本人習慣用結構化的圖例記憶知識，這裏記錄下先驗概率與後驗概率：
作者：LogM 本文原載於 https://segmentfault.com/u/logm/articles，不允許轉載~ 文章中的數學公式若無法正確顯示，請參見：正確顯示數學公式的小技巧 本文爲概率論與數理統計的筆記。 本文爲舊博客文章
前言 無論搞硬件還是搞軟件，數學基礎，都很重要，沒有一定的數學基礎，不管學的語言再多、會的芯片型號再多，也只能算皮毛；做算法的需要數學理論作爲支撐，做芯片設計的也需要數理知識作爲支撐，總之，對於我們理工科的人，核心的東西還是數學基
約等於： \approx{} 空心： \mathcal{} 花體：\mathbb{} 下標正下方： \limits{} 空格： \quad
Description Goldbach’s conjecture is one of the oldest unsolved problems in number theory and in all of mathematic
今天學習了程序員數學1，目前來看，這部書簡單明瞭，寫的淺顯易懂，對於初學者來說就很友好。因爲有學過其他數學課程，高數、離散這些，所以看這部書時當作鞏固複習。 第一章 第一章主要講了按位計數法，包括基數轉換，這個可以說是計算機很基礎
閱讀引導 基本概念方差分析基本步驟案例—python實現總結 基本概念 方差分析(Analysis of variance, ANOVA) ：——又稱“變異數分析” ①用於兩個及兩個以上樣本均數差別的顯著性檢驗 ②主要研究分類變量
這次概率統計學習基於：Datawhale概率統計組隊學習文檔 1. 寫在前面 這次藉着在Datawhale組織的概率統計專題學習的機會再重新溫習一遍數學基礎，所謂機器學習和深度學習， 背後的邏輯都是數學， 所以數學基礎在這個領域非
思維導圖 單樣本T檢驗 目的：利用來自某總體的樣本數據，推斷該總體的均值是否能與制定的檢驗值之間存在顯著的差異 要求：樣本來自的總體服從正態分佈 步驟： 1、提出原假設：總體均值與檢驗值之間不存在顯著差異 備擇假
極大似然估計（maximum likelihood estimation，MLE），顧名思義，就是“看起來最有可能的估計”。比如說，我們看到一個黑人，會猜測他來自非洲或者美洲，這就是基於自己的經驗得到的“最像”事實的推斷。極大似然估計的基
1. 協方差 之前，我們講了隨機變量的期望和方差，但是這兩個都只用於描述單一的變量，也就是一維變量（可以理解爲數軸上的數據點）。那麼對於多維變量（平面或空間內的數據點），如何描述變量和變量之間的關係呢？比如說，對於每個學生的各科成績，我們
目錄 直接對矩陣進行奇異值分解 利用SVD分解壓縮圖像 利用SVD分解求超定方程的解 直接對矩陣進行奇異值分解 已知矩陣，對其進行奇異值分解。 import numpy as np #創建矩陣A A = np.array([[1,5
目錄 一、期望 1. 離散型隨機變量的期望 2. 連續型隨機變量的期望 3. 期望的性質 二、方差和均方差 1. 定義 2. 計算 三、常見分佈 1. 均勻分佈 2. 二項分佈和幾何分佈 3. 泊松分佈 4. 正態分佈 一、期望 期望這個
哇，開始重新補數學知識了以後，才發現有好多“XX空間”這樣的概念啊，這本書說這個，那篇文章又用那個，搞得人云裏霧裏，所以在這裏把基礎知識整理一下，主要關注“空間”概念本身和概念之間的區別。 線性空間/向量空間 線性空間=向量空間！！這兩個
文章目錄1. 概率密度函數2. 多元高斯分佈和標準正態分佈的KL散度3. 兩個多元高斯分佈之間的KL散度4 .兩個高斯混合之間的KL散度5. 高斯混合分佈和多元高斯分佈之間的KL散度附錄 1. 概率密度函數 多變量高斯混合分佈的
