神经美学_茂森-CSDN博客

原创【通俗理解】对数边缘似然：公式与应用

对数边缘似然是观测数据的边缘分布的对数形式，它对于理解数据的生成过程以及模型的选择具有重要意义。具体地，对于观测数据x和隐变量z，边缘似然pxpx∫pxzdz其中，pxz是观测数据x和隐变量z的联合分布。

2024-07-22 21:17:27 355

原创变分推断相关公式通俗理解

变分推断是一种求解概率模型参数的方法，尤其在处理隐变量模型时表现出色。其核心在于通过最大化关于模型参数的对数边缘似然的下界（即ELBO）来估计参数。θmaxEqz∣xlogpxz−logqz∣x)]其中，θ是模型参数，x是观测数据，z是隐变量，pxz是联合分布，qz∣x是隐变量的后验分布的近似。

2024-07-22 21:16:57 377

原创算法信息动力学中的优化公式探索

Hector Zenil，剑桥大学计算机科学家和生物技术学家，算法信息动力学提出者。学者主页：https://hectorzenil.net/

2024-07-22 20:59:03 619

梯径理论就像是一个工程师在设计一个复杂的机器，他的目标不仅仅是让这个机器在最佳条件下运行得最好，更重要的是要确保在所有可能的运行条件下，这个机器都能保持稳定的表现。综上所述，这个公式是通过考虑系统的不确定性（即状态的不确定性）和长期效益的重要性来推导出来的。这表示在所有可能的配置中，找到那个能够使得在所有可能的状态中的最小预期累积折扣效益最大化的配置。，这个配置能够在所有可能的状态中实现最小的预期累积折扣效益的最大化。这表示在所有可能的状态中，找到那个使得预期累积折扣效益最小的状态。是所有可能的状态集合，

2024-07-22 20:05:13 606

原创【论文解读】对称蛋白组装中的幻觉现象公式探索

在对称蛋白组装的研究中，幻觉现象是一个重要的概念，它涉及到蛋白结构在进化过程中的自发形成和优化。FitnessSymmetry×其中，Fitness表示蛋白结构的适应度，即其在生物体内的功能和稳定性；Symmetry表示蛋白结构的对称性；Compressibility表示蛋白结构的可压缩性，即其描述复杂度的倒数；Mutation Robustness表示蛋白结构对突变的鲁棒性。

2024-07-22 19:48:46 439

原创压缩即智能：信息论视角下的公式推导

压缩即智能：信息论视角下的公式推导。

2024-07-22 19:40:42 770

原创【公式理解】强化学习中的不确定性考量解析 ——从元强化学习到泛化强化学习的探索

鲁棒强化学习的最坏情况优化公式关注于在不利条件下保持策略的稳定表现。：这就像是一个探险家在迷雾中探索，他不能完全看到周围的环境（部分可观测），但他可以根据自己之前的位置、采取的行动和当前的观察来更新自己对当前位置的估计（信念状态）。他通过尝试不同的学习方法（策略），并根据这些方法带来的成绩提升（累积奖励）来调整自己的学习策略。他不仅要学会在最佳条件下驾驶，还要确保在最差条件下也能保持稳定的表现。：强化学习、元强化学习、鲁棒强化学习、部分可观测强化学习、POMDP、策略梯度、最坏情况优化。

2024-07-22 14:48:29 616

原创 5种梯度下降法的公式

这就像是一个人在下山，他每一步都会根据最近走过的路的坡度（梯度的平方）来调整自己的步伐大小，而不是像AdaGrad那样考虑整个历史。：这就像是一个人在下山，他每一步都会根据之前走过的路的坡度（梯度的平方）来调整自己的步伐大小。如果之前走过的路很陡峭，他就会走得小心一些（步伐小一些）。：这就像是一个人在滑冰，他每一步都会考虑上一步的速度和方向，然后再根据当前的梯度来调整自己的速度和方向。：这就像是一个人在下山，他每一步都选择最陡峭的方向（梯度的反方向）走一步，直到走到山脚（损失函数的最小值）。

2024-07-21 17:05:22 886

原创似然与概率的关系，关系图谱

比较下概率和似然。为了避免和我们想讨论的概率混淆，我们把硬币的 “花” 出现的概率称为硬币的参数。已知硬币的参数，就可以去推测抛硬币的各种情况的可能性，这称为概率。比如已知硬币是个正常的硬币，也就是硬币的参数为 0.5。正如开头所说，我们对硬币的参数并不清楚，要通过抛硬币的情况去推测硬币的参数，这称为似然。通过证据，对两人的关系的 “参数” 进行推断，叫做似然，得到最可能的参数，叫做最大似然估计。

2023-02-04 16:35:09 252 1

原创 obsidian必装插件：量化分析出核心关联文章

obsidian 一个必装的插件

2022-10-02 18:49:48 1923

原创 science 近些年上发表的关于网络人工智能等内容汇总

· 2022年o 声、光、电流皆可作为神经网络载体§ https://www.nature.com/articles/s41586-021-04223-6§ 深度学习再登Science：万物皆可做神经网络处理器，你甚至可以用锅碗瓢盆· 2021年o Science：骆利群院士发现大脑神经元复杂网络连接的新机制§ Reciprocal repulsions instruct the precise assembly of parallel hippocampal networks§ htt

2022-03-25 23:34:29 1966

原创【实测可用】含公示的知乎文章转markdown格式插件推荐

插件位置：https://getquicker.net/sharedaction?code=7af26e99-4f6f-42b6-08ad-08d91c1f78c6安装方式：先安装quicker再安装“知乎转Markdown”具体流程参考：https://getquicker.net/kc/manual/doc/install-action最近用obsidian，使用体验良好...

2022-02-24 15:43:11 1902

原创【鱼骨图】【数学史】行列式、矩阵论的历史

线性代数历史公元前1550年o巴比伦人已经知道如何解二元一次方程组了公元前200年o《九章算术》第8章的多个问题展示了解线性方程组的能力。1693年行列式o现代线性代数源于微积分创始人莱布尼茨（Leibnitz）对求解线性方程组的研究。o他发明了行列式。o可以把行列式看成一个函数，输入一个方阵，输出一个数值（标量）。拉格朗日发现行列式的体积性质：2阶行列式对应2个向量围成的平行四边形面积，3阶行列式对应平行六面体的体积，更高阶的无法可视化，请各位自行脑补。行列式如果等于0，意味.

2021-12-20 22:24:38 1810

翻译【翻译】脑机接口发展重大时间表（1995-2018）

这里写自定义目录标题1995在自由行为的啮齿动物中首次展示了慢性、多部位、多电极记录(Nicolelis et al.， Science 1995)。1998首次在非人类灵长类动物中进行慢性、多部位、多电极记录(Nicolelis et al.， Nature Neuroscience, 1998)。1999年，首次使用啮齿动物进行BMI研究(Chapin等。《自然神经科学》1999)。2000 非人类灵长类动物的第一BMI (Wessberg等人，《自然》2000)。“脑机接口”的名称介绍(Nic

2021-10-19 12:46:10 977

原创【思维导图】卡尔曼滤波知识点，公式理解

卡尔曼滤波卡尔曼滤波知识点o什么是卡尔曼滤波？ 你可以在任何含有不确定信息的动态系统中使用卡尔曼滤波，对系统下一步的走向做出有根据的预测，即使伴随着各种干扰，卡尔曼滤波总是能指出真实发生的情况。对现在时刻的估计（可能是同时估计好几个变量）是取决于前一时刻估计误差和现在时刻的某个观测值 在连续变化的系统中使用卡尔曼滤波是非常理想的，它具有占用内存小的优点（除了前一个状态量外，不需要保留其它历史数据），并且速度很快，很适合应用于实时问题和嵌入式系统。 在Google上找到的大多数关.

2021-08-03 21:10:32 887

原创【思维导图】linux，windows的相对路径绝对路径表示

相对绝对路径windowso相对路径1. open(‘aaa.txt’)open(’/data/bbb.txt’)用’/‘来表示相对路径，o绝对路径open(‘D:\user\ccc.txt’)’\‘来表示绝对路径\是转义的意思.path1=os.path.abspath(’.’)o#表示当前所处的文件夹的绝对路径path2=os.path.abspath(’…’)o#表示当前所处的文件夹上一级文件夹的绝对路径绝对路径：是从盘符开始的路径linux .

2021-08-03 21:06:19 378

翻译【思维导图，表格】【熟记】机器学习算法集锦：从贝叶斯到深度学习及各自优缺点

本文是这篇文章的阅读笔记https://static.coggle.it/diagram/WHeBqDIrJRk-kDDY英文思维导图链接机器学习算法集锦：从贝叶斯到深度学习及各自优缺点 •正则化算法（RegularizationAlgorithms） [http://cdn2.processon.com/60c72458e4b0931a1b106d4b?e=1623667304&token=trhI0BY8QfVrIGn9nENop6JAc6l5nZu...

2021-06-14 18:56:13 462

原创【表格】概率与似然概念理解

概率似然最大似然估计定义在特定环境下某件事情发生的可能性结果已知的情况下，该事件在不同条件下发生的可能性理解结果没有产生之前依据环境所对应的参数来预测某件事情发生的可能性在确定的结果下去推测产生这个结果的可能环境（参数） ...

2021-04-27 10:09:55 215

翻译【思维导图】【中科院自动化所】浅谈群体智能——新一代AI的重要方向

国内外对群体智能作用机理研究多数处在起步阶段。未来，飞行器智能技术团队将秉着“路漫漫其修远兮，吾将上下而求索”的决心，致力于群智行为基础模型构建与训练、多智能体系统群智实时推理与对抗、大规模集群行为稳定性机理分析、虚实融合的群智迭代进化范式等科学问题的研究和应用推广，实现关键技术的突破，让群体智能助力新一轮人工智能的发展。...

2021-04-12 09:22:48 577

原创【思维导图】用计算图来解释前向传播和反向传播学习笔记

参考文献：分分钟快速掌握“反向传播算法”，这篇文章来源：知乎作者：晓雷1 用计算图来解释几种求导方法：一些问题反向传播算法的作用是什么神经网络模型的学习算法一般是SGD。 SGD学习模型 SGD需要用到损失函数C关于各个权重参数的偏导数损失函数C 损失函数C关于各个权重参数的偏导数一个模型的参数w,b是非常多的，故而需要反向传播算法快速计算反向传播算法是一种计算偏导数的方...

2021-04-11 15:50:20 395

原创【思维导图】【阅读论文摘录】五种常见的建模和解决多智能体强化学习问题的方法

五种常见的建模和解决多智能体强化学习问题的方法【机器翻译，疏漏百出，建议阅读原文】OroojlooyJadid, Afshin, and Davood Hajinezhad. "A review of cooperative multi-agent deep reinforcement learning."arXiv preprint arXiv:1908.03963(2019).独立学习者，解决多代理RL问题的最直接的方法是独立地对待每个代理，使其将其余代理视为环境的一部分。..

2021-04-09 00:49:36 624

原创【思维导图】神经内科和精神科的区别【整理自知乎】

神经科与精神科区别神经科（神经内科）而神经病是指神经系统发生的器质性疾病，如瘫痪、抽搐硬件常见疾病吧脑血管疾病:脑梗死，脑出血，TIA, VBI, 周围神经疾病:面神经炎，三叉神经痛，感染性疾病:病脑，感染性脑（膜）炎，退行性病变:帕金森，AD, 神经科是生理方面的精神科抑郁症、双向情感障碍、精神分裂症、焦虑障碍软件（精神）损害精神病也叫精神失常，指严重的心理障碍，如胡言乱语、哭笑无常。精神科市心理方面的 ...

2021-03-17 16:33:08 1248

翻译【思维导图】【陈杰院士，辛斌】有人/无人系统自主协同的关键科学问题引言部分整理，文笔相当稳健的一篇文章

【陈杰院士,辛斌】有人/无人系统自主协同的关键科学问题【点开可见大图，欢迎保存】摘要有人/无人系统的自主协同是一项可能对未来战争模式产生颠覆性变革的重要技术. 本文分别从系统、决策、控制与安全 4 个层面分析了有人/无人系统自主协同研究面临的各种挑战和重要科学问题. 关键词有人/无人系统, 自主协同, 分布式优化, 分布式控制差异性有人/无人自主协同是指有人系统与无人系统之间在组织、决策、规划、控制、感知等方面既各自进行独立的计算、存储、处理,

2021-03-14 23:25:44 945

原创老扬州（褚少）倾情推荐的扬州特色菜

老扬州（褚少）倾情推荐的扬州特色菜1. 早餐要吃两天 1. 第一天，富春：蟹黄汤包 2. 第二天各个店买不同的东西： a. 花园茶楼包子及干拌面 b. 共和春烫干丝和千层糕（不是煮干丝） c. 蒋家桥饺面馆（广陵路店）油炸锅贴2. 晚饭后： 1. 东关街适合吃完晚饭去，东关古渡很适合吹吹风 2. 国庆路进门右手第一家馄饨店 3. 虹桥坊吃饭，后宋夹城沿着外圈散个步3. 其他的特色扬州菜： 1. ...

2021-03-08 20:49:59 234 1

原创【思维导图】《白话强化学习与PyTorch》第2章强化学习的脉络笔记

【点开可见大图】

2021-03-07 16:01:33 408 2

原创【思维导图】《白话强化学习与PyTorch》第一章强化学习是什么？笔记

2021-03-07 01:57:47 443

原创【思维导图】富士低焦段定焦镜头选择

富士低焦段定焦镜头选择富士龙 35mmF1.4 体积小巧，颜值复古，配合方形遮光罩，啧啧，真的是我最喜欢的富士镜头之一它的特色是反差比后出的35mmF2略低些许，暗部细节呈现也略胜35mmF2，容易呈现有氛围感的照片：至今买过最不后悔的富士镜头之一缺点 35 1.4拉风箱确实有点吵，拍视频有时候丢焦丢的很莫名其妙，但依然改不了还是很喜欢它。对焦略慢且有噪音（老马达）价格原价 3890 中古店 2600 能拿...

2021-03-05 22:31:41 1184 6

原创【思维导图】浙江大学神经管理实验室对神经管理学的定义整理

来源：浙江大学神经管理实验室 http://www.cma.zju.edu.cn/neuromanagementlab/index.php/zh_directions_index_id_3.html 【点开可可大图，可保存】浙大——神经管理学基础概念定义神经管理学是当代认知神经科学的发展，神经成像技术的进步，和当今传统的管理学研究相交叉的一个研究领域，通过研究人们在日常管理行为中种种行为的神经生理基础，日常管理行为消费、投资、生产、流通、理财、用人等..

2021-02-23 21:39:48 529

原创【表格】科研每日日程安排表【来自知乎】

读博每日时间表 7：00 -7：30 洗漱、吃早餐。 7：30 - 9：30 【两个小时】上网课/阅读理论书籍。我发现早上起来以知识输入作为开始比较容易有一种充实与幸福感，同时利用这个时间将大脑刺激，苏醒过来。 9：30 - 10：00 简单的力量训练，让大脑得到一些休息，准备下一阶段的工作。俯卧撑，平板支撑等 10：00 - 12：00 【两个小时】寻找科研项目思路/写代码。（读论文+提出自己想法+讨论）很多时候所谓.

2021-02-05 02:43:44 1567 2

翻译【思维导图】什么是核密度估计？知乎大神的回答整合

核密度估计（kernel density estimation）定义是在概率论中用来估计未知的密度函数，属于非参数检验方法之一非参数检验方法核密度估计其实是对直方图的一个自然拓展。直观理解核密度估计=用固定积木照样本生凑一个分布平滑密度函数不知道你有没有画过颜色带透明度的散点图比如 aes_colour_fill_alpha. ggplot2 2.1.0 的 h + geom_point(alpha = 1/10)颜色越深密度越大恩，这就是...

2021-02-02 11:29:01 8034

翻译【思维导图】【专家视角】破解马赛克战之系统发展思考

参考文献：【专家视角】破解马赛克战之系统发展思考 (qq.com)

2021-01-27 08:59:31 611

翻译【思维导图】费曼眼中的科研与贝叶斯推理的关系

费曼眼中的科研： First you guess. Don't laugh, this is the most important step. 1. “First you guess”对应先验（a prior), 即基于以往的经验，你对参数的估计，或者说你认为的取值所应满足的分布——； Then you compute the consequences. Compare the consequences to experience. 2. “...

2021-01-27 00:20:54 256

原创【思维导图】贝叶斯基础笔记

贝叶斯学习笔记贝叶斯公式预测的核心思想就5个字——“看起来更像”。贝叶斯推理的一个特征是：当数据较弱时，那么先前对事物的认知是最重要的。量化风险是一件非常复杂的事情贝叶斯网络贝叶斯网络有助于我们展现贝叶斯思维，当数据量适中、不完整和/或不确定时，贝叶斯网络可以用于数据科学中。这意味着我们可以将因果假设加入到现有的非因果关系网络中，从而建立一个基于因果关系的贝叶斯网络。当我们试图模拟一个领域中的干预项，例如估计一个治疗的效果时，这一点尤其重要。在这种情况...

2021-01-27 00:17:19 1685

原创【表格】从多角度对比先验知识后验知识

先验知识后验知识英文 prior knowledge aposterior knowledge 含义先于经验的知识。后于经验的知识。作用它使人联想到下述思想哲学起源在康德时期以来的西方哲学中，指与一切具体经验无关的知识。从经验得来的后天知识其推论先验的推论被认为是“从原因到结果”，后天的推论被认为是“从结果到原因”。主义理性...

2021-01-20 12:07:52 980

原创【思维导图】使用jupyter lab 远程访问linux 服务器【超简洁版本】

Jupyter lab 远程访问配置服务器端下载jupyter lab pip install jupyterlab 安装可行确实是3.0 版本的修改配置 vim ~/.jupyter/jupyter_notebook_config.py c.NotebookApp.ip='*'#×允许任何ip访问 c.NotebookApp.open_browser = False 命令行...

2021-01-19 16:08:06 387

原创【思维导图】通过pycharm 远程连接linux 工作站进行运算软件配置

大致思路，服务器端和终端两头配置，亲测可用。相关参考文献：https://blog.csdn.net/qq_27901091/article/details/83411144?ops_request_misc=%25257B%252522request%25255Fid%252522%25253A%252522161087754516780262543392%252522%25252C%252522scm%252522%25253A%25252220140713.1301023...

2021-01-18 15:19:26 162

原创【思维导图】基于“脑机连接” 八大伦理困境的进一步讨论

本文主体节选自量子学派公众号基于“脑机连接”八大伦理困境的进一步讨论大脑电信号输出产生的伦理问题【1】隐私问题芯片接收到的信号组意味着一个或一组欲望，这对于个人来说是极其隐私的想法。在健康的状态中，脑中的想法应该是封闭的，别人并不知道，只有当我们做决定时才会通过语言和行为表现出最终的决定。而芯片却能实时接收并分析、翻译出来大脑的欲望。这意味着我们的隐私将不再隐秘，我们的内心想法容易被外部仪器记录甚至付诸行动。旧金山最近禁...

2021-01-05 12:14:44 2160

翻译【思维导图】【标准化、规范化文件】《使用MEEG进行神经成像数据分析和共享的最佳实践》【脑机接口入门第一篇必备文章】

文档原始下载链接：OSF Preprints | Best Practices in Data Analysis and Sharing in Neuroimaging using MEEG参考文献：EEG研究中数据分析与分享的最佳实践 (qq.com)【遵守这些标准将有助于文章的发表】相见恨晚的一篇文章。搞脑机接口必备文件，各项操作按照这个文件来，总不会有大的出入。第8部分中与EEG相关的东西整理出来供大家参考。参考文献：EEG研究中数据分析与分享的最佳实践 (qq.c..

2021-01-03 20:05:20 381

翻译【思维导图】“网络中心战”资料搜集

美军“网络中心战”美军“网络中心战”四个领域物理域、真实存在的有形领域是各种作战平台和连接平台的通信网络客观存在的领域，包括陆地、海洋、空中和太空。网络化部队实施打击、机动和防护等作战行动。军队的各构成部分实现了无缝隙的网络化连接，作战一体化程度高；信息域、创造、采集、处理、传输、共享信息的领域是作战人员进行信息交流、传送指挥信息和目标信息、传递指挥官作战意图的领域。【不确定因素】其信息可能反...

2020-12-26 10:32:05 829

一本制作很用心的影集

Wear Good Shoes Inspiring Advice from Magnum Photographers by Magnum Photos (z-lib.org)

2020-11-30

7个回归分析方法思维导图.png

7个回归分析方法什么是回归分析？回归分析是一种预测性的建模技术，它研究的是因变量（目标）和自变量（预测器）之间的关系。这种技术通常用于预测分析、时间序列模型以及发现变量之间的因果关系。例如，司机的鲁莽驾驶与道路交通事故数量之间的关系，最好的研究方法就是回归。回归分析是建模和分析数据的重要工具。在这里，我们使用曲线/线来拟合这些数据点，在这种方式下，从曲线或线到数据点的距离差异最小。我会在接下来的部分详细解释这一点。我们为什么使用回归分析？如上所述，回归分析估计了两个或多个变量之间的关系。下面，让我们举一个简单的例子来理解它：比如说，在当前的经济条件下，你要估计一家公司的销售额增长情况。现在，你有公司最新的数据，这些数据显示出销售额增长大约是经济增长的2.5倍。那么使用回归分析，我们就可以根据当前和过去的信息来预测未来公司的销售情况。使用回归分析的好处良多。具体如下： • 它表明自变量和因变量之间的显著关系它表明多个自变量对一个因变量的影响强度回归分析也允许我们去比较那些衡量不同尺度的变量之间的相互影响，如价格变动与促销活动数量之间联系。这些有利于帮助市场研究人员，数据分析人员以及数据科学家排除并估计出一组最佳的变量，用来构建预测模型。我们有多少种回归技术？有各种各样的回归技术用于预测。这些技术主要有三个度量（自变量的个数，因变量的类型回归线的形状）。对于那些有创意的人，如果你觉得有必要使用上面这些参数的一个组合，你甚至可以创造出一个没有被使用过的回归模型。但在你开始之前，先了解如下最常用的回归方法： 1. 线性回归（Linear Regression）线性回归通常是人们在学习预测模型时首选的技术之一。在这种技术中，因变量是连续的，自变量可以是连续的也可以是离散的，回归线的性质是线性的。线性回归使用最佳的拟合直线（也就是回归线）在因变量（Y）和一个或多个自变量（X）之间建立一种关系。用一个方程式来表示它，即 Y=a+b*X + e，其中a表示截距， b表示直线的斜率， e是误差项。这个方程可以根据给定的预测变量（s）来预测目标变量的值。现在的问题是：我们如何得到一个最佳的拟合线呢？这个问题可以使用最小二乘法轻松地完成。一元线性回归和多元线性回归的区别在于，多元线性回归有（>1）个自变量，而一元线性回归通常只有1个自变量。最小二乘法也是用于拟合回归线最常用的方法。对于观测数据，它通过最小化每个数据点到线的垂直偏差平方和来计算最佳拟合线。因为在相加时，偏差先平方，所以正值和负值没有抵消。我们可以使用R-square指标来评估模型性能。要点： • 自变量与因变量之间必须有线性关系 • 多元回归存在多重共线性，自相关性和异方差性线性回归对异常值非常敏感。它会严重影响回归线，最终影响预测值多重共线性会增加系数估计值的方差，使得在模型轻微变化下，估计非常敏感。结果就是系数估计值不稳定，在多个自变量的情况下，我们可以使用向前选择法，向后剔除法和逐步筛选法来选择最重要的自变量。 2. 逻辑回归（Logistic Regression）逻辑回归是用来计算“事件=Success”和“事件=Failure”的概率。当因变量的类型属于二元（1 / 0，真/假，是/否）变量时，我们就应该使用逻辑回归。这里，Y的值从0到1，它可以用下方程表示。 odds= p/ (1-p) = probability of event occurrence / probability of not event occurrence ln(odds) = ln(p/(1-p)) logit(p) = ln(p/(1-p)) = b0+b1X1+b2X2+b3X3....+bkXk 概要上述式子中，p表述具有某个特征的概率。你应该会问这样一个问题：我们为什么要在公式中使用对数log呢？因为在这里我们使用的是的二项分布（因变量），我们需要选择一个对于这个分布最佳的连结函数。它就是Logit函数。在上述方程中，通过观测样本的极大似然估计值来选择参数，而不是最小化平方和误差（如在普通回归使用的）。要点： • 它广泛的用于分类问题。逻辑回归不要求自变量和因变量是线性关系。它可以处理各种类型的关系，因为它对预测的相对风险指数OR使用了一个非线性的log转换。逻辑回归是用于分类的~这个得记住为了避免过拟合和欠拟合，我们应该包括所有重要的变量。有一个很好的方法来确保这种情况，就是使用逐步筛选方法来估计逻辑回归。它需要大的样本量，因为在样本数量较少的情况下，极大似然估计的效果比普通的最小二乘法差。自变量不应该相互关联的，即不具有多重共线性。然而，在分析和建模中，我们可以选择包含分类变量相互作用的影响。 • 如果因变量的值是定序变量，则称它为序逻辑回归 • 如果因变量是多类的话，则称它为多元逻辑回归 3. 多项式回归（Polynomial Regression）对于一个回归方程，如果自变量的指数大于1，那么它就是多项式回归方程。如下方程所示：y=a+b*x^2 在这种回归技术中，最佳拟合线不是直线。而是一个用于拟合数据点的曲线。重点：虽然会有一个诱导可以拟合一个高次多项式并得到较低的错误，但这可能会导致过拟合。你需要经常画出关系图来查看拟合情况，并且专注于保证拟合合理，既没有过拟合又没有欠拟合。下面是一个图例，可以帮助理解：明显地向两端寻找曲线点，看看这些形状和趋势是否有意义。更高次的多项式最后可能产生怪异的推断结果。 4. 逐步回归（Stepwise Regression）在处理多个自变量时，我们可以使用这种形式的回归。在这种技术中，自变量的选择是在一个自动的过程中完成的，其中包括非人为操作。这一壮举是通过观察统计的值，如R-square，t-stats和AIC指标，来识别重要的变量。逐步回归通过同时添加/删除基于指定标准的协变量来拟合模型。下面列出了一些最常用的逐步回归方法： • 标准逐步回归法做两件事情。即增加和删除每个步骤所需的预测。 • 向前选择法从模型中最显著的预测开始，然后为每一步添加变量。 • 向后剔除法与模型的所有预测同时开始，然后在每一步消除最小显着性的变量。这种建模技术的目的是使用最少的预测变量数来最大化预测能力。这也是处理高维数据集的方法之一。 5. 岭回归（Ridge Regression）岭回归分析是一种用于存在多重共线性（自变量高度相关）数据的技术。在多重共线性情况下，尽管最小二乘法（OLS）对每个变量很公平，但它们的差异很大，使得观测值偏移并远离真实值。岭回归通过给回归估计上增加一个偏差度，来降低标准误差。上面，我们看到了线性回归方程。还记得吗？它可以表示为：y=a+ b*x 这个方程也有一个误差项。完整的方程是： y=a+b*x+e (error term) , [error term is the value needed to correct for a prediction error between the observed and predicted value] => y=a+y= a+ b1x1+ b2x2+....+e, for multiple independent variables. 在一个线性方程中，预测误差可以分解为2个子分量。一个是偏差，一个是方差。预测错误可能会由这两个分量或者这两个中的任何一个造成。在这里，我们将讨论由方差所造成的有关误差。岭回归通过收缩参数λ（lambda）解决多重共线性问题。看下面的公式：在这个公式中，有两个组成部分。第一个是最小二乘项，另一个是β2（β-平方）的λ倍，其中β是相关系数。为了收缩参数把它添加到最小二乘项中以得到一个非常低的方差。要点：除常数项以外，这种回归的假设与最小二乘回归类似；它收缩了相关系数的值，但没有达到零，这表明它没有特征选择功能，这是一个正则化方法，并且使用的是L2正则化。 6. 套索回归（Lasso Regression）它类似于岭回归。 Lasso （Least Absolute Shrinkage and Selection Operator）也会惩罚回归系数的绝对值大小。此外，它能够减少变化程度并提高线性回归模型的精度。看看下面的公式： Lasso 回归与Ridge回归有一点不同，它使用的惩罚函数是绝对值，而不是平方。这导致惩罚（或等于约束估计的绝对值之和）值使一些参数估计结果等于零。使用惩罚值越大，进一步估计会使得缩小值趋近于零。这将导致我们要从给定的n个变量中选择变量。要点： • 除常数项以外，这种回归的假设与最小二乘回归类似 • 它收缩系数接近零（等于零），确实有助于特征选择这是一个正则化方法，使用的是L1正则化 7. 回归（ElasticNet） ElasticNet是Lasso和Ridge回归技术的混合体。它使用L1来训练并且L2优先作为正则化矩阵。当有多个相关的特征时，ElasticNet是很有用的。 Lasso 会随机挑选他们其中的一个，而ElasticNet则会选择两个。 Lasso和Ridge之间的实际的优点是，它允许ElasticNet继承循环状态下Ridge的一些稳定性。要点：它可以承受双重收缩 • 选择变量的数目没有限制 • 在高度相关变量的情况下，它会产生群体效应除了这7个最常用的回归技术，你也可以看看其他模型，如Bayesian、Ecological和Robust回归。如何正确选择回归模型？当你只知道一个或两个技术时，生活往往很简单。我的老师曾告诉我，如果结果是连续的，就使用线性回归。如果是二元的，就使用逻辑回归！然而，在我们的处理中，可选择的越多，选择正确的一个就越难。类似的情况下也发生在回归模型中。在多类回归模型中，基于自变量和因变量的类型，数据的维数以及数据的其它基本特征的情况下，选择最合适的技术非常重要。以下是你要选择正确的回归模型的关键因素： 1. 数据探索是构建预测模型的必然组成部分在选择合适的模型时，比如识别变量的关系和影响时，它应该首选的一步。 2. 比较适合于不同模型的优点，我们可以分析不同的指标参数如统计意义的参数，R-square，Adjusted R-square，AIC，BIC以及误差项，另一个是Mallows' Cp准则。这个主要是通过将模型与所有可能的子模型进行对比（或谨慎选择他们），检查在你的模型中可能出现的偏差。 3. 交叉验证是评估预测模型最好额方法在这里，将你的数据集分成两份（一份做训练和一份做验证）。使用观测值和预测值之间的一个简单均方差来衡量你的预

2020-05-22

摄影技巧大汇总摄影原理相机操作拍摄技巧思维导图.png

非常详细的资源，历时三天整理。摄影技巧学习机器上的参数镜头上的 OIS 相机上的为什么要用取景器？没有取景器的微单拍摄，在以下场景非常苦恼： 1、强光下 2、老花眼，尤其是我这样37岁就开始老花眼的人 3、尤其是长焦拍摄，需要稳定的状态下。单反相机机身和脸部是一个重要的支撑点。 4、液晶取景非常费电，为了抓拍又不能随时关机，得多带几块电池。除非在看取景器非常困难的情况下需要显示屏辅助取景（比如相机高度已高过头顶或机位很低）一般情况还是看取景器。 1是因为取景器是光学成像，镜头所拍摄的东西通过相机里的反光板能一点不差的传送到眼睛里，显示屏是电子的，从真实度和清晰度都不如取景器。 2显示屏取景更费电，如果出门拍摄一天都用显示器取景会很费电。 3一般单反相机在显示屏模式下按下快门时，快门不是马上释放，而是要有一个1秒钟左右的间隔，如果拍摄移动物体，这个世界可能被摄体已经不在预先构图中预计出现的位置了。当然，微单用的是电子取景器，这个是要耗电的，不过关掉电子屏还是会节省很多点。如何关闭自动连接手机传输图像？耗电情况如何？后期 capture one 后期导入图片后不能编辑，所有的编辑图标都是灰色的首选项-图像-打开JPEG编辑、打开tiff编辑、打开png编辑都勾上。没找着打开JPEG编辑然后，查看英文界面发现乃session一词，就是允许用户直接访问硬盘上的图像文件并对其直接操作的意思。这个功能是C1与LR的最大不同之一，用LR时，不导入就无法对图像进行编辑调整，而C1用户则可在会话的方式下，直接查看硬盘的目录树，在任意位置上打开图像文件。然后，从目录树里直接选择图像文件并打开编辑，会话是首选。当用此法查看图像时，也会在图像所在的文件夹里同时生成一个CaptureOne子文件夹。是不是和图层有关？也无法联机拍摄？是不是xt30不支持是不是和激活不成功有关？重新激活pro模式 c1 的几种模式 Express版本免费提供给Sony用户使用（在Pro for Sony的基础上，对有一些功能进行了阉割）； Pro for Sony为收费版本，功能与Capture One Pro一样，但是只支持Sony机器。 DB版本免费提供给Phase One和Leaf的数码后背用户使用，不支持135系列相机。 Capture One Pro的售价为239欧元/279美刀（国内售价2390元），支持市场上绝大部分的135相机和数码后背（据我的经验来看，只不支持宾得），功能最为齐全。如何查看已经激活？重新安装 Capture One有几个核心功能： 1.最好的Raw格式解析算法 2.最好的联机拍摄（商业摄影师联机拍摄首选） 3.颜色编辑器 4.图层遮罩 5.关键字管理（Capture One Pro 9新功能） 6.与PS、LR相比，Capture One 提供了另外的一套后期思路，在我看来学习Capture One的成本要比LR低，但因为国内相关教程较少，所以Capture One在中国的用户没有LR的多，知名度也没有LR的高。通俗讲capture one的优势 Capture One 可以创建属于你自己的色彩管理文件 Capture One 可以让你马上看到画面中对焦对实了的部分有点像观看照片时的峰值 Capture One 可以用色彩编辑器做你想做的关于色彩的一切调节 Capture One 联机拍摄无人能比还可以用iPad或iPhone无线实时监看画面拿过去给模特看做动作或表情调整 ram格式是个什么格式？ affinity photo 拍摄技巧如何保持手持拍摄？ ①双手握持三点接触法 ②贴身握机发 ③颈部拉直肩带发能拍一些平移的画面 ④机身防抖 ⑤后期 ⑥人肉独脚架（利用重力下坠） ⑦广角拍摄,短焦开启防抖 ⑧拍成慢动作，也能防抖用更高的帧数其他有时手持拍摄也是有独特的效果的机器拍摄画面有点不自然，有点假光圈快门感光度调节顺序首先根据需要的景深选择光圈，用光圈优先模式：这样快门速度就自动了。这个曝光只能由相机自动决定，差不了太多。大多数摄影师大多数场景常用光圈优先模式拍摄？如何设置为光圈优先？根据物体移动速度选快门速度，快门速度会适合抓拍，或者是记录轨迹如果用快门优先模式，可以设置相对比较快的快门速度，光圈自动，同样能满足大部分拍摄。最后根据需要的曝光选感光度。 B什么意思？曝光补偿和感光度的区别？元素要少！（做减法）元素统一云和天空人为产生的元素黑夜会弱化掉所有的元素，只留下点亮的那些东西减法虚化虚化了背景，统一了元素元素划分调色上做减法处理前处理后（去掉了几种颜色）处理前处理后对焦如何手动对焦？想要收获最好的虚化效果，要达到以下三个条件手动对焦一般都是在一些很极限的情况下才会用了。不要太在意专业啊、手动啊啥的，千万别以为手动就是专业的，自动对焦本身就是技术的进步，没有那个摄影师会在自动能满足的情况下去考虑手动对焦，除非是职业装13的。手动对焦适用场合大致如下： 1、弱光环境很多拍星空的朋友都有这样的体验，当你想拍摄清晰的前景，对远处暗淡的主体对焦时，你半按快门，却发觉相机无法对焦。在低光低对比的环境下，相机是无法准确对焦的，此时，手动对焦便是最好的选择。 2、微距拍摄　　近距离拍摄物体，半按快门，图像一直在对焦和失焦之间徘徊，始终无法全按快门拍照，此时是最尴尬的时刻，这是因为景深太浅，导致相机无法自动对焦。这时使用手动对焦就可以解决大部分问题。 3、主体前有遮挡物　　在一些场合，你想拍摄的被摄主体前面，有其他物体在前景位置遮挡，比如栏杆，玻璃等等，自动对焦往往就会将焦点放在前景物体上，而不是你想拍摄的主体，此时，用手动对焦能快速解决问题。 4、使用老镜头　　老镜头多没有自动对焦模式，只支持手动对焦，此时便毫无其他选择了。 5、摄影乐趣以前很喜欢蔡司镜头，它拍出的图片色彩浓郁，德味甚浓，但蔡司头都是手动头。犹豫再三，半年前还是禁不住诱惑进了一只蔡司50/1.4镜头。其后，我多次用它进行街拍或人像拍摄，不得不说，手动对焦的乐趣，是旁人无法体会的。二、手动对焦方法 1、相机设置：（以尼康相机为例） 1.1.镜头的对焦模式，调为手动，即 “M”档。 1.2.相机的对焦模式，调为手动，即 “M”档。 1.3.另外，我拍摄风光类题材，相机的拍摄模式也是手动“M”档。 2、对焦点选择： 2.1.静态风光摄影中，一般选择全景深的近三分位对焦。 2.2.城市夜景风光，对焦部位尽量选择窗户等相对高光比区域，便于合焦确认。 2.3.强光手电辅助照亮主体，也是手动快速对焦的法宝。 3、手动对焦方法： 3.1.稳定：使用三角架等设备固定相机。 3.2.光圈：一般风光摄影的光圈设置为F8-F16，在对焦时，先把它设置为镜头的最大光圈，以得到最浅景深便于合焦识别。这一步是手动精准对焦的关键！ 3.3.打开相机背屏显示模式： 3.4.选择对焦点：左右上下移动背屏上的红色方块，来选择对焦点。 3.5.最大限度放大对焦点：按相机上的放大键，最大限度放大对焦点。 3.6.手动转动镜头的对焦环，调节到对焦点最清晰为止。 3.7.把光圈设置再调整回实拍光圈，即F8-F16。 3.8.手动对焦完毕，可以实拍。其他的合焦确认方法： 1、相机合焦提示调节对焦环，观察单反相机目镜，里面有合焦显示提示。尼康相机是白色的圆点，没有合焦时，是向右或向左的白色三角。 2、峰值对焦峰值对焦是索尼微单相机所具备的一种对焦方式，其原理是将画面对比度最高的区域用高亮的方式显示出来。越是接近合焦，画面上出现的红色（颜色也可设定为其他颜色）颗粒就越是明显。而这些红色的颗粒就是所谓的峰值。对焦环如何手动对焦？想要收获最好的虚化效果，要达到以下三个条件手动对焦一般都是在一些很极限的情况下才会用了。不要太在意专业啊、手动啊啥的，千万别以为手动就是专业的，自动对焦本身就是技术的进步，没有那个摄影师会在自动能满足的情况下去考虑手动对焦，除非是职业装13的。手动对焦适用场合大致如下： 1、弱光环境很多拍星空的朋友都有这样的体验，当你想拍摄清晰的前景，对远处暗淡的主体对焦时，你半按快门，却发觉相机无法对焦。在低光低对比的环境下，相机是无法准确对焦的，此时，手动对焦便是最好的选择。 2、微距拍摄　　近距离拍摄物体，半按快门，图像一直在对焦和失焦之间徘徊，始终无法全按快门拍照，此时是最尴尬的时刻，这是因为景深太浅，导致相机无法自动对焦。这时使用手动对焦就可以解决大部分问题。 3、主体前有遮挡物　　在一些场合，你想拍摄的被摄主体前面，有其他物体在前景位置遮挡，比如栏杆，玻璃等等，自动对焦往往就会将焦点放在前景物体上，而不是你想拍摄的主体，此时，用手动对焦能快速解决问题。 4、使用老镜头　　老镜头多没有自动对焦模式，只支持手动对焦，此时便毫无其他选择了。 5、摄影乐趣以前很喜欢蔡司镜头，它拍出的图片色彩浓郁，德味甚浓，但蔡司头都是手动头。犹豫再三，半年前还是禁不住诱惑进了一只蔡司50/1.4镜头。其后，我多次用它进行街拍或人像拍摄，不得不说，手动对焦的乐趣，是旁人无法体会的。二、手动对焦方法 1、相机设置：（以尼康相机为例） 1.1.镜头的对焦模式，调为手动，即 “M”档。 1.2.相机的对焦模式，调为手动，即 “M”档。 1.3.另外，我拍摄风光类题材，相机的拍摄模式也是手动“M”档。 2、对焦点选择： 2.1.静态风光摄影中，一般选择全景深的近三分位对焦。 2.2.城市夜景风光，对焦部位尽量选择窗户等相对高光比区域，便于合焦确认。 2.3.强光手电辅助照亮主体，也是手动快速对焦的法宝。 3、手动对焦方法： 3.1.稳定：使用三角架等设备固定相机。 3.2.光圈：一般风光摄影的光圈设置为F8-F16，在对焦时，先把它设置为镜头的最大光圈，以得到最浅景深便于合焦识别。这一步是手动精准对焦的关键！ 3.3.打开相机背屏显示模式：

2020-05-16

Python数据科学速查表.pdf

免费，超级有用的速查表，内容清晰明了，值得反复翻阅，总共十四张。我将他们汇总成了一个pdf文件，方便查阅~

2020-04-08

安装pylearn2，一直报“failed with exit status 2”这个错，咋回事呢……

2019-11-06

TA创建的收藏夹 TA关注的收藏夹

TA关注的人

一本制作很用心的影集

7个回归分析方法思维导图.png

摄影技巧大汇总 摄影原理 相机操作 拍摄技巧 思维导图.png

Python数据科学速查表.pdf

安装pylearn2，一直报“failed with exit status 2”这个错，咋回事呢……

摄影技巧大汇总摄影原理相机操作拍摄技巧思维导图.png