MemRay

转载自：http://www.guokr.com/question/461510/其实牛顿开方法是牛顿迭代法在开平方上的应用，牛顿迭代法同时也能快速逼近很多方程的解，自然可以用来开任意平方。求，即求的正根。更一般地，求，即求的正根。注意牛顿迭代法只能逼近解，不能计算精确解。不过实际应用中，我们都不要求绝对精确的解，例如计算器得出结果也不需要给出无限位，只需要给出十几

转载自：http://www.guokr.com/blog/444081/自古计算圆周率是数学界一项流行运动，各大数学家争相破记录以名垂青史。想象有人为圆周率15年如一日地算，算的不是圆周率而是寂寞啊！自有圆周率，计算比的是数学；后有现代数学，计算比的是寂寞；自从有了计算机，计算变成程序员们（另一种）练手的健康活动：锻炼编程技术之余可比肩历史伟人，看官也来一发吧！不懂数学没关系，计

转载自：http://www.ruanyifeng.com/blog/2011/07/mathematical_constant_e.html作者： 阮一峰日期： 2011年7月 9日1.e是一个重要的常数，但是我一直不知道，它的真正含义是什么。它不像π。大家都知道，π代表了圆的周长与直径之比3.14159，可是如果我问你，e代表了什么。你能回答吗？

转载自：https://web.archive.org/web/20081121044750/http://www.oursci.org/magazine/200401/040105.htm　　“……古往今来，为数众多的悖论为逻辑思想的发展提供了食粮。”　　――N・布尔巴基　　什么是悖论？笼统地说，是指这样的推理过程：它看上去是合理的，但结果却得出了矛盾。悖论在很多情况下表现为

在过去的一年中，我一直在数学的海洋中游荡，research进展不多，对于数学世界的阅历算是有了一些长进。 为什么要深入数学的世界 作为计算机的学生，我没有任何企图要成为一个数学家。我学习数学的目的，是要 想爬上巨人的肩膀，希望站在更高的高度，能把我自己研究的东西看得更深广一些。说起来，我在刚来这个学校的时候，并没有预料到我将会有一个深入数学的旅 程。我的导师最初希望我去做的题目，是对a

和机器学习和计算机视觉相关的数学之一（以下转自一位MIT牛人的空间文章，写得很实际：）作者：Dahua感觉数学似乎总是不够的。这些日子为了解决research中的一些问题，又在图书馆捧起了数学的教科书。从大学到现在，课堂上学的和自学的数学其实不算少了，可是在研究的过程中总是发现需要补充新的数学知识。Learning和Vision都是很多种数学的交汇场。看着不同的理论体系的交

gnuplot 入门教程 1

转载自：http://episte.math.ntu.edu.tw/articles/sm/sm_16_07_1/index.html这个来自台大的网站蛮多有意思的内容，要是能翻译成简体就更好了~写的很清楚，适合放在教科书上。曹亮吉   二項分布是離散型機率模型中最有名的一個，其次是 Poisson 分

如果你读过贝叶斯学习方面的书或者论文，想必是知道共轭先验这个名词的。现在假设你闭上眼睛，你能准确地说出共轭分布是指哪个分布和哪个分布式共轭的吗？我之前就常常把这个关系弄错，现在记录如下，以加强印象。贝叶斯学派和频率学派的区别之一是特别重视先验信息对于inference的影响，而引入先验信息的手段有“贝叶斯原则“（即把先验信息当着均匀分布）等四大类其中有重要影响的一类是：共轭先验

转载自：http://www.cnblogs.com/jerrylead/archive/2011/04/06/2006936.html      EM是我一直想深入学习的算法之一，第一次听说是在NLP课中的HMM那一节，为了解决HMM的参数估计问题，使用了EM算法。在之后的MT中的词对齐中也用到了。在Mitchell的书中也提到EM可以用于贝叶斯网络中。下面主要介绍EM的整个推导过程。

1. Jacobian转载自：http://jacoxu.com/?p=146在向量分析中, 雅可比矩阵是一阶偏导数以一定方式排列成的矩阵, 其行列式称为雅可比行列式. 还有, 在代数几何中, 代数曲线的雅可比量表示雅可比簇：伴随该曲线的一个代数群, 曲线可以嵌入其中. 它们全部都以数学家卡尔·雅可比(Carl Jacob, 1804年10月4日－1851年2月18日)命名；英文雅可比

本文就高斯混合模型（GMM,Gaussian Mixture Model）参数如何确立这个问题，详细讲解期望最大化（EM,Expectation Maximization）算法的实施过程。单高斯分布模型GSM多维变量X服从高斯分布时，它的概率密度函数PDF为：x是维度为d的列向量，u是模型期望，Σ是模型方差。在实际应用中u通常用样本均值来代替，Σ通常用样本方差来代替。很容易

转载自：http://hi.baidu.com/hi9394/item/5953948a4a2365cab0715407先验概率、后验概率与似然估计本文假设大家都知道什么叫条件概率了（P(A|B)表示在B事件发生的情况下，A事件发生的概率）。先验概率和后验概率教科书上的解释总是太绕了。其实举个例子大家就明白这两个东西了。假设我们出门堵车的可能因素有两个（就是假设而已，别当真）：

转载自：http://f.dataguru.cn/article-9274-1.html1. Introduction第一次接触到 Markov Chain Monte Carlo (MCMC) 是在 theano 的 deep learning tutorial 里面讲解到的 RBM 用到了 Gibbs sampling，当时因为要赶着做项目，虽然一头雾水，但是也