coshaho

2018年9月16日

摘要：一些公式 Gamma函数（1）贝叶斯公式（2）贝叶斯公式计算二项分布概率现在有一枚未知硬币，我们想要计算抛出后出现正面的概率。我们使用贝叶斯公式计算硬币出现正面的概率。硬币出现正反率的概率和硬币两面的质量有较大关系，由于硬币未知，我们不知道是否会有人做手脚，于是在实验之前我们认为硬币出现正阅读全文

posted @ 2018-09-16 23:24 coshaho 阅读(34027) 评论(0) 推荐(2) 编辑

贝叶斯公式深入理解

摘要：独立同分布随机事件对于n次独立同分布随机事件实验，我们如何计算随机事件概率？举个例子，我们抛同一枚硬币100次，出现正面52次，反面48次，那抛硬币正面的概率是多少？频率派思想频率派认为事件A的概率（如例子中抛硬币出现正面的概率）是确定的，只是我们不知道，当进行大量重复实验后，事件A发生的概率阅读全文

posted @ 2018-09-16 15:47 coshaho 阅读(13329) 评论(0) 推荐(1) 编辑

Gamma函数深入理解

摘要： Gamma函数当n为正整数时，n的阶乘定义如下：n! = n * (n - 1) * (n - 2) * … * 2 * 1。当n不是整数时，n!为多少？我们先给出答案。容易证明，Γ(x + 1) = x * Γ(x)，当n为正整数时，显然有Γ(n) = (n – 1)!。计算(1/2)! 阅读全文

posted @ 2018-09-16 01:55 coshaho 阅读(37089) 评论(0) 推荐(1) 编辑

2018年9月12日

蒙特卡洛（Monte Carlo）法求定积分

摘要： https://blog.csdn.net/baimafujinji/article/details/53869358 阅读全文

posted @ 2018-09-12 23:36 coshaho 阅读(767) 评论(0) 推荐(0) 编辑

2018年9月3日

为什么我们要使用HTTP Strict Transport Security？

摘要： http://www.freebuf.com/articles/web/66827.html 阅读全文

posted @ 2018-09-03 17:46 coshaho 阅读(167) 评论(0) 推荐(0) 编辑

2018年9月2日

EM算法原理

摘要：转自：https://www.cnblogs.com/Gabby/p/5344658.html 我讲EM算法的大概流程主要三部分：需要的预备知识、EM算法详解和对EM算法的改进。一、EM算法的预备知识 1、极大似然估计（1）举例说明：经典问题——学生身高问题我们需要调查我们学校的男生和女生的身阅读全文

posted @ 2018-09-02 12:23 coshaho 阅读(15888) 评论(0) 推荐(1) 编辑

HOG基本原理

摘要：图像识别，图像预处理，HOG算法介绍。转自： https://blog.csdn.net/gy429476195/article/details/50156813 转自： https://blog.csdn.net/gy429476195/article/details/50156813 阅读全文

posted @ 2018-09-02 11:59 coshaho 阅读(362) 评论(0) 推荐(0) 编辑

2018年9月1日

基于word2vec训练词向量(二)

摘要：转自：http://www.tensorflownews.com/2018/04/19/word2vec2/ 一.基于Hierarchical Softmax的word2vec模型的缺点上篇说了Hierarchical Softmax ，使用霍夫曼树结构代替了传统的神经网络，可以提高模型训练的效率阅读全文

posted @ 2018-09-01 17:58 coshaho 阅读(1149) 评论(0) 推荐(0) 编辑

基于word2vec训练词向量(一)

摘要：转自：https://blog.csdn.net/fendouaini/article/details/79905328 1.回顾DNN训练词向量上次说到了通过DNN模型训练词获得词向量，这次来讲解下如何用word2vec训练词获取词向量。回顾下之前所说的DNN训练词向量的模型： DNN模型中我阅读全文

posted @ 2018-09-01 17:56 coshaho 阅读(12152) 评论(0) 推荐(0) 编辑

DNN模型训练词向量原理

摘要：转自：https://blog.csdn.net/fendouaini/article/details/79821852 1 词向量在NLP里，最细的粒度是词语，由词语再组成句子，段落，文章。所以处理NLP问题时，怎么合理的表示词语就成了NLP领域中最先需要解决的问题。因为语言模型的输入词语必须阅读全文

posted @ 2018-09-01 17:31 coshaho 阅读(4198) 评论(1) 推荐(1) 编辑

公告