qq_43227353的博客

描述统计（Descriptive Statistics）： 描述统计是对数据集中的变量进行总结和描述的方法，常用的描述统计指标包括：数据探索分析（Exploratory Data Analysis，EDA）： EDA是对数据集进行初步分析和探索的过程，旨在发现数据的特点、结构和潜在关系，常用的方法包括：相关性分析（Correlation Analysis）： 相关性分析用于衡量两个或多个变量之间的关联程度，常用的方法包括：回归分析（Regression Analysis）： 回归分析用于探究自变量和因变量之

matplotlib基本绘图、图形样式、子图绘制、文本和注释、图形保存等

假设我们有一个包含身高和体重的数据集，我们想要建立一个线性回归模型来预测一个人的体重。但是，在进行建模之前，我们需要对数据进行转换和规范化。接下来，我们可以对身高和体重进行数据标准化，使其均值为0，方差为1。这样做可以提高模型的收敛速度和性能。在进行数据转换和规范化之前，我们首先需要处理缺失值。我们可以使用均值填充缺失值来处理体重的缺失值。通过数据转换和规范化，我们将原始数据转换为了标准化后的数据，使其更适合用于建模分析。

使用插值方法填充缺失值，如线性插值、多项式插值

云服务器实时下载数据，利用rsync

受限玻尔兹曼机(RBM)一、RBM的网络结构RBM的网络结构如下图所示：RBM中包括两层，即：可见层(visible layer)，图上的___v___隐藏层(hidden layer)，图上的___h___由上图可知，在同一层中，如上图中的可见层，在可见层中，其节点之间是没有连接的，而在层与层之间，其节点是全连接的，这是RBM最重要的结构特征：层内无连接，层间全连接。在RBM的模型中，有如下的性质：当给定可见层神经元的状态时。各隐藏层神经元的之间是否激活是条件独立的；反之也同样成立。

三、DBN3.1 生成模型深度信念网络是一个生成模型，用来生成符合特定分布的样本。隐变量用来描述在可观测变量之间的高阶相关性。假如加入服从分布 𝑝(𝑣)的训练数据，通过训练得到一个深度信念网络。生成样本时，先在最顶两层进行足够多的吉布斯采样，在达到热平衡时生成样本ℎ^((𝐿−1))，然后依次计算下一层隐变量的分布。因为在给定上一层变量取值时，下一层的变量是条件独立的，故可独立采样。这样，从第𝐿−1层开始，自顶向下进行逐层采样，最终得到可观测层的样本。3.2 参数学习深度信念网络最直接的训练方式是

感知机

南京审计大学统计学研究课程《统计计算与优化》

南京审计大学统计学研究生第一学期课程，《高等概率论》。

南京审计大学统计学研究生第一学期课程，《高等概率论》。

南京审计大学统计学研究生第一学期课程，《高等概率论》。

南京审计大学统计学研究生第一学期课程，《高等概率论》。

南京审计大学统计学研究生第一学期课程，《高等概率论》

南京审计大学统计学研究生第一学期课程，《高等概率论》

南京审计大学统计学研究生第一学期课程，《高等概率论》

南京审计大学统计学研究生第一学期课程，《高等概率论》

南京审计大学统计学研究生第一学期课程，《高等概率论》

文章目录3.1 视图3.1.1 什么是视图3.1.2 视图与表有什么区别3.1.3 为什么会存在视图3.1.4 如何创建视图3.1.5 如何修改视图结构3.1.6 如何更新视图内容3.1.7 如何删除视图3.2 子查询3.2.1 什么是子查询3.2.2 子查询和视图的关系3.2.3 嵌套子查询3.2.4 标量子查询3.2.5 标量子查询有什么用3.2.6 关联子查询小结练习题-第一部分3.13.23.33.43.3 各种各样的函数3.3.1 算数函数3.3.2 字符串函数3.3.3 日期函数3.3.4 转换

Task02：SQL基础查询与排序 ---- 习题ref练习题1编写一条SQL语句，从product（商品）表中选取出“登记日期（regist在2009年4月28日之后”的商品，查询结果要包含product_name和regist_date两列。SELECT product_name, regist_date FROM productWHERE regist_date > '2009/4/28'练习题2请说出对product 表执行如下3条SELECT语句时的返回结果。