重拾概率论-1-基本概念

1.3 古典概型

设E是一个试验,满足:

(1)只有有限多个样本点

(2)每个样本点发生的可能性相同

若 Ω = {w1, w2, ... , wn}

则p(A) = A事件所包含基本事件个数 / 基本事件总数

            = A的有利场合数 / 样本点的总和

排列组合

(1)加法原理

S类,第i类又有ri种方法完成, i = 1,2,3,4,...... ,S

总计有r1 + r2 + r3 + ...... +rs

(2)乘法原理

S个步骤 第i个步骤有mi种,i = 1,2,3,4,...... ,S

总计有m1*m2*m3*m4*m5* ...... *ms

排列

(1)选排列:

从n个不同的元素中任意选m个排成一列:

 

     

         1                         2                     3                       ......                      m

 n * (n - 1) * ...... * (n - m + 1) = P_{n}^{m}

若m = n,

P_{n}^{n} = n * (n - 1) * (n - 2) * ...... * 2 * 1 = n!

0! = 1

(2)可重复的排列:

从n个不同的元素种有放回地取m个:

n * n * n * ...... * n = n^{m}

组合

(1)可重复的组合:

从n个不同的元素种选m个

C_{n}^{m} = \frac{A_{n}^{m}}{m!} = \frac{n!}{m! * (n - m)!}

C_{n}^{0} = 1,当m  >  n时,C_{m}^{n} = 0

1.4几何概型

测试题:

5

甲投11次硬币,乙投10次硬币,双方投掷之后进行比较,那么甲掷出正面数比乙掷出的正面数多的概率是(以小数形式给出,精确到小数点后两位)

解答:

未知

 

6

口袋里有10个黑球,15个白球,除它们颜色不一样,其他方面没有任何区别,先把球随机地一只只摸出来,那么第6次摸出的一只球是黑球的概率是(以小数形式给出,精确到小数点后两位)

解答:

P = \tfrac{10 * C_{24}^{5} * 5!}{C_{25}^{6} * 6 !} = 0.40

深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值