12 2019 档案

SC-Bootstrap&Jackknife
摘要：这篇来谈谈 Bootstrap 和 Jackknife。先来一个总括：在之前的 MC in Statistic Inference 中，我们假定已知了 population 的分布，并基于此进行样本生成，对于估计的 se、MSE 、置信水平进行估计，或做假设检验；然而这种方法的应用显然有点窄——很多 阅读全文
posted @ 2019-12-31 01:18 Easonshi 阅读(946) 评论(0) 推荐(0)
概率论基础（二）随机变量
摘要：本部分主要介绍常见的随机变量及其关系。主要内容有： 随机变量的概念 常见离散随机变量 常见连续随机变量 随机变量函数的分布 在上一节从经验直观出发，引入随机事件及其概率的概念之后，为进一步研究随机现象，我们需要引入随机变量的概念。 补充了随机变量函数的分布这一部分内容 什么是随机变量 顾名思义，随机 阅读全文
posted @ 2019-12-30 14:16 Easonshi 阅读(1867) 评论(0) 推荐(0)
SC-EM
摘要：date: 2019 12 28 title: SC EM 关于 EM 算法比较一般的形式可以参看以下的内容： "wiki" "刘建平的 Blog" "https://www.csuldw.com/" 而这里我还是按照老师讲统计计算时候的思路进行笔记，可能和上述在形式上有一定的区别。 首先是算法要解 阅读全文
posted @ 2019-12-29 00:45 Easonshi 阅读(272) 评论(0) 推荐(0)
AI-MDP
摘要：一个马尔可夫决策过程可由以下五元素定义： State $s\in S$ Actions $a\in A$ Transition func $T(s,a,s')=P(s'|s,a)$ Reward func $R(s,a,s')$ Decay factor 其中，转移函数和奖励函数被称为 model， 阅读全文
posted @ 2019-12-28 00:13 Easonshi 阅读(351) 评论(0) 推荐(0)
AI 相关材料&个人笔记
摘要：CS188: https://inst.eecs.berkeley.edu/~cs188/su19/ Berkeley 的材料，其中的 slides 和 note 都很棒；然后，想要刷题的话，可以在这里 https://edge.edx.org/courses/course v1:BerkeleyX 阅读全文
posted @ 2019-12-27 01:00 Easonshi 阅读(354) 评论(0) 推荐(0)
AI-RL
摘要：在 MDP 中，我们给出了 model（即转移 T 和奖励 R 的具体形式），然而，这种情况显然是理想的，要解决现实中的问题，我们一般不能得到 model，因此，就进入到了这个专题——强化学习 RL。 和 MDP 中的概念类似，这里有状态集 S，动作集 A，对于我们的每个 $(s,a)$ 环境会给出 阅读全文
posted @ 2019-12-27 00:50 Easonshi 阅读(422) 评论(0) 推荐(0)
关于错排问题
摘要：错排问题，这个问题的背景可能有多种表述方式，将其形式化，可表为：将 1 至 n 这 n 个数字排列，使得每个数字不出现在其所在序号的位置上，问所有可能的排列数。详见 wiki 对于这一问题的「官方」解法是这样的：考虑编号为 1 的数字，显然它有 \(n-1\) 个可能的位置。假定它出现在 i 位置上 阅读全文
posted @ 2019-12-23 22:13 Easonshi 阅读(864) 评论(2) 推荐(1)
计算思维-期末提纲
摘要：这学期选的一门模块课，选用教材为 [不插电的计算机科学](https://book.douban.com/subject/5912193/) 复习主要过一遍 PPT，这本教材网上有边免费的英文版，不过总体的难度较小，不看也罢。 以下来整理一下这门课的主要内容。 1 二进制 数字，文字编码，图像，色彩 阅读全文
posted @ 2019-12-23 18:18 Easonshi 阅读(404) 评论(0) 推荐(0)