摘要：
第二周结束：传说中的T检验小耿2014-01-21 10:58本文和上一篇笔记一样：语言十分啰嗦。请大家忍耐……以前我不懂统计的时候（现在也不懂），只知道数据出来了要做三件事：1，检验一下数据是否符合正态分布；2，如果符合正态分布，就进行T检验，看P值是否小于0.05；3，如果数据不符合正态分布，就... 阅读全文
摘要：
\(J_\alpha(x)\) 阅读全文
摘要：
\(J_\alpha(x)=\sum\limits_{m=0}^\infty \frac{(-1)^m}{m!\Gamma(m+\alpha+1)}\) 阅读全文
摘要：
迄今为止，看得最为亲切的一本概率论与数理统计方面的书莫过于陈希孺先生的这本，陈先生用一种娓娓道来的语气把很多原本复杂的内容讲得那么清晰，而且并不是就着这一点知识而讲，能结合前后知识体系一起介绍。这本书名为《概率论与数理统计》，主要也是讲两大知识体系，前半部分（前三章）讲概率论，后半部分（后三章）讲数... 阅读全文
摘要：
\(J_x\)\(J_\alpha(x)=\sum\limits_{m=0}^\infty \frac{(-1)^m}{m!\Gamma(m+\alpha+1)}\) 阅读全文
摘要：
第六讲第五讲主要讲了机器学习可能性，两个问题，（1）\(E_{in} 要和 E_{out}\) 有很接近，（2）\(E_{in}\)要足够小。对于第一个假设，根据Hoefding's Inequality 可以得到，\( P[|E_{in} - E_{out}| > \epsilon] N\)时，\(B(N,k) = 2^{N}\)当\( k = N\)时，\(B(N,k) = 2^{N} - 1\)，最大的可能值根据上述两条会得到一个矩阵的一部分数据，重点要考虑\( k \epsilon] \leq 2 m_{\mathcal{H}}(N) exp(-2\epsilon^2N) 阅读全文
摘要：
第五讲 Training versus Testing一、问题的提出\(P_{\mathcal{D}}\left [ BAD \mathcal{D} \right ] \leq 2M \cdot exp(-2\epsilon^2N)\)\(\Leftrightarrow P_{\mathfrak{D}}\left [ \left | E_{out} - E_{in} \right | > \epsilon \right ] \leq 2M \cdot exp(-2\epsilon^2N)\)（1） 当\(M a \)时（\(a\) 是参数），\(h(x) = +1, otherwise 阅读全文
摘要：
第四讲 机器学习的可行性一、Hoeffding's Inequality\(P[\left | \nu -\mu \right |>\epsilon ] \leq 2exp(-2\epsilon^{2}N)\) (1)in-sample error, 也就是在样本里出现的error，\(E_{in}\) is probably close to out-of-sample error \(E_{out}\) (within \(\epsilon\))推出一个类似的公式：\(P[\left | E_{in} - E_{out} \right |>\epsilon ] \... 阅读全文
摘要：
\(\alpha+\beta\geq\frac1{12}\)\(\frac{x^2}{\overline{y^4}}\)\(x_{n}\)\(\matrix{1,2,3}{4,5,6}\) 阅读全文
摘要：
引用变量到底位于Java虚拟机的运行时数据区的哪个区呢？这取决于引用变量的作用域：（1）如果是局部变量，则位于Java栈区；（2）如果是某个类的静态成员变量，则位于方法区；（3）如果是某个类的实例成员变量，则位于堆区。 阅读全文