Linear Classification 我们知道线性回归对数据要求有以下要求，数据未处理，需使用全部数据，数据满足线性关系。当我们对这个要求进行更改的时候，我们就会有新的模型来处理。 分类问题，回归模型是没有办法直接使用的。但是我们可以在线性模型的函数进行后再加入一层激活函数，这个函数是
std::vector<double> createGaussianKernal( int kernal_size , float sigma=0 ) { int radius = kernal_size / 2; //sigma = sigma > 0 ? sigma : radius*0.3 + 0.8; std::vector<double> kernal;// (kernal_size); for (int i = -radius;
假设检验 公众号：ChallengeHub(机器学习，NLP，推荐系统，数据分析) (欢迎大家关注) 假设检验是统计推断的一种重要形式，其任务是通过样本对未知的总体分布特征作出合理的推断。先对总体分布中的某些参数或者对总体分布类型做某种假设，然后根据样本值做出接受还是拒绝所做假设的结
第五章 随机变量的数字特征 5.1 数学期望 5.1.1 离散型随机变量 \(X\) 的数学期望 定义 设 \(X\) 的分布律为：\(P\{X=x_k\}=p_k,\quad k = 1, 2, ...\) 若级数 \(\sum\limits_{k=1}^{\infty}x_kp_k\) 绝对收敛（即\(\sum\limits_{k=1}^{\infty}|x_k|p_k\) 收敛） 则称级数 \(\sum\limit
第九章 假设检验 9.1 假设检验的概念 先对总体的参数或总体的分布形式作某种假设 \(H_0\)，然后由抽样结果推断假设 \(H_0\) 是否成立。 在数理统计学中，称检验假设 \(H_0\) 的方法为假设检验。 参数的假设检验 分布的假设检验 检验假设的理论依据 实际推断原理： 小概率事件在一次试
教材 https://www.bilibili.com/video/BV13b4y1177W 符号 含义 \(d\) 维数 \(b\) 偏置项 1.神经元模型 \(z=\sum_{i=1}^{d}w_ix_i +b = w^T x +b\) 2.激活函数 性质 连续并可导（允许少数点上不可导）的非线性函数。 可导的激活函数可以直接利用数值优化的方法来学习网络
shell中产生随机数的方式有很多，常用a=$RANDOM或者awk内置的随机数rand()生成，但他们都是均匀分布随机数。 下面展示由均匀分布的随机数产生正态分布随机数的awk程序 1 #!/bin/bash 2 miu=0.0 3 sigma=0.71 4 num=2000 5 awk 'BEGIN{ 6 srand(); 7 rms='"$sigma"'/2
本章主要介绍异常检测（Anomaly detection）问题，这是机器学习算法的一个常见应用。这种算法的有趣之处在于，它虽然主要用于非监督学习问题，但从某些角度看，它又类似于一些监督学习问题。 Problem motivation 主要介绍了什么是异常检测，以及其应用。 Anomaly detection example 下面通过一
门控循环单元GRU学习笔记 比LSTM更简单的结构 只记住相关的观察需要： 更新门 -- 能关注的机制 重置门 -- 能遗忘的机制 门，是和隐藏状态同样长度的向量。 下面公式中的几个参数： \(H_{t-1}\)是隐藏状态； \(X_t\)是输入； \(\sigma\)是有激活函数sigmod的fc层，输出范围[0,1] W是需要
文章目录 相关资料一、什么是概率，什么是似然二、极大似然估计 Maximum Likelihood Estimation (MLE) 的含义2.1 机器学习中的极大化似然函数2.2 极大似然估计和损失函数的关系 三、代码可视化：极大似然估计3.1 似然函数 likelihood3.2 对数似然函数 log likelihood 相关
交叉熵损失函数（Cross Entropy Loss function ） 我们从一道面试题目中引入相关概念。 定义两个模型。 1.1分类错误率(Classification Error)作为损失函数 第一种损失函数：分类错误率。就只是简单将错误的个数比上所有的个数，这样就会损失掉一些比较深层次的信息，就好比如在这个例子
目录现实皮肤模型BSSRDF 渲染模型 [2001]Diffusion Profile（扩散剖面）[2001]偶极子 [2002]高斯和 [2007]Burley Normalized Diffusion [2015]基于模糊的 SSS 方法纹理空间模糊（Texture Space Blur） [2003]屏幕空间模糊（Screen Space Blur） [2009]Pre-Integrated Skin（预积分的皮肤着色）[20
Lecture 15 Anomaly detection problem motivation Gaussian distribution Algorithm Density estimation Training set : \({x^{(1)},x^{(2)},\dots,x^{(m)}}\) Each example is \(x \in \mathbb{R}^n\) \[x_1 \sim N(u_1,\sigma_1^2)\\ x_2 \sim N(u_2,\sigma
Statement \(\sigma(k)\) 表示 \(k\) 的所有约数的和。\(\sigma(6) = 1 + 2 + 3 + 6 = 12\) 定义 \(S(N) = ∑_{i=1}^N ∑_{j=1}^N \sigma(i*j)\) 给出正整数 \(N\)，求 \(S(N)\) ，由于结果可能会很大，输出 $\mod\ \ \ 1000000007(10^9 + 7) $的结果。 Solution \[\begin{align*} &\su
对称半正定矩阵可进行choleskey分解，使用chol()函数结合tryCatch错误异常判断，即可判断矩阵是否对称半正定。 1. 仅输出是否半正定 Sigma为一个对称矩阵，但非半正定，进行choleskey分解后报error > chol(Sigma) Error in chol.default(Sigma) : the leading minor of order 14
Volume Rendering Principle Create a two dimensional image that reflects, at every pixel, the data along a ray parallel to the viewing direction passing through that pixel. We need two functions: Ray function To synthesize the points along the ray Tr
Volume Rendering 感性理解 感性理解：三维空间划分成很多体素，每个体素有RGBA四种信息，表示颜色（RGB）和透明度（A） 要渲染二维表示，我们选定坐标原点，以它为球心发出很多射线 每条射线会穿过一些体素，我们沿着光线的路径进行颜色的加权统计（权重为不透明度） 每个体素对最终颜色会造成\((1-\alph
线性回归模型 \(y=Ax+v,b是噪声\) \(v=y-Ax\) 高斯分布 \(此时令b\sim 正态分布\) \(P(x)=\frac{1}{\sqrt{2\pi \sigma^2}}e^{-\frac{(x-\mu)^2}{2\sigma^2}}\) \(对数似然函数MLE=L(x)=\prod_{i=1}^{m}lnP(v_i)\) 点击查看代码 # 高斯分布图像 from scipy.stats import norm imp
clear all clc X=[15.60 13.41 17.20 14.42 16.61]; DX=var(X,1) sigma=std(X,1) DX1=var(X) sigma1=std(X) DX = 1.9306 sigma = 1.3895 DX1 = 2.4133 sigma1 = 1.5535
数值计算之 最小二乘与极大似然估计 前言最小二乘法残差建模极大似然估计 前言 在别的博客上发现了一个比较有趣的看法，就是从概率的角度上把最小二乘法与极大似然估计联系起来。这里记录一下。 最小二乘法 假设我们使用 f
1.单变量正态分布 单变量正态分布概率密度函数定义为：\[\Large\rho (x) = \frac{1}{{\sqrt {2\pi \sigma } }}e{^{ - \frac{1}{2}(\frac{{x - \mu }}{\sigma })^2}}\] 其中，μ为随机变量x的期望，${\sigma ^2}$为x的方差，${\sigma}$为x的标准差。 \[\Large\mu = E(x) = \int_{ - \inf
针对有组织的点云，代码如下： #include <pcl/PCLPointCloud2.h> #include <pcl/io/pcd_io.h> #include <pcl/filters/fast_bilateral.h> #include <pcl/console/print.h> #include <pcl/console/parse.h> #include <pcl/console/time.h> using namesp
目录Chapter 3：回归参数的估计(1)3.1 最小二乘估计3.2 最小二乘估计的性质 Chapter 3：回归参数的估计(1) 3.1 最小二乘估计 用 \(y\) 表示因变量，\(x_1,x_2,\cdots,x_p\) 表示对 \(y\) 有影响的 \(p\) 个自变量。 总体回归模型：假设 \(y\) 和 \(x_1,x_2,\cdots,x_p\) 之间满足如下线
关注公号【逆向通信猿】更精彩！！！ 校验矩阵 H \boldsymbol{H} H 零空间的定义： H \boldsymbol H H的零
以下内容为参考课件和《数据库系统概论》（第5版，王珊等著）的个人整理，若有错误欢迎指出 第九章 查询优化 文章目录 第九章 查询优化一、概述1、目的2、查询处理基本步骤3、操作实现方法4、查询代价的度量 二、代数优化1、关系代数等价2、常用的等价变换规则（关系代数）3、一般准
