![](https://img-blog.csdnimg.cn/20201014180756927.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
数学工具
文章平均质量分 66
code bean
wpf/halcon/算法 技术分享~~~~
展开
-
归并排序之从微观看递归
这次,并不是具体讨论归并排序算法,而是利用归并排序算法,探讨一下递归。归并排序的特点在于连续使用了两次递归调用,这次我们将从微观上观察递归全过程,从本质上理解递归,如果能看完,你一定能变得更强!原创 2023-08-23 14:47:21 · 588 阅读 · 2 评论 -
【数学】这可能是全网最易懂的贝叶斯公式讲解
上午在B站连续刷到两个讲贝叶斯的视频,都讲的极好,而且一个视频是从应用的角度,一个是从原理的角度。我将两个视频反复对照观看发现之前怎么都无感的贝叶斯,这次居然通透了!视频链接我将放到最下方。原创 2023-08-06 11:37:15 · 1269 阅读 · 0 评论 -
理解 期望(均值/估计值)和方差
开始会给出公式,后面结合正态分布的的期望和方差,来更具体的理解他们。首先,期望全名“数学期望”,又名均值或估计值,注意和平均值不是一个概念。这个后续再说。说到期望,就得先说分布列。X 表示不同种类的事件对应的数值,P表示每钟事件发现的概率 。什么叫做事件对应的数值,这其实是我们自己下的一个定义,比如抛正面得1分。再比如: 这里得到得分布列应该是: 那么有了分布列,就可以求期望了,或者说求均值/估计值。这里用EX表示期望: 哪有了分布列,求期望和非常简单的。(如上图:相乘再相加)。这里也看出了它与平均值的不同原创 2022-06-27 12:03:01 · 10136 阅读 · 2 评论 -
最大似然估计,散度,交叉熵
如果这个信息,可以将之前非常不确定的事情,确定了,说明这个信息的信息量很大!这张图是解释,数学家如何定义信息量的过程:也就是说,阿根廷夺冠的信息量 = 阿根廷进决赛的信息量+阿根廷赢了决赛的信息量,但是x本身是概率,所以这里的1/8 是 x1*x2 的结果。及:这种特性是log特有的。 然后底数大于1的时候,log单调递增,所以加上负号让其单独递减。到此信息量的定义完成了。接下看信息熵的定义:求信息熵的过程就是求期望的过程:信息量乘以事件发生的概率,然后求和。 信息熵,描述的是“消息”的不确定性程度或者说是原创 2022-06-22 20:28:50 · 468 阅读 · 0 评论 -
伯努利分布,二项分布和泊松分布以及最大似然之间的关系(未完成)
伯努利试验说的是下面一种事件情况:在生活中,有一些事件的发生只有两种可能,发生或者不发生(或者叫成功或者失败),这些事件都可以被称为伯努利试验。伯努利试验的概率分布称为伯努利分布(两点分布、0-1分布),如果记成功概率为p,则失败概率为q=1-p,则:假如某个试验是伯努利试验。进行n次这样的试验,成功了x次,则失败了n-x。二项分布认为:发生这种情况的概率可以用下面公式来计算:二项分布的概率质量函数可以简写为X~B(n,p)。实际上,当n = 1时,二项分布就是 伯努利分布。这就是二项分布和伯努利分原创 2022-06-22 17:03:59 · 4819 阅读 · 0 评论 -
为啥要使用梯度下降法
求最大值最小值的两种主流方法: 将导致设置为0当然是最简单的方法,但是有时求导之后,没法发保证左边只包含w,而右边不包含的情况,此时需要使用梯度下降法。先随便给一个w的初始值,然后根据导函数,一步步的迭代,直到w收敛。此时w的对应的f(w)值也越来越趋近最小值!...原创 2022-06-21 10:54:05 · 271 阅读 · 0 评论 -
看完这个视频我算是明白了正弦余弦是怎么来的了。
傅里叶、拉普拉斯、卷积、欧拉方程、梯度散度、拉格朗日方程、奈奎斯特采样、虚数等抽象难懂数学一网打尽_哔哩哔哩_bilibilihttps://www.bilibili.com/video/BV1G3411s7bf?p=1首先,这幅图是描述了一个三维的空间:如果不关注Z轴(把Z轴拍扁),就是一个球做圆周运动,x和y就是就是圆上每个点映射值。这个空间的关键是Z轴,它记录当前小球转了多少圈(度)。.........原创 2022-06-08 20:50:54 · 398 阅读 · 0 评论 -
线性代数感悟之8 生成空间和空间的基
二维空间中的任何向量,都可以表示为u和v的线性组合,我们说u和v可以生成整个二维空间。这个过程其实是证明n维空间中n个向量可以表示其他任何向量u。这个过程和证明线性相关的过程是一致的。注意这里的u表示任意的向量!ps:整个过程使用列视角。变化成这种形式之后,应该形成条件反射: 证明N个向量是否可以生成整个空间?就是证明:n维空间中n个向量可以表示其他任何向量u。这就是其实就是证明:n维空间中n个向量是否和其他的任何向量线性相关。那就是证明,这个矩阵是否有解:又因为u是任意的向量,所以要考虑所有原创 2022-06-01 11:22:05 · 1927 阅读 · 0 评论 -
线性代数感悟之7 行视角和列视角的本质
引言最近在看 liuyubobobo 的线性代数课,感觉很妙,有些感悟记录一下~~~行视角的定义:列视角的定义先来2道开胃菜:这是一个一行两列的矩阵 乘以一个两行一列的矩阵,得到就是一个一行一列的“矩阵”,也就是标量。这个计算过程,其实就是列视角的过程!(矩阵相加的过程)这个过程如果想用行视角,你会发现没法细分了。这是一个两行一列的矩阵 乘以一个一行两列的矩阵,得到就是一个两行两列的矩阵。这个计算过程,其实就是行视角的过程!(直接放到矩阵的过程...原创 2022-05-27 17:27:18 · 1829 阅读 · 0 评论 -
线性代数感悟之6 单位矩阵和初等矩阵
引言最近在看 liuyubobobo 的线性代数课,感觉很妙,有些感悟记录一下~~~单位矩阵:单位矩阵的特点:从左上角到右下角的对角线(称为主对角线)上的元素均为1。使用行视角,将单位矩阵看成一个变化矩阵。‘那么 单位矩阵第1行的作用: 将1行的数据保持不变,第2行,和第3行的数据清零,最后,将所有的结果相加!,得到第1行数据不变。第2行的作用: 将2行的数据保持不变,第1行,和第3行的数据清零,最后,将所有的结果相加!,得到第2行数据不变。第3行的...原创 2022-05-25 11:20:14 · 6126 阅读 · 0 评论 -
【详解】为何三元一次方程可以表示一个平面
首先如何确定一个平面?1 知道平面的倾向角(比如知道一个平面与某个向量垂直)2 知道整个平面过某个点这样整个平面就被确定下来。当 Ax+By+Cz=0对于这个方程来说,也就是向量(A,B,C)与(x,y,z)垂直。(x,y,z)可以表示空间中某个点,那么,假设有个平面,与(A,B,C)垂直,这个平面恰好经过了点(x y z). 那么这个平面及与(A,B,C)垂直,且经过了一个点。说明这个平面被确定下来反过来说,这个平面上的所有的点,构成的平面与(A,B,C)垂直。原创 2022-04-27 11:29:26 · 5614 阅读 · 3 评论 -
线性代数感悟之4 通过增广矩阵查看解的情况上篇
最近在看 liuyubobobo 的线性代数课,感觉很妙,有些感悟记录一下~~~通过增广矩阵查看解的情况:------------------------------------------------------------------------------------------------------------------------------主元(首元)定义:非零行的第一个元素。什么是阶梯形矩阵?感性定义:可以画个阶梯,阶梯下面都是0理性定义: 有...原创 2022-04-27 08:58:35 · 12615 阅读 · 0 评论 -
线性代数感悟之3 矩阵列视角之矩阵表示空间
最近在看 liuyubobobo 的线性代数课,感觉很妙,有些感悟记录一下~~~之前我一直都是行视角,原来还有个列视角!!!矩阵和向量相乘的行视角:矩阵和向量相乘的列视角:和行视角一样,相乘是有顺序的,第一列*第一行 第二列*第二行。接下来是,使用列视角:2*2的单位矩阵,就可以看成,由两个标准的单位向量构成的坐标空间!这是一个正常的没有形变的空间(单位向量表示的空间是没有形变的空)。向量 与其相乘(它乘以的是单位向量所以得到的是本身,没变)得到的...原创 2022-04-25 21:12:07 · 1041 阅读 · 1 评论 -
线性代数感悟之2
最近在看 liuyubobobo 的 线性代数课,感觉很妙,有些感悟记录一下~~~一点感悟:矩阵的结合律秒啊! 矩阵的结合律非常重要此图,分两步,先沿x轴翻转,再沿y轴翻转。由于 矩阵的乘法是满足结合律的,所以我们可以将Tx*Ty先计算,得到一个全新的变换因子。再用新的变换因子可以一次完成目的!!!但是这里有个问题,矩阵的乘法是不满足交换律的,但是我们发现,先先沿x轴翻转,再沿y轴翻转与 先先沿y轴翻转,再沿下轴翻转,是一样的。那是因为 Tx*Ty 恰好和Ty*Tx .原创 2022-04-23 10:10:16 · 212 阅读 · 0 评论 -
线性代数感悟之1
最近在看 liuyubobobo 的 线性代数课,感觉很妙,有些感悟记录一下~~~一点感悟:以前,总是求解变量,从而太关注x y了,而此时,我们应该把注意力移到 a 和 b。x y 只是一个群体的代表,点(向量)的抽象。xy一系列的点,最终会作为,矩阵乘法的右值。左值就是一个变换的因子。第一个2*2的矩阵就是一个变换因子。因为乘法左侧矩阵的列是2,那么乘法右侧的行比如是2。(这个维度最终是抵消的,不会出现到结果中)因为乘法左侧矩阵的行是2,那么结果矩阵的行必然是2...原创 2022-04-23 09:43:13 · 399 阅读 · 0 评论