【AI知识点】二项分布（Binomial Distribution）
二项分布（Binomial Distribution） 是概率论和统计学中描述独立重复的伯努利试验中成功次数的离散概率分布。它是基于多次独立的伯努利试验的扩展，用于描述在 n 次试验中发生成功的次数。
【面试】如何度量概率分布的相似度
衡量两个概率分布之间差异的非对称度量，常用于变分推断和信息论。KL散度的对称形式，适合度量两个分布的相似度，广泛应用于GANs。衡量两个分布之间的全局差异，特别适合形状匹配和最优传输问题。度量两个分布之间的最大绝对差异，常用于统计检验和概率模型评价。
【推导过程】常用连续分布的数学期望、方差、特征函数
常用连续分布（正态分布、均匀分布、指数分布、伽马分布、贝塔分布）的数学期望、方差、特征函数具体推导。
常用分布的数学期望、方差、特征函数
常用离散分布（二项分布、泊松分布、超几何分布、几何分布与负二项分布）与连续分布（正态分布、均匀分布、指数分布、伽马分布、贝塔分布、t分布、F分布、拉普拉斯分布、卡方分布、韦伯分布）的数学期望、方差、特征函数
概率论基本知识
随机变量是定义在样本空间上的实值函数，它将样本空间中的每一个样本点映射到一个实数上。通常用大写字母（如X、Y）表示随机变量，而小写字母（如x、y）表示随机变量的取值。
揭秘！用泊松分布打造精准AI足球预测神器
泊松分布（Poisson Distribution）是一种统计与概率学里常见到的离散概率分布，由法国数学家西莫恩·德尼·泊松（Siméon Denis Poisson）在1838年时发表。泊松分布适合于描述单位时间内随机事件发生的次数。泊松分布的概率质量函数（PMF）用于计算在固定时间或空间内，某一
论文发表一般要多久？
通常1 - 2年左右，如果遇到一些特殊情况如期刊调整、行业热点导致投稿量暴增等，可能2 - 3年或更久。半年左右较为常见，有的可能长达8 - 12个月甚至更久（尤其是一些高质量、稿源充足的学报）。通常1 - 4个月左右，如果遇到期刊版面调整、印刷问题等特殊情况可能会有所延迟。：整体1 - 2年左右算
贝叶斯推理导论：如何在‘任何试验之前绝对一无所知’的情况下计算概率
本文将进一步探讨如何通过匹配覆盖率来证明客观贝叶斯分析的先验;重新审视贝叶斯和拉普拉斯研究过的问题，看看如何用更现代的方法来解决这些问题。
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
