11 2020 档案
摘要：efficient和effective的区别 一、总结 一句话总结： 【efficient】：【高效的】；【effective】：【有效的】（就是【高效的和有效的】这个区别） an efficient secretary 工作效率高的秘书 an effective medicine for hair
阅读全文
摘要：机器学习西瓜书笔记 3.6、类别不平衡问题 一、总结 一句话总结： 【类别不平衡（class-imbalance）】就是指【分类任务中不同类别的训练样例数目差别很大】的情况. 我们经常会遇到类别不平衡，【例如在通过拆分法解决多分类】问题时，即使原始问题中不同类别的训练样例数目相当，在使用OⅴR、Mv
阅读全文
摘要：机器学习西瓜书笔记 3.5、线性判别分析多分类学习 一、总结 一句话总结： 就是利用【二分类学习器来解决多分类问题】 最经典的拆分策略有三种：【“一对一”】（One vs. One，简称OvO）、【“一对其余”】（One vs. Rest，简称OvR）和【“多对多”】（Many vs. Many，简
阅读全文
摘要：机器学习西瓜书白话解读笔记 0309-0310、逻辑回归 一、总结 一句话总结： 【不是得到y和x的关系】，而是得到【ln(y/(1-y))与x的关系】，而ln(y/(1-y))就是对数几率， $$y = \frac { 1 } { 1 + e ^ { - ( w ^ { T } x + b ) }
阅读全文
摘要：机器学习西瓜书笔记 3.4、线性判别分析 一、总结 一句话总结： 【线性判别分析（Linear Discriminant Analysis，简称LDA）】是一种经典的【线性学习方法】，在【二分类问题】上因为最早由 Fisher，1936]提出，亦称“Fisher判别分析” 1、线性判别分析LDA的思
阅读全文
摘要：拉格朗日乘子 是什么 一、总结 一句话总结： 基本的【拉格朗日乘子法(又称为拉格朗日乘数法)】，就是【求函数 f(x1,x2,...) 在 g(x1,x2,...)=0 的约束条件下的极值】的方法。 其【主要思想】是引入一个【新的参数 λ （即拉格朗日乘子】），将【约束条件函数与原函数联系】到一起，
阅读全文
摘要：线性回归和逻辑回归的关系 一、总结 一句话总结： 【需求是让f(x)来拟合[0,1]】，这个时候应该怎么做呢。拟合[0,1]就是【二分类】的问题。 【阶跃函数不连续，不可导】，所以就【用sigmoid】，所以就是逻辑回归了 逻辑回归：$$y = \frac { 1 } { 1 + e ^ { - (
阅读全文
摘要：机器学习西瓜书笔记 3.3、对数几率回归 一、总结 一句话总结： 【系统】：系统的学习非常非常重要，所以看书是非常非常必要且高效的 你之前【很多不懂的问题】，系统看书，【书上介绍的不能再详细】 1、为什么从阶跃函数变成对数几率函数（sigmoid）？ 【阶跃函数不连续，不可求导】：单位阶跃函数不连续
阅读全文
摘要：机器学习西瓜书笔记 3.2、线性回归 一、总结 一句话总结： 【系统】：系统的学习非常非常重要，所以【看书】是非常非常必要且高效的 1、一元线性回归？ 我们先考虑一种最简单的情形：输入【属性的数目只有一个】.为便于讨论，此时我们忽略关于属性的下标，即$$D = \{ ( x _ { i } , y
阅读全文
摘要：机器学习西瓜书白话解读笔记 0301-0308、线性回归 一、总结 一句话总结： 【亡羊补牢】：人的确是都会犯错，【亡羊补牢】最最重要，比如网络游戏 1、一元线性回归？ 只有【一个属性】，即d=1；【w,b为单个的数】 一元线性回归目标函数：【最小二乘法】：$$( w ^ { * } , b ^ {
阅读全文
摘要：天若ocr不能用 一、总结 一句话总结： 在【文字识别界面的接口】中换一个接口即可 二、天若ocr不能用 博客对应课程的视频位置： 1、问题 2、解决 在文字识别界面的接口中换一个接口即可
阅读全文
摘要：机器学习西瓜书课后习题答案 2、模型评估 一、总结 一句话总结： 理解必然是个【逐步加深】的过程，所以前期可以【最短时间做最高效率】（重点、核心点、视频）的事情 1、【Min-max】 规范化和【z-score】 规范化的优缺点？ 【Min-max】规范化：$$x ^ { \prime } = x
阅读全文
摘要：机器学习西瓜书课后习题答案 1、绪论 一、总结 一句话总结： 一些【特别花时间又不太重要】的东西（比如一些概念），可以【多参照别人的视频解释】，这样节约时间 1、试述机器学习在互联网搜索的哪些环节起什么作用？ 1.【消息推送】：比如当我搜索“机器学习”之后，再打开某些网页的时候，会推送有关机器学习培
阅读全文
摘要：机器学习西瓜书笔记 2.4-2.6、模型评估与选择【2.4比较检验，2.5偏差与方差】 一、总结 一句话总结： 【学以致用】，讲到底其实【用以致学】更好 1、机器学习中性能比较涉及的几个重要因素？ 【泛化性能与测试集上的性能的矛盾】：首先，我们希望比较的是【泛化性能】，然而通过实验评估方法我们获得的
阅读全文
摘要：假设检验的基本思想 一、总结 一句话总结： 假设检验的基本思想是【“小概率事件”原理】，其统计推断方法是带有某种概率性质的【反证法】。 【小概率思想】是指小概率事件在一次试验中基本上不会发生。 【反证法思想】是先提出检验假设，再用适当的统计方法，利用小概率原理，确定假设是否成立。即为了检验一个假设H
阅读全文
摘要：机器学习西瓜书笔记 2.3、模型评估与选择【2.3性能度量】 一、总结 一句话总结： 【重点】别【圈】太多，圈太多重点就不是重点了，效果【反而不好】 1、2.3性能度量的意义是什么？ 对学习器的泛化性能进行评估，不仅需要有效可行的【实验估计方法】，还需要有【衡量模型泛化能力的评价标准】，这就是【性能
阅读全文
摘要：机器学习西瓜书白话解读笔记 0216-0223、还是模型评估 一、总结 一句话总结： 娱乐可以用音乐和【好玩的】运动【代替】游戏 1、多分类方法？ 可以【直接多分类】，或者转化为【二分类】， 转化为二分类的话，【第一种就是(1,2)、(1,3)、(1,4)、...、(2,3)、(2,4)】，【另一种
阅读全文
摘要：机器学习西瓜书白话解读笔记 0208-0215、主要是性能度量 一、总结 一句话总结： 不要受了一点挫折就灰心丧气，最近都是这样，非常不好 1、错误率和精度？ 仔细看下面的公式，非常简单，【错误率就是总错误个数除以样本总数m】，所以有个求和符号，求和符号右边【相当于一个满足条件就取1的符号】 2、查
阅读全文
摘要：legend2 js替换成不同值 一、总结 一句话总结： 原理的话非常简单：就是【用一个函数来动态指定替换的内筒】 var result = str.replace(/<img.*?src="[^"]*"[^>]*>/ig, 【function(){i++; return "img" + i;}】)
阅读全文
摘要：机器学习西瓜书白话解读笔记 0201-0207、模型的评估与选择 一、总结 一句话总结： 【一起啃书】机器学习西瓜书白话解读：这个视频好短好短呀，【课程一定要短】这样课程非常非常好录，这样录出来的质量会非常好 这个up主喜欢说哒哒哒，这个讲课【很自在，好亲切】呀 1、留出法？ 就是很简单的两个互斥集
阅读全文
摘要：机器学习西瓜书笔记 2.1-2.2、模型评估与选择【2.1经验误差与过拟合、2.2评估方法】 一、总结 一句话总结： 当我不玩游戏的时候，我立马觉得整个人生充满【希望】 当我玩游戏的时候，我觉得整个天空都是【黑暗】的 1、错误率、精度、经验误差、泛化误差？ 【错误率】：通常我们把分类错误的样本数占样
阅读全文
摘要：use用法 一、总结 一句话总结： be used to do的意思是被用来做某事;be used to doing的意思是习惯于做某事. used to 过去常常做某事 You can use mind maps to teach 二、use用法 转自或参考：https://zhidao.baid
阅读全文
摘要：机器学习西瓜书笔记 1、绪论 一、总结 一句话总结： 【书上要比别人的总结好理解的多】：别人说来真觉浅，还需自己来深读 机器学习辅助2012年美国大选奥巴马以及自动驾驶，其实都非常无比的说明【机器学习无比有前途，可以应用在生活的各个方面】 1、机器学习 通俗定义？ 机器学习正是这样一门学科，它致力于
阅读全文
摘要：机器学习西瓜书白话解读笔记 0101-0102、绪论基本概念 一、总结 一句话总结： 可以基于【思维导图】来讲课 【可以看视频，这样学的快，效果好，但是也要自己多看书】，因为很多东西别人讲不到，别人讲到的是别人的重点 1、一些基本概念？ 数据集、样本、【特征向量】、属性 2、有监督学习和无监督学习具
阅读全文
摘要：机器学习西瓜书白话解读笔记 0000、资料相关 一、总结 一句话总结： 【《机器学习实战》】：【机器学习实战】：b站上面有很多好视频：https://www.bilibili.com/video/BV1iE411y7BD?p=2 【《Hands-on Machine Learning with Sc
阅读全文
摘要：PCA数学原理 一、总结 一句话总结： PCA（Principal Component Analysis）是一种常用的数据分析方法。PCA通过【线性变换】将【原始数据变换为一组各维度线性无关的表示】，可用于提取数据的主要特征分量，常用于高维数据的降维。 那么如何选择这个方向（或者说基）才能尽量保留最
阅读全文
摘要：蒙特卡洛树简单介绍 一、总结 一句话总结： 2006年，Remi Coulom开发了一款叫做【Crazy Stone的围棋游戏】，该款游戏表现令人惊讶，斩获了好几个锦标赛冠军。【蒙特卡洛树就是该游戏的一个核心算法】。 从全局来看，蒙特卡洛树搜索的主要目标是：【给定一个游戏状态来选择最佳的下一步】。
阅读全文
摘要：201119西瓜书系列博客 12、计算学习理论 一、总结 一句话总结： 【计算机学习理论研究的是关于通过计算来进行学习的理论】，即【关于机器学习的理论基础，其目的是分析学习任务的困难本质】，为学习算法提供理论保证。 例如：【在什么条件下可进行有效的学习，需要多少训练样本才能获得较好的精度等】。 12
阅读全文
摘要：201119西瓜书系列博客 11、特征选择与稀疏学习 一、总结 一句话总结： 11.1、子集搜索与评价；11.2、过滤式选择；11.3、包裹式选择 11.4、嵌入式选择与L1正则化；11.5、稀疏表示与字典学习；11.6、压缩感知 11.1 子集搜索与评价 子集搜索 特征子集评价11.2 过滤式选择
阅读全文
摘要：201119西瓜书系列博客 10、降维与度量学习 一、总结 一句话总结： 【降维】是【将原高维空间嵌入到一个合适的低维子空间中】，接着在低维空间中进行学习任务； 【度量学习】则是【试图去学习出一个距离度量来等效降维的效果】，两者都是为了解决维数灾难带来的诸多问题。 也许大家最后心存疑惑，那kNN呢，
阅读全文
摘要：数据挖掘，机器学习，和人工智能的区别 一、总结 一句话总结： 数据挖掘，机器学习，和人工智能 这三者的区别主要是【目的不同】，其【手段(算法，模型)有很大的重叠】，所以容易混淆。 【数据挖掘 (data mining)】：【模式提取，大数据】： 有目的地从现有大数据中提取数据的模式(pattern)
阅读全文
摘要：201119西瓜书系列博客 9、聚类任务 一、总结 一句话总结： 9.1、聚类任务；9.2、性能度量；9.3、距离计算 9.4、原型聚类：以原型方式聚类 9.5、密度聚类：以密度方式聚类 9.6、层次聚类：以层次方式聚类 1、【9.1、聚类任务】？ 聚类试图将数据集中的【样本划分为若干个通常是不相交
阅读全文
摘要：201119西瓜书系列博客 8、集成学习 一、总结 一句话总结： 8.1、个体与集成：集成如何获得比单一学习器更好的性能 8.2、Boosting；8.3、Bagging与随机森林 8.4、结合策略：模型集成在一起的策略 8.5、多样性：增强多样性 1、集成学习 介绍？ 集成学习(ensemble
阅读全文
摘要：201119西瓜书系列博客 7、贝叶斯分类器 一、总结 一句话总结： 7.1、贝叶斯决策论；7.2、极大似然估计 7.3、朴素贝叶斯分类器 7.4、半朴素贝叶斯分类器 7.5、EM方法 1、贝叶斯公式？ $$P ( B _ { i } | A ) = \frac { P ( B _ { i } )
阅读全文
摘要：201119西瓜书系列博客 6、支持向量机 一、总结 一句话总结： 支持向量机（Support Vector Machine），简称SVM，是一种经典的【二分类模型】，属于监督学习算法。 1、【6.1、间隔与支持向量】？ 介绍了支持向量机的目标是确定一个对样本的分类结果最鲁棒的线性分类器，即找到一个
阅读全文
摘要：201119西瓜书系列博客 5、神经网络 一、总结 一句话总结： 5.2 感知机与多层网络 5.3 误差逆传播算法 5.4 全局最小与局部极小 5.5 深度学习 1、阶跃函数？ $$\operatorname { sgn } ( x ) = \left\{ \begin{array} { l l }
阅读全文
摘要：201119西瓜书系列博客 4、决策树 一、总结 一句话总结： 决策树学习的【目的是为了产生一棵泛化能力强】，即处理未见示例能力强的决策树，其基本流程遵循简单且直观的【分而治之（divide-and-conquer）】策略。 1、决策树的结构？ 一般的，决策树包含一个【根结点，多个内部结点和多个叶结
阅读全文
摘要：201119西瓜书系列博客 3、线性模型 一、总结 一句话总结： 线性模型：试图学得一个通过属性的线性组合来进行预测的函数，即：$$f ( x ) = w _ { 1 } x _ { 1 } + w _ { 2 } x _ { 2 } + \ldots + w _ { d } x _ { d } +
阅读全文
摘要：201119西瓜书系列博客 2、模型评估与选择 一、总结 一句话总结： 要善于凭借，这样万利无害 1、【2.2、学习器泛化误差评估方法】 留出法？ 【“留出法”（hold-out）直接将数据集D划分为两个互斥的集合】，其中一个集合作为训练集S，另一个作为测试集T，即D=S∪T，S∩T=Φ。在S上训练
阅读全文
摘要：legend3 阿里云中买的服务器配置HTTPS证书（201120） 一、总结 一句话总结： 如果是【网站配置https】，就是【下载证书放apache，配置apache的那一套】，如果这个时候开了cdn加速，还要去cdn里面配置一下证书 如果是【cdn配置https】，则【直接在cdn的https
阅读全文
摘要：201119西瓜书系列博客 1、绪论 一、总结 一句话总结： 要善于凭借，这样万利无害 1、为什么未标记的数据照样很有用？ 通常假设样本空间中全体样本服从某个未知分布，我们获得的每个样本都是独立地从这个分布上采样获得的【（即“独立同分布”）】 一般而言：【训练样本越多 ——> 得到关于该未知分布的信
阅读全文
摘要：201119西瓜书系列博客 16、强化学习 一、总结 一句话总结： 强化学习（【Reinforcement Learning】，简称【RL】）是机器学习的一个重要分支，前段时间人机大战的主角【AlphaGo正是以强化学习为核心技术】。 在强化学习中，包含两种基本的元素：【状态与动作】，【在某个状态下
阅读全文
摘要：AlphaGo原理浅析 一、总结 一句话总结： 正如人类下棋那般【“手下一步棋，心想三步棋”】，Alphago也正是这个思想 【当处于一个状态时，机器会暗地里进行多次的尝试/采样】，并基于反馈回来的结果信息改进估值函数，从而最终通过增强版的估值函数来选择最优的落子动作。 1、AlphaGo的三大核心
阅读全文
摘要：201116西瓜书机器学习系列 16、强化学习 一、总结 一句话总结： 【强化学习的应用非常非常广泛】 【AlphaGo代表着双人完美信息零和游戏。AlphaGo在围棋这么难的问题上取得了举世瞩目的成绩；AlphaGo是人工智能的一个里程碑。】 【Deepmind AlphaStar打败了星际争霸人
阅读全文
摘要：201119西瓜书系列博客 13、半监督学习 一、总结 一句话总结： 【主动学习仍需交互】：显然，主动学习需要与外界进行交互/查询/打标，其本质上仍然属于一种监督学习。 【无标记数据其实大有裨益】：事实上，无标记样本虽未包含标记信息，但它们与有标记样本一样都是【从总体中独立同分布采样得到】，因此它们
阅读全文
摘要：201119西瓜书系列博客 14、概率图模型 一、总结 一句话总结： 机器学习的核心在于【根据一些已经观察到的证据(例如训练样本)来对未知变量进行估计和预测】。 其中【基于概率的模型】将学习任务归结为【计算变量的概率分布】，正如之前已经提到的：【生成式模型先对联合分布进行建模，从而再来求解后验概率】
阅读全文
摘要：201119西瓜书系列博客 15、规则学习 一、总结 一句话总结： 【规则学习】是【从训练数据中】学习出一组【能用于对未见示例进行判别的规则】 【规则】本身是一个【贪心的搜索过程】 形式化地看，一条规则形如：$$\oplus \leftarrow f _ { 1 } \wedge f _ { 2 }
阅读全文
摘要：201116西瓜书机器学习系列 14、概率图模型 一、总结 一句话总结： 概率图模型：一类用【图】来【表达变量关系】的模型 从【有向图模型】到【无向图模型】，到学习与推断 1、马尔科夫假设？ 概率图中各个状态的变化，【只与他的临近前一个状态相关】 $$P ( i _ { t } | i _ { 1
阅读全文
摘要：201116西瓜书机器学习系列 13、半监督学习 一、总结 一句话总结： 监督学习就是有feature有label，无监督学习只有feature没有label，半监督学习就是【部分数据有label，部分数据每有label】 半监督学习和主动学习的区别是没有【专家系统】 1、半监督学习 常用方法？ 可
阅读全文
摘要：201116西瓜书机器学习系列 12、计算学习理论 一、总结 一句话总结： 计算学习理论：研究【泛化误差】和【经验误差】之间的【逼近程度】 1、PAC可学习？ PAC可学习：以较大概率【预测】到【满足预测误差上限】的模型 2、量化假设空间的复杂度的方法？ 【VC维和Rademacher复杂度】 3、
阅读全文
摘要：201116西瓜书机器学习系列 11、特征选择 一、总结 一句话总结： 特征选择的【步骤】，特征选择的【方法】 1、稀疏学习？ 2、信息增益如何做特征选择？ 【信息增益越大，特征越重要】 3、过滤式特征选择：代表算法Relief（Relevant Feature）？ Relief原理：【能区分开目标
阅读全文
摘要：js正则常用方法总结 一、总结 一句话总结： js正则对象操作正则常用方法：通常【对于一个正则对象】来讲，我们能够使用的方法基本上有三个，【即regObj.test,regObj.exec及regObj.compile】 JS中的【String类型】的对象也拥有一些和正则相关的方法：【search方
阅读全文
摘要：201116西瓜书机器学习系列 10、降维 一、总结 一句话总结： 先讲一个【引子：k-nearst labor】，然后讲【降维方法】，有【线性和非线性两种】，然后是度量学习 1、降维常见方法？ 降维方法主要是【线性和非线性两种】，线性的里面有我们熟知的【主成分分析PCA】 2、K近邻学习？ K近邻
阅读全文
摘要：legend2 js生成随机16进制颜色 一、总结 一句话总结： 还是要【一位一位】生成16进制颜色比较方便，如果两位一起，就会导致【颜色少位】情况，比如#5e1a3 【for i...0->5; '#'+=Math.floor(Math.random()*(n_max-n_min+1)+n_min
阅读全文
摘要：201116西瓜书机器学习系列 9、聚类 一、总结 一句话总结： 1、聚类理论基础？ 2、聚类方法？ 3、聚类性能度量？ 聚类的性能度量主要分为【外部指标】和【内部指标】 聚类的基本想是：【簇内相似度高，簇外相似度低】 4、聚类距离计算？ 聚类距离计算分为 【有序属性、无序属性、混合属性（有序和无序
阅读全文
摘要：201116西瓜书机器学习系列 8、集成学习 一、总结 一句话总结： 1、继承学习理论基础？ 个体与集成的关系、模型结合策略、多样性 2、集成学习有哪些方法？ 3、个体与集成的关系？ 4、模型结合策略？ 5、模型的多样性？ 6、AdaBoost实例：怎么判断是否是苹果问题？ 【找特征->错误放大 的
阅读全文
摘要：legend2 某些js代码电脑浏览器支持，手机浏览器不支持的调试 一、总结 一句话总结： 出错原因是最新版的chrome支持replaceAll方法，而【js中是没有replaceAll方法】的 在代码中间【加alert语句，以找到到底是哪里出错】 alert(33333);每次这个【alert里
阅读全文
摘要：legend2 做题页的每个题目对应的答案重点标颜色 一、总结 一句话总结： 原理是直接把【替换成<span style="color:#ff0000">，将】替换为<span> 【注意点是把文本节点append到原节点，这样元素样式的这些代码才发挥作用】：$(this).append(text);
阅读全文
摘要：legend2 jquery重新渲染某元素 一、总结 一句话总结： append() 方法在被选元素的结尾（仍然在内部）插入指定内容。 【$(this).append(text);】//修改好的文字作为文本节点加进去，也就是普通文字 二、jquery重新渲染某元素 博客对应课程的视频位置： <!--
阅读全文
摘要：EM算法总结 一、总结 一句话总结： EM算法也称【期望最大化（Expectation-Maximum,简称EM）】算法， 它是一个基础算法，【是很多机器学习领域算法的基础】，比如隐式马尔科夫算法（HMM）， LDA主题模型的变分推断等等。 1、EM算法要解决的问题？ 我们经常会从样本观察数据中，找
阅读全文
摘要：201116西瓜书机器学习系列 7、贝叶斯分类器 一、总结 一句话总结： 为什么贝叶斯可以解决分类问题：【贝叶斯决策论】 贝叶斯决策论目标：【讲述为什么贝叶斯可以用来分类】 贝叶斯决策论核心思想：【如果每个样本都能条件风险最小化，则整体条件风险也就最小化了】 1、贝叶斯 公式？ P(c)：【先验概率
阅读全文
摘要：201116西瓜书机器学习系列 6、svm 一、总结 一句话总结： 基础svm解决了线性可分问题，提高维度可以让问题可分，但是可能会有维度爆炸的问题 核函数解决了维度爆炸的问题 软间隔解决了噪音问题 1、svm基本原理？ 寻找一个最好的超平面，将样本分开 在每个点分类正确基础上，最大化距离 2、sv
阅读全文
摘要：each和every有什么区别 一、总结 一句话总结： every和each都可以解释成“每个”，every强调的是一个【整体】的概念，而each强调的是【个别】的人或事物 一、词性不同：each可以作不定代词、形容词或副词，而every只能作形容词。Each of the computers ha
阅读全文
摘要：people和person的区别总结 一、总结 一句话总结： 1. people 表示“人”，【是一个只表示复数意义的可数名词】(注意不用词尾 -s)，可以说 some people(一些人), many people(许多人)等，【但不能说 a people 或 one people】。 2. p
阅读全文
摘要：sound和voice的区别总结 一、总结 一句话总结： sound作“声音”,“响声”讲时,可以指人或动物发出的声音,或物体碰撞的声音。这个词的使用范围很大。【大自然的任何“声音”都可以用sound】。 At midnight he heard a strange sound. voice一般指【
阅读全文
摘要：201116西瓜书机器学习系列 5、神经网络 一、总结 一句话总结： 1、神经网络核心方法？ 2、正则化？ 二、内容在总结中 博客对应课程的视频位置：
阅读全文
摘要：201116西瓜书机器学习系列 4、决策树 一、总结 一句话总结： 决策树概念：基于树模型做决策；每个节点对应某个属性；每个分支对应可能的结果；叶子节点对应预测结果 决策树基本流程：分而治之，自根至叶的递归过程 1、决策树步骤？ 划分选择、剪枝处理、连续与缺失值的选择 2、决策树 其它？ 多变量决策
阅读全文
摘要：信息熵通俗解释 一、总结 一句话总结： 【不确定性叫做熵】：当一件事情（宏观态）有多种可能情况（微观态）时，这件事情（宏观态）对某人（观察者）而言具体是哪种情况（微观态）的不确定性叫做熵（entropy） 【消除不确定性的叫信息】：而能够消除该人做这件事情（宏观态）不确定性的事物叫做信息 【熵和信息
阅读全文
摘要：201116西瓜书机器学习系列 2、模型评估 一、总结 一句话总结： 1、经验误差vs泛化误差？ 经验误差：在训练集上面的误差-对应训练集数据 泛化误差：在“未来”样本上的误差-对应测试集数据 验证集是用来做什么的：验证超参数 2、混淆矩阵？ 3、偏差和方差？ 4、复杂模型的方差和偏差情况？ 模型越
阅读全文
摘要：201116西瓜书机器学习系列 1、绪论 一、总结 一句话总结： 1、机器学习做什么（常用案例）？ 互联网推荐：比如淘宝、今日头条等给用户做的个性推荐 自动驾驶：现在的自动驾驶比较成熟了，5g的出现可能会进一步提升，因为降低了延迟 帮助川建国赢得大选：通过机器学习模型，对选民进行精准分群，提升广告投
阅读全文
摘要：js中null和undefined的区别 一、总结 一句话总结： 【最初只设置了null作为表示"无"的值】：1995年JavaScript诞生时，最初像Java一样，只设置了null作为表示"无"的值。根据C语言的传统，null被设计成可以自动转为0。但是，JavaScript的设计者Brenda
阅读全文
摘要：ajax和pjax有什么区别 一、总结 一句话总结： pjax 的【核心其实还是 ajax】，所以如果是 ajax 去做这种局部 html 刷新的话需要写更多的代码，而 pjax 已经做的很好了。 pjax 是一个 【jQuery 插件】，它通过 【ajax 和 pushState 技术提供了极速的
阅读全文
摘要：html5中的web存储 一、总结 一句话总结： html5中的web存储就是sessionStorage和localStorage，使用非常非常简单 localStorage.fry_videojs_playbackRate=this.playbackRate(); 1、sessionStorag
阅读全文
摘要：matplotlib库疑难问题 11、画动态直方图 一、总结 一句话总结： 动态画直方图的原理非常简单：就是不断的清除画布的图像，生成新的图像，只要速度足够快，眼睛追不上，那么我们看到的就是动画 import numpy as np import matplotlib.pyplot as plt %
阅读全文
摘要：legend3 videojs存储视频的播放速率便于用户观看视频 一、总结 一句话总结： 用户改变速率的时候存储视频播放速率到本地localStorage：this.on("ratechange", function(){localStorage.fry_videojs_playbackRate=t
阅读全文
摘要：legend3 mathjax的动态渲染问题解决 一、总结 一句话总结： MathJax.Hub.Queue(["Typeset",MathJax.Hub,math]); If you are writing a dynamic web page where content containing m
阅读全文
摘要：matplotlib库疑难问题 10、画直方图 一、总结 一句话总结： plt.hist(data, bins=5)：data表示画直方图的数据，比如data=[1,4,3,2,4,1,4,6,3,2,1,4,6]，bins用于指定直方图中条条的条数 import matplotlib.pyplot
阅读全文
摘要：matplotlib库疑难问题 9、画箭头（综合实例） 一、总结 一句话总结： 画箭头：ax.annotate("", xy=(x_list[i]-0.1, y2_mean), xytext=(x_list[i]-0.1, y2_list[i]),arrowprops=dict(arrowstyle
阅读全文
摘要：js释放图片资源 一、总结 一句话总结： 一般引用没有的时候浏览器会自动释放，如果浏览器没有主动释放，调用浏览器给它释放掉就好 二、js释放图片资源 转自或参考：https://segmentfault.com/q/1010000019286572 前端图片占用的内存什么时候被释放? img标签被动
阅读全文
摘要：javascript中的原型与原型链 一、总结 一句话总结： 【prototype属性】：在JavaScript中，每个对象都有一个prototype属性，这个属性指向函数的原型对象。 二、javascript——原型与原型链 转自或参考：javascript——原型与原型链https://www.
阅读全文
摘要：前端跨域方式 一、总结 一句话总结： CORS支持所有类型的HTTP请求，是跨域HTTP请求的根本解决方案 JSONP只支持GET请求，JSONP的优势在于支持老式浏览器，以及可以向不支持CORS的网站请求数据。 不管是Node中间件代理还是nginx反向代理，主要是通过同源策略对服务器不加限制。
阅读全文
摘要：matplotlib清除 axes 和 figure 一、总结 一句话总结： plt.cla() # 清除axes，即当前 figure 中的活动的axes，但其他axes保持不变。 plt.clf() # 清除当前 figure 的所有axes，但是不关闭这个 window，所以能继续复用于其他的
阅读全文
摘要：matplotlib画直方图细解 一、总结 一句话总结： n1, bins1, patches1 = plt.hist(x1, bins=50, density=True, color='g', alpha=1) 1、n1, bins1, patches1 = plt.hist(x1, bins=5
阅读全文
摘要：概率论疑难问题 6、极大似然估计 一、总结 一句话总结： 极大就是最大，似然就是可能性，估计就是估计，所以连在一起就是最大可能性估计，也就是对于参数的最大可能性估计。 极大似然估计，通俗理解来说，就是利用已知的样本结果信息，反推最具有可能（最大概率）导致这些样本结果出现的模型参数值！ 二、极大似然估
阅读全文
摘要：概率论疑难问题 5、通俗理解中心极限定理 一、总结 一句话总结： 中心极限定理（CLT）指出，如果样本量足够大，【则变量均值的采样分布将近似于正态分布，而与该变量在总体中的分布无关】。 二、通俗理解中心极限定理 博客对应课程视频位置：5、通俗理解中心极限定理-范仁义-读书编程笔记https://ww
阅读全文
摘要：matplotlib画直方图 一、总结 一句话总结： a=np.array([1,4,3,2,4,1,4,6,3,2,1,4,6]) plt.hist(a, bins=5, color='g', alpha=0.75) # hist:绘制直方图 # 也就是1-2之间有几个数，2-3之间有几个数 二、
阅读全文
摘要：numpy数组添加元素 一、总结 一句话总结： arr1=np.array([]) # 注意要复制给arr1，返回值才是改变了的数组 arr1=np.append(arr1,1) 二、numpy数组添加元素 转自或参考： arr1=np.array([]) # 注意要复制给arr1，返回值才是改变了
阅读全文
摘要：概率论疑难问题 4、通俗理解概率论中的“矩” 一、总结 一句话总结： 在概率论中，有一杆无处不在的“秤”。因为这把“秤”的存在，所以我们有了“矩”。 比如彩票中奖，5元10%几率，100元0.5%几率，500万0.00001%几率，矩公式可以表示为：$$5 \times 10 \% + 100 \t
阅读全文
摘要：概率论疑难问题 2、通俗理解泊松分布 一、总结 一句话总结： 二、通俗理解泊松分布 博客对应课程视频位置：2、通俗理解泊松分布-范仁义-读书编程笔记https://www.fanrenyi.com/video/45/385 1、卖包子 给大家讲讲我爸爸职业的故事。 做木匠->开车->卖包子->卖包子
阅读全文
摘要：人均收入是正态分布么 一、总结 一句话总结： |||-begin我们知道自然界很多事物符合正态分布，比如人的身高，智力，外貌，甚至高考成绩。不知道中国人的收入是否服从正态分布呢？如果是，岂不是说中国不是金字塔社会而是橄榄球社会。|||-end 中心极限定理说：大量相互独立的随机变量的均值，符合正态分
阅读全文
摘要：通俗易懂理解概率论中的“矩” 一、总结 一句话总结： 在概率论中，有一杆无处不在的“秤”。因为这把“秤”的存在，所以我们有了“矩”。 1.5=5×10%+100×0.5%+5000000×0.00001%
二、如何理解概率论中
阅读全文
摘要：心得体悟帖 201111（moderate） 一、总结 一句话总结： moderate rain 中雨 The hotel is moderate in its charges. Moderation is the key to good health. moderate/'mɒd(ə)rət/ad
阅读全文
摘要：matplotlib画箭头 一、总结 一句话总结： ax.annotate("", xy=(1-0.1, 6), xytext=(1-0.1, 9),arrowprops=dict(arrowstyle="<->")) arrowstyle="<->" 表示双向箭头 二、matplotlib画箭头
阅读全文
摘要：matplotlib画图xticks设置为字母 一、总结 一句话总结： plt.xticks(np.arange(6), ('','t1', 't2', 't3', 't4', 't5')) 很多时候都可以去看帮助文档，里面介绍的非常详细 二、matplotlib画图xticks设置为字母 博客对应
阅读全文
摘要：matplotlib画图的颜色及线条详解 一、总结 一句话总结： 有linestyle可选参数、marker可选参数、color可用的颜色 二、python中matplotlib的颜色及线条控制（转） 转自：python中matplotlib的颜色及线条控制https://www.cnblogs.c
阅读全文
摘要：matplotlib去掉边框 一、总结 一句话总结： 去掉上边框：ax.spines['top'].set_visible(False) fig, ax = plt.subplots() # 取消边框 for key, spine in ax.spines.items(): # 'left', 'r
阅读全文
摘要：matplotlib库疑难问题 8、几个点画曲线 一、总结 一句话总结： 原理：几个点画曲线的原理和我们日常直接画曲线一样，就是在这几个点之间多造一些点，直接在x数据的最小值和最大值之间造一些x数据，然后用scipy.interpolate模块的 make_interp_spline函数造x对应的y
阅读全文
摘要：matplotlib库疑难问题 7、去掉刻度和边框 一、总结 一句话总结： 去掉x轴刻度：将x轴的刻度置为空列表即可：plt.xticks([]) 去掉上边框：ax.spines['top'].set_visible(False) 二、matplotlib库去掉刻度和边框 博客对应课程的视频位置：7
阅读全文
摘要：matplotlib同时显示中文和特殊符号 一、总结 一句话总结： 直接分开写，加号连接即可 plt.text(0.1,6,r'x均值'+r'$:\mu_x$', fontdict={'size':16,'color':'r'}) 1、matplotlib中使用TeX标记？ 你可以在任何 matpl
阅读全文
摘要：matplotlib指定线条的颜色以及标记 一、总结 一句话总结： color颜色 marker标记，markersize为标记大小 linestyle线样式，linewidth线宽 plt.plot(x,y,color='red', marker='o', linestyle='dashed',l
阅读全文
摘要：from scipy.interpolate import spline报错ImportError: cannot import name ‘spline‘ 一、总结 一句话总结： 导入make_interp_spline而不是spline，spline这个函数现在没了 from scipy.int
阅读全文
摘要：matplotlib几个点画曲线 一、总结 一句话总结： 原理是引入scipy.interpolate的 make_interp_spline函数 在x的最小值和最大值中生成300个点 x_smooth = np.linspace(x.min(),x.max(),300) #300 represen
阅读全文
摘要：理解正态分布 一、总结 一句话总结： 让我们来看一个披萨外卖的例子。假设一家披萨餐厅的平均配送时间为30分钟，标准偏差为5分钟。【根据经验法则，我们可以确定68%的交付时间在25-35分钟(30 +/- 5)之间，95%在20-40分钟(30 +/- 2*5)之间，99.7%在15-45分钟(30
阅读全文
摘要：泊松分布到底是什么 一、总结 一句话总结： 【状态更新的过程】：其实泊松分布描述的就是一个状态更新的过程，举个简单的例子，离散情况下的泊松过程 【排队问题】：比如在等公交车排队，只有一个队伍，0时刻是没有人的，来了一个人，那么就变成1个人了，状态更新为1,过了段时间又来了一个人，就变成2人，状态又更
阅读全文
摘要：通俗易懂理解指数分布 一、总结 一句话总结： 卖包子的时间间隔符合 指数分布 本例中指数分布的意义：如果知道这个时间间隔，老板也好调整自己的服务员人数（时间间隔短，那么需要的服务人员就多，反之需要的就少），优化成本结构。 1、当λ较小的时候，比如说λ=1吧，也就是说一天只卖出一个馒头，那么馒头卖出间
阅读全文
摘要：如何理解海森堡的「不确定性原理」（总结） 一、总结 一句话总结： 海森堡紧跟着给出“测不准原理”：【越精确地知道位置，则越不精确地知道动量】 不确定性原理”的意思是：【一个运动粒子的位置和它的动量不可被同时确定】。 1、“测不准原理”的波粒二象性 解释？ 因为电子等有波粒二象性，就是既有粒子的性质，
阅读全文
摘要：如何求方差 一、总结 一句话总结： 方差公式：σ2=∑(x−μ)2N
初中：方差等于各个数据与其算数平均值的离差平方和的平均数。 【公式推导：DX=E(X^2)-(EX)^2】：利用DX=E(X^2)
阅读全文
摘要：均值和期望一样吗 一、总结 一句话总结： 概率是频率随样本趋于无穷的极限 期望是平均数随样本趋于无穷的极限 均值强调当前取少量样本的平均，而期望强调的是无穷性（也就是在无穷样本数取值的预估） 1、为什么说期望就是平均数随样本趋于无穷的极限？ 如果我们掷了无数次的骰子，然后将其中的点数进行相加，然后除
阅读全文
摘要：最大似然估计（MLE）的最大后验概率估计（MAP）区别详解 一、总结 一句话总结： 最大似然估计（Maximum likelihood estimation, 简称MLE）和最大后验概率估计（Maximum a posteriori estimation, 简称MAP）是很常用的两种【参数估计方法】
阅读全文
摘要：PHP中的CURL库 一、总结 一句话总结： curl是PHP的一个扩展，利用该扩展可以实现服务器之间的数据或文件传输，也就是说curl就是一个工具，【用来做服务器之间数据、文件传输的工具】 【用来采集网络中的html网页文件、其他服务器提供接口数据等】 二、PHP使用CURL详解 转自或参考：PH
阅读全文
摘要：先验概率、最大似然估计、贝叶斯估计、最大后验概率 一、总结 一句话总结： 1、先验概率和后验概率？ P(A|B)=P(B|A)*P(A)/P(B) P(A)是A的先验概率或边缘概率，称作"先验"是因为它不考虑B因素。 P(A|B)是已知B发生后A的条件概率，也称作A的后验概率。 P(B|A)是已知A
阅读全文
摘要：贝叶斯法则和贝叶斯公式 一、总结 一句话总结： 贝叶斯法则（定理）：p(A|B)=P(B|A)×p(A)P(B)
全概率公式：$$P ( B ) = \sum _ { i = 1 } ^ { n } P ( M _
阅读全文
摘要：为什么样本方差（sample variance）的分母是 n-1 一、总结 一句话总结： 为1/n的分布倾向于低估σ^2，所以选1/(n-1) 【实际算出来就是n/(n-1)这样的关系】：$$E [ \frac { 1 } { n } \sum _ { i = 1 } ^ { n } ( X _ {
阅读全文
摘要：最大似然估计 一、总结 一句话总结： 极大似然估计：就是总体的某些参数未知，通过样本取样来估计这些参数，极大就是最大，似然就是可能性，合起来就是对参数的最大可能性估计 极大似然估计中的似然 就是估计参数，比如人口身高正态分布中的 均值和标准差 1、参数估计（似然函数） 概率图（实例）？ 二、最大似然
阅读全文
摘要：为什么正态分布如此常见 一、总结 一句话总结： 【Normal Distribution】：正态分布的英文名为：Normal Distribution，台湾翻译为常态分布，可见一斑。 【数学定理或经验公式】：每个人都相信它（正态分布）：实验工作者认为它是一个数学定理，数学研究者认为他是一个经验公式。
阅读全文
摘要：无偏估计量通俗易懂理解 一、总结 一句话总结： 概率论中的无偏估计中的偏就是机器学习中我们常常遇见的偏差bias，方差也是对应的 二、无偏估计量通俗易懂理解（转） 转自：https://www.matongxue.com/madocs/808 现实中常常有这样的问题，比如，想知道全体女性的身高均值，
阅读全文
摘要：联合概率、边缘概率、条件概率 概念总结 一、总结 一句话总结： 条件概率：设A,B是两个事件，且P(B)>0,则在事件B发生的条件下，事件A发生的条件概率（conditional probability)为：P(A|B)=P(AB)/P(B) 联合概率：联合概率指的是包含多个条件且所有条件同时成立的
阅读全文
摘要：概率论疑难问题 1、通俗理解全概率公式和贝叶斯公式 一、总结 一句话总结： 全概率就是表示达到某个目的，有多种方式，每种方式又有对应的成功率，问达到目的的概率是多少？具体做法就是把达到目的的所有情况的概率加起来就好 全概率公式：$$P ( B ) = \sum _ { i = 1 } ^ { n }
阅读全文
摘要：宋浩《概率论与数理统计》笔记 概率论总结 一、总结 一句话总结： 【基本概念】：概率论也就是先讲概率的一些基本知识，然后讲随机变量和一些常用的分布 【一维】：一维的分布将完了，肯定要讲多维的分布的，然后要讲一些期望和方差等数字特征 【一般规律】：然后讲事情的一般规律（也就是大数定理和中心极限定理）
阅读全文
摘要：宋浩《概率论与数理统计》笔记 查漏补缺 一、总结 一句话总结： 弄完什么东西之后，总结的过程或者说查漏补缺的过程特别特别重要，这样做了之后，那些东西才能真正变成你的 1、随机变量的概念？ 【点与数字联系起来】：为了便于描述和解决问题，往往需要对每一个可能的结果指定一个数值，随机变量可以将样本空间中的
阅读全文
摘要：宋浩《概率论与数理统计》笔记 7.2、点估计的优良性准则 一、总结 一句话总结： 点估计的优良性准则：无偏性：估计值的期望 是它的真实的值 1、点估计的优良性准则：实例？ 2、置信区间两个关键变量？ 1、区间长度；2、以多大概率落在区间中 二、内容在总结中 博客对应课程的视频位置：
阅读全文
摘要：宋浩《概率论与数理统计》笔记 7.1.2、参数估计-极大似然估计 一、总结 一句话总结： 概率大的事件比概率小的事件更容易发生 将使A发生的P最大的参数值作为估计值 极大似然估计：就是总体的某些参数未知，通过样本取样来估计这些参数，极大就是最大，似然就是可能性，合起来就是对参数的最大可能性估计 1、
阅读全文
摘要：宋浩《概率论与数理统计》笔记 7.1.1、参数估计-点估计 一、总结 一句话总结： 参数估计：【就是用样本的值来猜总体分布的参数值】：用样本构造函数来估计参数的值 比如班上同学身高服从正态分布，但是这个正态分布的均值μ和方差σ^2我们不知道，这个时候我们可以取80个同学测身高，会得到一个具体的正态分
阅读全文
摘要：正态分布、卡方分布、t分布、F分布是什么 一、总结 一句话总结： 正态分布：若随机变量X服从一个数学期望为μ、方差为σ2的高斯分布，记为N(μ，σ2)。其概率密度函数为正态分布的期望值μ决定了其位置，其标准差σ决定了分布的幅度。 二、正态分布、卡方分布、t分布、F分布是什么 具体可以去参照这篇博客：
阅读全文
摘要：宋浩《概率论与数理统计》笔记 6.2.1、统计量定义 一、总结 一句话总结： 统计量定义：不含任何未知参数的样本的函数。 1、常用统计量？ 均值、样本方差、标准差、原点矩、中心距等都是常用统计量 2、样本均值和样本方差的性质？ X上面一条线是样本的均值，所以第一个的意思就是样本的均值也是μ，第二个就
阅读全文
摘要：宋浩《概率论与数理统计》笔记 6.1、总体与样本 一、总结 一句话总结： 总体就是全体集合，样本就是抽的样本 1、样本变量与样本观测值？ 样本变量是Xi，样本观测值是xi 2、总体与样本 性质？ 都是这样直接乘开，无论连续型还是离散型 3、总体与样本：实例？ 最后面那部分，就是按性质直接乘开 二、内
阅读全文
摘要：宋浩《概率论与数理统计》笔记 5.2、中心极限定理 一、总结 一句话总结： 中心极限定理：大量独立同分布的变量和的极限分布是正态分布：如果样本量足够大，则变量均值的采样分布将近似于正态分布，而与该变量在总体中的分布无关。 标准化之后，期望为0，方差为1，没标准化的话，期望为为nμ，方差为nσ^2 1
阅读全文
摘要：PHP使用curl替代file_get_contents 一、总结 一句话总结： 【不要用file_get_contents采集内容】：初学php的朋友们,很容易翻一个错误，在写采集程序或者调用api接口总会有线考虑到使用file_get_contents函数来获取内容 【file_get_cont
阅读全文
摘要：PHP中的ini_set() 函数 一、总结 一句话总结： 【在函数执行的时候生效】：PHP ini_set用来设置php.ini的值，在函数执行的时候生效，对于虚拟空间来说，很方便 设置user_agent：ini_set('user_agent','Mozilla/5.0 (Windows NT
阅读全文
摘要：通俗理解中心极限定理 一、总结 一句话总结： 中心极限定理（CLT）指出，如果样本量足够大，【则变量均值的采样分布将近似于正态分布，而与该变量在总体中的分布无关】。 1、0-1均匀分布取点例子？ 随着我们从均匀分布中抽取越来越多的随机样本，并在直方图上绘制样本均值，我们得到一个正态分布结果如下(见右
阅读全文
摘要：宋浩《概率论与数理统计》笔记 5.1.2、切比雪夫大数定理 一、总结 一句话总结： 变量均值收敛于期望均值 1、依概率收敛？ 收敛就是不断逼近 依概率收敛就是主体趋势还是不断逼近，但是时不时就有几个点崩出来，但是不影响整体节奏 二、内容在总结中 博客对应课程的视频位置：
阅读全文
摘要：切比雪夫大数定律、伯努利大数定律、辛钦大数定律三者关系 一、总结 一句话总结： 伯努利大数定律是人类历史上第一个严格证明的大数定律，它是辛钦大数定律的特殊情况。 【互不特例】：切比雪夫大数定律和辛钦大数定律针对的是两种不同的情况，谁也不是谁的特例。 1、伯努利大数定律？ 【历史意义】：伯努利大数定律
阅读全文
摘要：宋浩《概率论与数理统计》笔记 5.1、大数定理 一、总结 一句话总结： 大数定理：大量重复试验的平均结果（期望）的稳定性。 切比雪夫不等式：描述了这样一个事实，事件大多会集中在平均值附近。 1、切比雪夫不等式？ 切比雪夫不等式：描述了这样一个事实，事件大多会集中在平均值附近。 切比雪夫不等式 就是期
阅读全文
摘要：切比雪夫不等式 一、总结 一句话总结： 【事件大多会集中在平均值附近】：切比雪夫不等式，描述了这样一个事实，事件大多会集中在平均值附近。 切比雪夫不等式：P(|X−μ|≥kσ)≤1k2
其中 k>0
阅读全文
摘要：宋浩《概率论与数理统计》笔记 4.5、中心矩与原点矩 一、总结 一句话总结： 原点矩：EX^k，期望是EX，所以期望是一阶原点矩 中心矩：E(X-EX)^k：一阶中心距E(X-EX)^1=EX-EX=0；二阶中心距E(X-EX)^2 就是方差 中心矩以EX为中心：E(X-EX)^k 原点矩是因为以原
阅读全文
摘要：宋浩《概率论与数理统计》笔记 4.4.2、相关系数 一、总结 一句话总结： 相关系数就是衡量和变量X,Y之间的相关关系 相关系数：就是协方差除以两个的标准差 1、相关系数：例子？ 第一个是期望性质，第二个是相关系数公式 2、相关系数性质？ |ρ|<=1 ρ=1，X,Y完全正相关，Y=2X-3，就是你
阅读全文
摘要：协方差和相关系数通俗理解 一、总结 一句话总结： 【协方差表示两变量的关系】：协方差可以通俗的理解为：两个变量在变化过程中是同方向变化？还是反方向变化？同向或反向程度如何？ 【相关系数看做特殊协方差】：相关系数就是用X、Y的协方差除以X的标准差和Y的标准差，相关系数也可以看成协方差：一种剔除了两个变
阅读全文
摘要：宋浩《概率论与数理统计》笔记 4.4.1、 协方差 一、总结 一句话总结： Cov(X,Y)=E(XY)-EXEY 1、协方差：实例：二维离散型变量？ 先求边缘分布，再按协方差公式Cov(X,Y)=E(XY)-EXEY来算 2、协方差：实例：二维连续型变量？ 和离散一样，也是先求边缘密度，再按协方差
阅读全文
摘要：宋浩《概率论与数理统计》笔记 4.3.2、 常见连续型的期望与方差 一、总结 一句话总结： 均匀分布：EX=(a+b)/2;DX=(b-a)^2/12 指数分布：EX=1/λ;DX=1/λ^2 正态分布：X~N(μ,σ^2)的期望就是μ，方差就是σ^2 1、均匀分布的期望和方差？ 均匀分布：期望EX
阅读全文
摘要：宋浩《概率论与数理统计》笔记 4.3.1、 常见离散型的期望与方差 一、总结 一句话总结： 0-1分布：EX=p;DX=pq 二项分布：EX=np;DX=npq：就相当于是n个0-1分布 几何分布：EX=1/p;DX=(1-p)/p^2 泊松分布：EX=λ;DX=λ 1、0-1分布的期望和方差？ 0
阅读全文
摘要：宋浩《概率论与数理统计》笔记 4.2.2、方差的性质 一、总结 一句话总结： 二、内容在总结中 博客对应课程的视频位置：
阅读全文
摘要：宋浩《概率论与数理统计》笔记 4.2.1、方差的定义 一、总结 一句话总结： 图中最下面的公式用的比较多，是根据方差的定义展开来推出来的 1、求离散随机变量的方差实例？ 2、求连续型随机变量的方差实例？ 3、方差和标准差的一种理解？ 方差：方也就是指的平方呗 标准差：标准估计就是说的量纲是标准的，因
阅读全文
摘要：宋浩《概率论与数理统计》笔记 4.1.5、条件期望 一、总结 一句话总结： 条件期望 就是如果有两个变量，一个变量取定了某个值的前提下，另一个变量的期望 二、内容在总结中 博客对应课程的视频位置：
阅读全文
摘要：宋浩《概率论与数理统计》笔记 4.1.4、数学期望的性质 一、总结 一句话总结： 一些题目要用数学期望的性质来做 1、数学期望的性质：实例？ 比如算E(X+Y)的时候，可以直接套用性质，也可以把X+Y的概率表示出来，再求期望 二、内容在总结中 博客对应课程的视频位置：
阅读全文
摘要：宋浩《概率论与数理统计》笔记 4.1.3、随机变量函数的数学期望 一、总结 一句话总结： 就是知道x的期望，此时Y=g(x)，求Y的期望 离散性的期望就是xi*pi求和，如果求Y，就是g(x)*pi求和 连续的也是一样，直接把x换成g(x) 1、连续型随机变量函数的期望例子？ 直接套用连续型随机变量
阅读全文
摘要：宋浩《概率论与数理统计》笔记 4.1.2、连续型变量的数学期望 一、总结 一句话总结： 就是对x*f(x)求积分，x是取值，f(x)是概率 1、连续型变量的数学期望 例子？ 就是直接套连续型变量的数学期望的公式就好 2、连续型变量的数学期望 先用后付款 例子？ 先套指数分布的公式算出概率，然后套连续
阅读全文
摘要：宋浩《概率论与数理统计》笔记 3.3.1、二维离散型随机变量函数的分布 一、总结 一句话总结： 就是把xy对应位置相乘就好，如果相同就加起来 二、内容在总结中 博客对应课程的视频位置：
阅读全文
摘要：宋浩《概率论与数理统计》笔记 3.2.4、随机变量的独立性 一、总结 一句话总结： 1、二维离散的独立性？ 比如独立就是右边，0.5*0.4=0.2，0.5*0.6=0.3，所有的都满足 二、内容在总结中 博客对应课程的视频位置：
阅读全文
摘要：宋浩《概率论与数理统计》笔记 3.2.3、连续型随机变量的条件分布 一、总结 一句话总结： 和离散型一样，也都是用联合密度比上边缘密度 1、连续型条件分布例子？ 二、内容在总结中 博客对应课程的视频位置：
阅读全文
摘要：宋浩《概率论与数理统计》笔记 3.2.2、离散型随机变量的条件分布 一、总结 一句话总结： 就是样本空间发生了改变 1、离散型随机变量的条件分布 公式？ 二、内容在总结中 博客对应课程的视频位置：
阅读全文
摘要：宋浩《概率论与数理统计》笔记 3.2.1、条件分布 一、总结 一句话总结： 条件分布就是在某条件之下发生的分布，比如某概率密度函数在x>1条件下的分布 1、条件分布实例？ 2、为什么要有条件分布？ 比如身高体重，身高限定在1.7，看体重的分布 二、内容在总结中 博客对应课程的视频位置：
阅读全文
摘要：宋浩《概率论与数理统计》笔记 3.1.3、二维连续型的联合分布和边缘分布 一、总结 一句话总结： 1、二维连续型的联合分布密度函数？ 2、二维连续型的联合分布密度函数 性质？ 3、二维连续型的联合分布 例子？ 式子中的C是提到外面了的，而对1做x和y积分就是pi*r的平方 4、二维连续型的联合分布
阅读全文
摘要：宋浩《概率论与数理统计》笔记 3.1.2、二维离散型的联合分布和边缘分布 一、总结 一句话总结： 二维离散型：X,Y取离散值 联合分布：离散的概率表：二维离散型随机变量(X,Y)的概率函数为联合分布 边缘分布：行或列求和：在二维离散型随机变量(X,Y)中，称分量X(或Y)的概率分布为(X,Y)的关于
阅读全文
摘要：宋浩《概率论与数理统计》笔记 3.1.1、二维随机变量及其分布函数 一、总结 一句话总结： 二维随机变量表示要研究的问题是两个。比如比如打靶弹着点x和y 【F(x,y)=P{X<=x,Y<=y}】：设(X,Y)为二维随机变量，x,y为任意实数，二元函数F(x,y)=P{X<=x,Y<=y}称为二维随
阅读全文
摘要：宋浩《概率论与数理统计》笔记 2.3.2、连续型随机变量函数的分布 一、总结 一句话总结： 设X的f_X(x)，y=g(x)，Y=g(X) 第一步：F_Y(x)=F_X(x)，两边对x求导 第二步：f_Y(x)=f_X(x)， 1、分布函数F(x)和概率密度函数f(x)的关系？ 分布函数求导是概率密
阅读全文
摘要：宋浩《概率论与数理统计》笔记 2.3.1、离散型随机变量函数的分布 一、总结 一句话总结： 已知X是某分布，比如求Y=3X+5的分布。 1、已知x是如下离散分布，求Y=X^2的分布？ 二、内容在总结中 博客对应课程的视频位置：
阅读全文
摘要：常见随机变量的分布 的简单总结 一、总结 一句话总结： 几何分布：几何分布是第k次首次发生，前k-1次未发生 泊松分布：比如我们记录的人群每分钟闯红灯情况等例子 超几何分布：从a个白球和b个黑球中抽取n个球 指数分布：f(x)从λ到0的这一段线 二、常见随机变量的分布 的简单总结 博客对应课程的视频
阅读全文
摘要：泊松分布到底是干嘛的 一、总结 一句话总结： 泊松分布最常见的一个应用就是，它作为了排队论的一个输入。比如在一段时间t（比如1个小时）内来到食堂就餐的学生数量肯定不会是一个常数（比如一直是200人），而应该符合某种随机规律： 假如在1个小时内来200个学生的概率是10%，来180个学生的概率是20%
阅读全文
摘要：随机变量概率分布函数汇总 一、总结 一句话总结： 概率分布用以表达随机变量取值的概率规律，根据随机变量所属类型的不同，概率分布取不同的表现形式 离散型分布：二项分布、多项分布、伯努利分布、泊松分布 连续型分布：均匀分布、正态分布、指数分布、伽玛分布、偏态分布、贝塔分布 1、伯努利分布？ 【成功和失败
阅读全文
摘要：宋浩《概率论与数理统计》笔记 2.2.3、正态分布 一、总结 一句话总结： 若随机变量X服从一个数学期望为μ、方差为σ^2的正态分布，记为N(μ，σ^2)。 其概率密度函数为正态分布的期望值μ决定了其位置，其标准差σ决定了分布的幅度。 当μ = 0,σ = 1时的正态分布是标准正态分布。 $$f (
阅读全文
摘要：普通正态分布转换成标准正态分布 一、总结 一句话总结： z=X−μσ
二、普通正态分布如何转换到标准正态分布 证明过程可以看这里： https://www.zhihu.com/question/30121927 截图来自：https://b
阅读全文
摘要：指数分布与泊松分布 一、总结 一句话总结： 泊松分布：P(X=k)=e−λλkk!, k=0,1,2,...,
指数分布：$$f(x) = \begin{cases} \lambda e^{-\
阅读全文
摘要：宋浩《概率论与数理统计》笔记 2.2.3、指数分布 一、总结 一句话总结： $$F ( x ; \lambda ) = \left\{ \begin{array} { c l } { 1 - e ^ { - \lambda x } } & { , x \geq 0 } \\ { 0 } & { ,
阅读全文
摘要：宋浩《概率论与数理统计》笔记 2.2.3、均匀分布 一、总结 一句话总结： 【n个数的发生概率是相等】：均匀分布所有可能结果的n个数的发生概率是相等的，均匀分布变量X的概率密度函数([概率密度函数]概念是针对连续分布的，求积分即发生概率)为： $$f ( x ) = \frac { 1 } { b
阅读全文
摘要：宋浩《概率论与数理统计》笔记 2.2.3、超几何分布 一、总结 一句话总结： 【从a个白球和b个黑球中抽取n个球】：最经典的引入超几何分布的模型就是，从a个白球和b个黑球中抽取n个球，那么以X表示抽取出的白球的数目，它的分布律满足 $$P ( X = k ) = \frac { \left( \be
阅读全文
