EE304 概率统计学 笔记一

最新推荐文章于 2024-10-13 11:08:06 发布
最新推荐文章于 2024-10-13 11:08:06 发布
阅读量515 收藏 9
点赞数 15
分类专栏： 概率论 文章标签： 笔记
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_69352085/article/details/135427110
版权

一、事件 & 样本空间

名词符号解释
样本空间ΩP（Ω） = 1
事件样本空间的子集【其实就是可能的情况】
并集（E U F）【EF共有的部分】
交集（E ∩ F）【EF两个集合加起来】
补集（Ec）【E没发生——除掉该集合以外的所有结果】
空集（∅）【啥也没有】
E \ FE ∩ Fc【E发生了但F没有】
互斥E ∩ F = ∅【mutually exclusive 或者 disjoint】
包含E ⊆ F ⇐⇒ x ∈ E ⇒ x ∈ F【若 x 属于 E，就满足 x 属于 F，那么E被包含于 F】

在这里插入图片描述
在这里插入图片描述

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

1. 经典概率（Classical Probability）：

所有结果可能性相等【P = 1 / 结果的总数】

在这里插入图片描述
在这里插入图片描述

2. 相对频率（Relative Frequency）

在这里插入图片描述
在这里插入图片描述

晴桡
关注
专栏目录
机器学习笔记 - 怎么确认是否有足够的训练数据？
学以致用 知行合一
10-10 762
最近有一些关于数据是否是新石油的争论。 无论如何，为我们的机器学习工作获取训练数据可能是昂贵的（在工时、许可费、设备运行时间等方面）。 因此，机器学习项目中的一个关键问题是确定需要多少训练数据才能实现特定的性能目标（即分类器准确性）。 在这篇文章中，我们将在从回归分析到深度学习等领域对有关训练数据大小的实证和研究文献结果进行快速但广泛的审查。 训练数据大小问题在文献中也称为样本复杂度。 具体来说，我们将： 说明回归任务和计算机视觉任务训练数据的经验范围； 给定统计检验...
EE304 概率统计学 笔记（三）【条件概率】
qq_69352085的博客
01-06 329
已知 F 已经发生，求 E 发生的概率：【EF同时发生的数量 / F单独发生的数量】【EF同时发生的概率 / F单独发生的概率】
EE304 概率统计学 笔记（四）【随机变量】
qq_69352085的博客
01-06 351
注：① F(x) ≤ 1；被称为“累积分布函数”（cumulative distribution function）注：① f (x) ≥ 0 for all x；② 所有 f (x) 加起来等于 1。被称为“概率质量函数”（probability mass function）P(X = x) 表示随机变量取x的值的概率。
EE304 概率统计学 笔记（二）【排列组合】
qq_69352085的博客
01-06 339
排列&组合（Permutations & Combination） 描述 式子 随机排列 n 个独立对象 n! n 个独立对象里取 r 个并且排列 n! / (n - r)! n 个独立对象里取 r 个但是不排列 n! / [ r! * (n - r)! ]
计网学习笔记一
m0_66036805的博客
11-18 523
《计算机网络：自顶向下方法》一书的学习笔记
异常检测学习笔记 02 下基于统计学的方法
ritatype的博客
01-15 245
异常检测——基于统计学的方法 1.概述 异常检测的统计学方法有两种，参数方法和非参数方法。两者的区别在于参数方法要求假定数据服从某个参数分布，而非参数方法并不需要假定先验统计模型，但非参数方法并不是说模型是完全无参的，只是可以灵活假设参数类型和个数。 2.参数方法 2.1 基于正态分布的一元异常点检测 类似于箱型图的异常点（利用数据集的上下四分位数，中点等定义异常点。 假定输入数据集为x(1),x(2),...,x(m){x^{(1)}, x^{(2)}, ..., x^{(m)}}x(1),x(2),..
异常检测--笔记二--基于统计学的方法
weixin_46303299的博客
05-14 369
异常检测--笔记二--基于统计学的方法1概述2参数方法3非参数方法4基于角度的方法5HBOSHBOS的尝试6总结参考资料 1概述 统计学方法对数据的正常性做出假定。它们假定正常的数据对象由一个统计模型产生，而不遵守该模型的数据是异常点。 统计学方法的有效性高度依赖于对给定数据所做的统计模型假定是否成立。异常检测的统计学方法的一般思想是：学习一个拟合给定数据集的生成模型，然后识别该模型低概率区域中的对象，把它们作为异常点。 根据如何指定和学习模型，异常检测的统计学方法可以划分为两个主要类型：参数方法和非参数方
Deep Learning on Graphs: A Survey论文笔记
风行
09-03 1277
Deep Learning on Graphs: A Survey问题术语表示词汇说明摘要信息文章框架主要内容读出操作什么是读出操作(readout operation)读出操作要求的顺序不变性(Order Invariance)读出操作的方法总结GCNs改进和讨论注意力机制残差和跳跃连接边缘特征离散边缘特征采样方法问题的引入抽样方法Inductive Setting什么是inductive setting？可以研究的方向Theoretical Analysis,理解为什么GCNs有效node-focuse
统计学在业内的应用1：分布、参数估计与假设检验及工业界应用
夏洛克江户川
03-06 4820
统计学在业内的应用1：分布、参数估计与假设检验及工业界应用统计学的方法应用框架1、统计学的学科逻辑2、分布2.1 何为分布2.2 概率分布函数(通常直接简称为分布函数)一、离散情况二、连续情况2.3、总体分布、样本分布、抽样分布一、总体、样本、抽样分布二、大数定律三、中心极限定理2.4、常见分布3、参数估计3.1、点估计3.2、区间估计4、假设检验4.1、显著性水平与p值的含义4.2、第一类错误与...
深度学习中的数学学习笔记
qq_45620431的博客
04-27 437
深度学习的数学 第一章 神经网络的思想 1-1 神经网络和深度学习 神经网络 生物上的神经元 神经元形成网络 对于从其他多个神经元传递过来的信号，如果它们的和不超过某个固定大小的值（阈值），则神经元不做出任何反应 对于从其他多个神经元传递过来的信号，如果它们的和超过某个固定大小的值（阈值），则神经元做出反应（称为点火），向另外的神经元传递固定强度的信号 在2.和3.中，从多个神经元传递过来的信号之和中，每个信号对应的权重不一样 1-2 神经元工作的数学表示 神经元工作的数学表示 神经元点火的结构： 来
[论文笔记] BPC(bits per character)和BPW(bits per word)
心宝的博客
03-07 397
因此，当谈论信息理论时，"nats" 和 "bits" 可能是用于测量信息量的两种不同单位。需要注意的是，BPC和BPW都只是评价模型质量的一种方式，它们本身并不能完全体现模型的泛化能力和实际应用效果。--所以平均单词长度度* log(2))就表示了数据集中平均每个单词的比特长度。，计算公式为: BPW =交叉熵损失失/ (log(2) * 平均单词长度)：在信息论中，"nats" 是一种用于衡量信息量或信息熵的单位。它是计算机数据存储和传输的基本单位，用于衡量信息的量和处理速度。
如果用深度学习的方法怎么训练一个人的情商？
百态老人的博客
06-28 626
深度学习训练情商的方法深度学习在情商训练方面的应用主要集中在情感分析和对话系统算法两个方面。情感分析算法是一种自然语言处理技术，用于识别和分类文本中的情感，而对话系统算法则用于处理人类与AI系统之间的对话。情感分析算法情感分析算法的核心步骤包括数据收集、预处理、特征提取和模型训练。在数据收集阶段，需要收集大量的情感标注数据，用于训练模型。预处理阶段涉及对数据进行清洗和转换，以便于模型处理。特征提取阶段则是从文本中提取情感相关特征，如情感词汇、句子结构等。
【图像去噪（Image Denoising）】关于【图像去噪】专栏的相关说明，包含适配人群、专栏简介、专栏亮点、阅读方法、定价理由、品质承诺、关于更新、去噪概述、文章目录、资料汇总、问题汇总（更新中）
畅游计算机视觉的海洋
08-26 3547
你是否在全网苦寻【图像去噪（Image Denoising）】的相关资料？你的目标是否是看懂【图像去噪（Image Denoising）】的相关论文，复现代码，跑出结果，并试图创新？你是否需要发表【图像去噪（Image Denoising）】的相关论文毕业？你是否需要做【图像去噪（Image Denoising）】的相关项目，开发软件，研究算法，获得专利或者软著？只要是与【图像去噪（Image Denoising）】有关的问题，那么请继续往下看。
【JasperReports笔记06】JasperReports报表开发之Jasper Studio开发工具中添加自定义字体
✅ Java 开发工程师，从事 Web 应用程序的研发，擅长 Spring、SpringBoot 等技术。 ✅ 热爱编程，业余时间学习新知识，通过 CSDN 记录学习心得和笔记内容。
10-11 115
在使用Jasper Studio工具制作报表模板的时候，我们一定会使用到字体文件，常见的字体有：微软雅黑和宋体，但是如果你想添加其他的字体，那么必须要下载字体，然后将其添加到Jasper Studio工具里面，这样才可以在开发开发工具里面使用对应的字体。我们可以在一些字体网站找自己喜欢的字体，然后下载到本地电脑里面，后续就可以开始配置字体路径啦。字体下载_免费字体下载_商用字体设计定制--字魂网字体天下-提供各类字体的免费下载和在线预览服务免费字体下载_免费商用字体_免费字体网_自由字体官网。
PostgreSQL学习笔记十：锁机制详解
软件行业技术文化交流。
10-11 1264
它通过不同级别的锁来控制对数据对象的并发访问，主要包括表级锁、行级锁、页级锁、咨询锁（Advisory Locks）以及死锁（Deadlocks）。咨询锁可以用于实现更细粒度的锁控制，例如，在不同的事务之间同步对特定资源的访问。咨询锁可以是会话级别的或事务级别的，允许用户在不同的进程或事务之间进行协调。：设计事务时，应尽量减少锁的持有时间，并避免长时间运行的事务，因为这会增加死锁的风险。这些锁可以是行级的、事务级的，或者是咨询锁（advisory locks），它们用于控制对表或行的并发访问。
[C++ 核心编程]笔记 5 函数提高
Alex的博客
10-11 429
作用:函数名可以相同，提高复用性同一个作用域下函数名称相同函数参数类型不同 或者 个数不同 或者 顺序不同注意: 函数的返回值不可以作为函数重载的条件//原函数cout
JAVA Web(学习笔记)
m0_74728220的博客
10-09 1225
客户端在发送一个请求时，一般而言都会携带一些数据(例如URL中的参数、页面中的表单、Ajax提交的参数等)，当一个Servlet接收到这些请求时，Java Servlet中的类通过所提供的方法就能得到这些参数，也正是这个原因，Servlet可以对发送请求起到拦截作用，它在某些请求前先做一个预处理分析，从而判断客户端是否可以做某些请求，当Servlet具有如上功能时，一般称之为拦截器。Servlet起到这个中间角色的功能，协调各组件、各部分完成相应的功能，根据不同的请求做出相应的响应并显示结果。
前端学习笔记 --css 黑马程序员3
m0_73805171的博客
10-11 510
文章目录盒子模型盒子的边框边框的复合写法表格的细线边框边框的注意事项paddingpadding的复合属性padding的注意事项marginmargin 让块元素、行内元素、行内块元素实现水平居中margin 外边距合并相邻块元素垂直外边距合并嵌套块元素垂直外边距合并圆角边框圆角边框的使用盒子边框文字阴影浮动浮动的原理与语法浮动的特性--脱标浮动特性--浮动元素一行显示浮动特征--浮动元素具有行内块元素的特性浮动的使用注意事项清除浮动清除浮动的方法清除浮动总结定位相对定位绝对定位固定定位粘性定位定位分类总
苍穹外卖学习笔记(二十一)
最新发布
₍˄·͈༝·͈˄*₎◞ ̑̑的博客
10-13 308
取消订单与再来一单
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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