理论:(1)卡方分布、非中心卡方分布详解 (概念、求阈值方法、非中心化参数求解办法等)
卡方分布、非中心卡方分布详解 (概念、求阈值方法、非中心化参数求解办法等)
【人工智能】— 贝叶斯网络、概率图模型、全局语义、因果链、朴素贝叶斯模型、枚举推理、变量消元
图模型是概率分布的图表表示。它是概率论和图论的结合。也被称为概率图模型（Probabilistic Graphical Models）。它们增强了分析，而不是使用纯代数。
人工智能教程（四）：概率论入门
前些天发现了一个巨牛的人工智能学习网站，通俗易懂，风趣幽默，忍不住分享一下给大家。点击跳转到网站在本系列的上一篇文章中，我们进一步讨论了矩阵和线性代数，并学习了用 JupyterLab 来运行 Python 代码。在本系列的第四篇文章中，我们将开始学习 TensorFlow，这是一个非常强大的人工智
【博弈论】第二讲：纳什均衡的混合战略（有限数量战略）
在nnn个参与人的博弈G={S1，...，Sn;u1，...，un}G=\left\{S_1，...，S_n; u_1，...，u_n\right\}G={S1，...，Sn;u1，...，un}中，参与人iii的战略空间为S,={S1…,Si}S_,= \left\{S_1…, S_i\r
Brain Teaser概率类 - 抛硬币
你有 17 个硬币，我有 16 个硬币，我们同时抛掷所有硬币。如果你有更多的正面，那么你赢，否则我赢。你获胜的概率是多少？划分出3个相互独立的事件：你抛前16枚硬币；对于每种可能的取样结果，构造对称的取样结果：每一个硬币的正反面翻转的情况。综上所述你赢的概率为p + (1-2p) * 1/2 = 1
连续型随机变量的分布（均匀分布、指数分布、正态分布）
连续型随机变量的分布（均匀分布、指数分布、正态分布）
随机变量的分布函数
分布函数 密度函数
【机器学习】朴素贝叶斯算法
朴素贝叶斯（Naive Bayes）是经典的机器学习算法之一，也是为数不多的基于概率论的分类算法。由于朴素贝叶斯计算联合概率，所以朴素贝叶斯模型属于生成式模型。经典应用案例包括：文本分类、垃圾邮件过滤等。
WGAN-GP解读分析
WGAN-GP（Wasserstein GAN with gradient penalty）相比GAN（Generative Adversarial Network）有以下几个优点：更好的损失函数：WGAN-GP使用了Wasserstein距离来度量生成器和判别器之间的距离，相比于GAN中使用的交叉
机器学习——先验概率、后验概率、全概率公式、贝叶斯公式
先验概率（prior probability）是指根据以往经验和分析得到的概率，如全概率公式，它往往作为"由因求果"问题中的"因"出现的概率。后验概率是指在得到“结果”的信息后重新修正的概率，是“执果寻因”问题中的"果"。贝叶斯公式就是当已知结果，问导致这个结果的第 i 原因的可能性是多少。
delta method 介绍
众所周知，当一个变量X服从正态分布时，其线性变换也服从正态分布。那么非线性变换呢？delta方法提出，其经过可导函数变换后得到的g(X)仍然概率趋向正态分布，并且提供了期望、方差的计算公式。单变量X变换为g(X)，对g(X)g(X)≈g(θ)+g′(θ)(X−θ)g(X)−g(θ)≈g′(θ)(X−
生成模型相关算法：EM算法步骤和公式推导
EM 算法是一种选代算法，1977 年 Dempster 等人总结提出，用于含有隐变量(hidden variable)的概率模型参数的极大似然估计，或极大后验概率估计EM算法的每次选代由两步组成:E步，求期望 (expectation);一般地，用Y表示观测随机变量的数据，Z表示隐随机变量的数据Y
切比雪夫（Chebyshev）不等式
标准化设随机变量x具有数学期望E(x)=μE(x) = \muE(x)=μ，方差D(x)=σ2D(x) = \sigma^{2}D(x)=σ2。记X∗=X−μσX^{* } =\frac{X-\mu }{\sigma }X∗=σX−μ, 则X*的期望和方差为：E(X∗)=1σE(X−μ)=1σ[E
概率论与数理统计（3）--指数分布函数及其期望、方差
指数分布函数及其性质整理
参数估计方法总结（超全！！！）
本文介绍了常见的参数估计方法，包括点估计、区间估计、假设检验和模型选择等。
伯努利分布
伯努利分布
概率统计·参数估计【矩估计、极大似然估计、无偏性、有效性、相合性】
设总体的分布函数形式已知，但它的一个或多个参数为未知，借助于总体的一个样本来估计总体未知参数的值的问题称为点估计问题。
似然函数总结
似然函数总结
SPSS学习 相关性分析
进行相关分析双变量相关 计算变量之间皮尔逊相关系数(直接解读) 肯德尔(需要计算偏相关性)斯皮尔曼(需要通过`*`与`**`的大小进行判断)一. 分析花瓣长、花枝长与花萼长两两相关性关系采用皮尔逊 双尾检验显著性检验 双尾(双侧检验) 以0.01为检验标准 单尾(单侧检验) 以0.05为检验标准数据
【可乐荐书】人工智能数学基础
凡事都要打好基础，才能稳定向前。数学知识与数学思维是学习人工智能的基石，只有基础牢固，基石稳定，人工智能技术这座恢弘大厦才能永不倾覆。不掌握数学知识，就无法理解算法的内在逻辑，“照葫芦画瓢”只能应付一时，想要在行业中立足，掌握技术原理是重中之重。《人工智能数学基础》一书以零基础讲解为宗旨，面向学习数
