![](https://img-blog.csdnimg.cn/20201014180756927.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
数学
文章平均质量分 87
Xurtle
俺的私人微博:http://weibo.com/hacker4long
展开
-
Oscar的狗丢失在丛林中(条件与独立性概率习题)
题意如下Oscar has lost his dog in either forest A (with probability 0.4) or in forest B (with probability 0.6).If the dog is in forest A and Oscar spends a day searching for it in forest A, the conditional原创 2016-03-01 17:39:22 · 1305 阅读 · 0 评论 -
MIT 18.06 线性代数总结(Part I)
本文是对 MIT 18.06 线性代数的总结,非常感谢 Gilbert Strang 教授的付出,从课程中收获很多......原创 2018-01-02 14:43:27 · 6347 阅读 · 0 评论 -
MIT 18.01 单变量微积分总结
本文是对 MIT 18.01 单变量微积分的总结,非常感谢 David Jerison 教授的付出,从课程中收获很多.........原创 2018-01-05 13:35:05 · 8499 阅读 · 0 评论 -
MIT 18.02 多变量微积分总结(Part I)
本文是对 MIT 18.02 多变量微积分的总结,非常感谢 Denis Auroux 教授的付出,从课程中收获很多...原创 2018-01-05 15:35:53 · 5629 阅读 · 0 评论 -
MIT 18.02 多变量微积分总结(Part II)
本文是对 MIT 18.02 多变量微积分的总结,非常感谢 Denis Auroux 教授的付出,从课程中收获很多......原创 2018-01-18 19:03:25 · 3930 阅读 · 0 评论 -
MIT 18.06 线性代数总结(Part II)
本文是对 MIT 18.06 线性代数的总结,非常感谢 Gilbert Strang 教授的付出,从课程中收获很多...原创 2018-01-21 07:56:51 · 3275 阅读 · 0 评论 -
大数定律与中心极限定理
Be able to use the central limit theorem to approximate probabilities of averages and sums of independent identically-distributed random variables.原创 2018-03-09 20:20:41 · 13440 阅读 · 0 评论 -
MIT 6.041 概率系统分析与应用概率总结
本文是对 MIT 6.041 概率理论的总结,非常感谢 John Tsitsiklis 教授的付出,从课程中收获很多...原创 2016-03-04 14:52:44 · 15837 阅读 · 0 评论 -
概率质量函数(Probability Mass Function)和期望课程笔记
随机变量的数学定义...原创 2016-02-25 19:47:30 · 18393 阅读 · 0 评论 -
伯努利随机过程
伯努利随机过程....原创 2018-03-05 20:39:08 · 5696 阅读 · 0 评论 -
一篇文章总结微积分中的所有重要概念
这篇文章介绍了微积分中所有的重要概念,让大家在宏观上知道微积分这门学科主要在研究什么。这篇文章并没有涉及到这些概念的具体细节,因此大多数人可以很容易地理解它,并掌握微积分中的重点,从而使大家更有针对性地学好微积分这门课程。原创 2017-05-02 11:21:19 · 4761 阅读 · 0 评论 -
概率密度函数(probability density function)课程笔记
PDFs一个合法的PDF有2个条件:fX(x)≥0f_X(x) \ge 0∫∞−∞fX(x)dx=1\int_{-\infty}^{\infty}f_X(x)dx = 1取值在一个连续的集合上,并且它的概率能通过PDF来描述,这样的随机变量才是连续随机变量。对于连续随机变量X,它在区间[a, b]的概率为:P(a≤X≤b)=∫bafX(x)dxP(a \le X \le b) = \int_{原创 2016-03-26 21:29:02 · 47281 阅读 · 0 评论 -
独立性课程笔记
两个事件的独立性原创 2016-02-28 23:05:15 · 780 阅读 · 0 评论 -
计数课程笔记
两种方式构建一个k个不同元素的有序序列(nk)\begin{pmatrix}n\\k\\ \end{pmatrix}原创 2016-03-02 18:36:58 · 495 阅读 · 0 评论 -
用等高线图(Contour maps)可视化多变量函数
Overview由于我们用手来画三维图像很困难,我们可以用等高线图来描述图像会更加简单。等高线图用于描述两维输入和一维输出的函数,例如:f(x,y)=x5−x3+y3f(x,y) = x^5 - x^3 + y^3如何画等高线图选择一系列等间隔的输出值,例如:{0.7, 0.4, 0.1, -0.2}对于上面的每个输出值,找到所有的输入值(x,y),使得f(x,y)等于那个输出值。下面的例子可原创 2016-03-18 10:25:13 · 15289 阅读 · 0 评论 -
一张图搞定多变量微积分
Overview此篇文章包含多变量微积分一些重点概念和一些重要应用。通过一些已有的结论和公式来解决现实中的问题。通过多变量微积分的学习让我对机器学习的一些算法了解的更加透彻。我并没有阐述公式的原理和其推导过程,但是,我会在相应主题的下面给你一些解释其原理的链接,如果想了解的话可以看看。核心内容我自己画了一张思维导图,我会按照图上的标号依次阐述其具体内容。图片如下:(一) 梯度函数f的梯度表示为∇f\原创 2016-03-19 20:50:11 · 14282 阅读 · 0 评论 -
加条件的随机变量和多个随机变量的独立性课程笔记
Conditional PMFspX|Y(x|y)=P(X=x|Y=y)=P(X=x and Y=y)P(Y=y)=pX,Y(x,y)pY(y)p_{X | Y}(x | y) = P(X = x | Y = y) = \frac{P(X = x\ and\ Y = y)}{P(Y = y)} = \frac{p_{X,Y}(x, y)}{p_Y(y)} 定义的y使得pY(y)>0p_Y(y) \g原创 2016-03-09 19:04:29 · 2218 阅读 · 1 评论 -
数学背景知识课程笔记
集合(Set)集合中不能包含重复的元素。并集和交集x∈S∪T等价于x∈Sx \in S \cup T 等价于 x \in S or x∈Tx\in Tx∈S∩T等价于x∈Sx \in S \cap T 等价于 x \in S and x∈Tx\in T集合属性S∪T=T∪SS \cup T = T \cup S S∩(T∪U)=(S∩T)∪(S∩U)S \cap (T \cup U) = (S \原创 2016-02-25 23:13:14 · 930 阅读 · 0 评论 -
已解决的问题课程笔记
P((A∩Bc)∪(Ac∩B))=P(A)+P(B)−2∗P(A∩B)P((A \cap B^c) \cup (A^c \cap B)) = P(A) + P(B) - 2 * P(A \cap B)推导过程如下因为A∩Bc和Ac∩BA \cap B^c 和 A^c \cap B是不相交的,所以根据可加性公理可得: P((A∩Bc)∪(Ac∩B))=P(A∩Bc)+P(Ac∩B)P((A \cap原创 2016-02-26 14:23:44 · 671 阅读 · 1 评论 -
条件概率和Bayes法则(Bayes' rule)
条件概率的定义P(A|B)=P(A∩B)P(B)P(A | B) = \frac{P(A \cap B)}{P(B)}条件概率与普通概率相同的属性P(A|B)≥0P(A | B) \ge 0P(Ω|B)=P(Ω∩B)P(B)=P(B)P(B)=1P(\Omega | B) = \frac{P(\Omega \cap B)}{P(B)} = \frac{P(B)}{P(B)} = 1P(B|B)原创 2016-02-27 12:26:05 · 2270 阅读 · 0 评论 -
方差,条件事件,多个随机变量课程笔记
方差(variance)定义和属性var(X)=E[(X−μ)2]var(X) = E[(X - \mu)^2]根据期望值规则可得:var(X)=∑x(x−μ)2PX(x)var(X) = \sum\limits_x(x - \mu)^2P_X(x)标准差(Standard deviation):σX=var(X)−−−−−−√\sigma_X = \sqrt {var(X)}var(aX+b)=a原创 2016-03-08 15:52:50 · 2877 阅读 · 0 评论 -
附加理论材料课程笔记
几何PMF的方差容斥定理我们可以用指示器随机变量来推导出上面的公式:通过先前的学习,已经知道对于一个事件A的指示器随机变量的期望为E[IA]=P(A)E[I_A] = P(A)。设事件A = A1∪A2∪A3A_1 \cup A_2 \cup A_3,它的指示器随机变量为IAI_A,则P(A)=E[IA]P(A) = E[I_A]设事件A1A_1的指示器随机变量为X1X_1,则Ac1A_1^c的指示原创 2016-03-12 14:22:48 · 607 阅读 · 0 评论 -
机器学习之参数估计
Probability Theory focus on computing the probability of data arising from a parametric model with known parameters. Statistical Inference flips this on its head: we will estimate the probability of p...原创 2018-04-07 19:29:57 · 8137 阅读 · 1 评论