01-16 08:59

机器学习数学基础（二）：概率论与统计量、大数定律、似然估计

机器学习数学基础（二）概率论概率论基础初步认识概率公式常见概率分布两点分布二项分布Bernoullidistribution泊松分布均匀分布指数分布正态分布Beta分布总结参数、期望、方差sigmoid

'仰望星空,脚踏实地'-菱·2023-01-15 18:40

机器学习之数学基础—概率论

1、概率的认识0<=p<=12、古典概型3、概率条件概率、全概率公式、贝叶斯公式3、概率密度函数4、累计分布函数

小韩学长·2023-01-15 18:10

机器学习数学基础四：随机变量和概率论基础

目录一，连续与离散随机变量1，离散型随机变量2，连续型随机变量3，简单随机抽样4，似然函数5，极大似然估计例子：二，概率论基础1，概率论是干什么的？2，随机事件是什么？

喜欢吃豆·2023-01-15 18:09

机器学习的数学基础矩阵论与概率论

文章目录机器学习的数学基础1.1标量、向量、矩阵、张量之间的联系1.2张量与矩阵的区别？1.3矩阵和向量相乘结果1.4向量和矩阵的范数归纳1.5如何判断一个矩阵为正定？1.6导数偏导计算1.7导数和偏导数有什么区别？1.8特征值分解与特征向量1.9奇异值与特征值有什么关系?1.10机器学习为什么要使用概率？1.11变量与随机变量有什么区别？1.12常见概率分布1.13举例理解条件概率1.14联合概

Hust_Shine·2023-01-15 18:39

机器学习中的数学基础（四）：概率论

机器学习中的数学基础（四）：概率论4概率论4.1一些概念4.2二维随机变量4.2.1离散型4.2.2连续型4.3边缘分布4.3.1离散型边缘分布4.3.2连续型边缘概率密度4.4期望4.4.1一维期望4.4.2

三耳01·2023-01-15 18:38

概率论基本概念

全概率公式P(B)=P(BA1)+P(BA2)+...+P(BAn)P(B)=P(B|A1)P(A1)+P(B|A2)P(A2)+...+P(B|An)P(An)=P(BA1)+P(BA2)+...+P(BAn)事件A1，A2，…构成一个完备事件组且都有正概率某一个事件概率=这个事件*其他完备事件划分联合概率之和联合概率联合概率指的是几个事件同时发生的概率。比如A,B两个随机变量，A和B的联合概率

南妮儿·2023-01-15 11:39

人工智能卷积算法

除了信号处理外，卷积运算也常用于概率论与数理统计等其他诸多领域。在线性系统中，卷积用于描述信号（InputSignal）,冲激响应

心随而动·2023-01-15 11:29

基于python的贝叶斯分类算法预测_机器学习模型3 朴素贝叶斯-基于Python sklearn的实现...

1、模型原理1、原理：基于概率论的方法，计算一个样本x属于某个类别c的概率最大，即计算P(c│x)的最大值，即样本x分到类别c中的概率最大1-1.png。

明嘻嘻·2023-01-14 20:47

数据分析师必掌握的统计学知识大梳理

笔者结合自己对统计学和概率论知识的理解写了这篇文章，有以下几个目标目标一：构建出可以让人理解的知识架构，让读者对这个知识体系一览无余目标二：尽l量阐述每个知识在数据分析工作中的使用场景及边界条件目标三：

weixin_38754337·2023-01-13 23:47

一文打尽，数据分析常用统计学知识！

笔者结合自己对统计学和概率论知识的理解写了这篇文章，有以下几个目标目标一：构建出可以让人理解的知识架构，让读者对这个知识体系一览无余目标二：尽l量阐述每个知识在数据分析工作中的使用场景及边界条件目标三：

「已注销」·2023-01-13 23:47

关于数据分析用到的统计学知识

需要了解和掌握的统计学知识如下：基本统计量：均值、中位数、众数、百分位数、极值等其他描述性统计量：偏度、方差、标准差、显著性等其他统计知识：总体和样本、参数和统计量、ErrorBar概率分布与假设检验：各种分布、假设检验流程其他概率论知识

weixin_30415801·2023-01-13 23:16

概率论的学习整理5：贝叶斯（bayes）法则和贝叶斯概率

1贝叶斯（bayes）概率的思考过程我觉得，bayes公式需要先理解条件概率，全概率公式才行纯从bayes公式的角度，其实是从条件概率P(B|A)开始，推导到联合概率P(AB)/P(A)，然后再展开条件概率本身为全概率，逐步得到的1.1我的思维导图1.2条件概率P(B|A)=P(AB)/P(A)B事件在A事件已经发生基础上的条件概率=AB的联合概率（交集）/条件A发生的概率P(A)，就是条件A，已

奔跑的犀牛先生·2023-01-13 18:10

分享本周所学——概率论：贝叶斯更新详解

最近一周我学了一下基础的概率论，然后发现这里面有贝叶斯更新这个内容。我一想，这不是机器学习的内容吗，就

RFdragon·2023-01-13 18:39

10.贝叶斯理论

10.3概率基础机器学习的成功需要模式—可重复性，即随机事件本身在长期试验过程中存在稳定性，如扔硬币衡量模式的方法—概率论，“概率无非是把常识作用于计算”机器学习问题随机性的来源——问题内在的不确定性信息不完全模型所考虑的特征有限模型本身永远脱离真实

adamlay·2023-01-13 18:39

史上最全的机器学习资料（上）

机器学习(MachineLearning,ML)是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论

Python训练营·2023-01-13 13:29

1 基础知识

1概率论基础1.1随机变量随机变量是一个不确定量，它的值取决于一个随机事件的结果。比如抛一枚硬币，正面朝上记为0，反面朝上记为1.抛硬币是个随机事件，其结果记为随机变量X。

Cary.·2023-01-13 10:51

【概率论】边缘分布和联合分布

有X1，X2，X3，…，Xm共m个随机变量，各有其分布F1，F2，F3，…，Fm。令X=（X1，X2，X3，…，Xm），则其为m维随机向量。则X的分布F为联合分布，F1，F2，…，Fm为边缘分布。边缘分布的命令来源：有二维随机向量（X1，X2），其分布为可以看到，“行合计”和“列合计”分别为X1，X2的分布，因其在表格边缘，故命名为边缘分布。所以，边缘分布其实就是多维随机向量中的随机变量的分布，不

suifeng_123123·2023-01-13 09:57

附pdf下载 | 《机器学习数学基础》电子书

机器学习是一门多学科交叉专业，涵盖概率论知识，统计学知识，近似理论知识和复杂算法知识，使用计算机作为工具并致力于真实实时的模拟人类学习方式，并将现有内容进行知识结构划分来有效提高学习效率。

人工智能与算法学习·2023-01-12 19:42

统计学系统学习目录（持续更新中）

根据个人目前学习进度更新，但是前面未完善的内容会逐步更新——2023年1月11日概率论基础矩阵论基础统计学基础回归分析基础凸优化基础随机过程基础随机过程预备知识离散鞅理论随机微分方程时间序列分析基础随机微分方程在时间序列的应用神经网络随机微分方程在时间序列的应用机器学习基础

邓宏宇·2023-01-12 17:11

粗糙集_属性约简

1.粗糙集简介粗糙集理论，是继概率论、模糊集、证据理论之后的有一个处理不确定性的数学工具。于1982年波兰理工大学Z.pawlak教授提出用来研究不完整数据，不精确知识表达、学习、归纳等的一套理论。

ECRZ·2023-01-12 17:00

机器学习与深度学习入门介绍1

1.机器学习（MachineLearning,ML)1.0基本概念：训练集，测试集，特征值，监督学习，非监督学习，半监督学习，分类，回归1.1概念：多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科

yaohuan2017·2023-01-11 19:42

概率论第一章

概率论概率论:主要是用来研究，研究如何定量描述随机现象及其规律。

qq_1335857320·2023-01-11 18:10

svn中项目管理中ec_PMP项目管理中的完工概率计算问题详解

对概率的计算，高等数的概率论微积分都给出了非常精确的算法，但是计算难度大，一般人不容易掌握。

AMAX杨威·2023-01-11 15:40

推荐频道

ACM_概率论