登录社区云，与社区用户共同成长
邀请您加入社区
CAPM 模型和公式
来自清风的数学建模课程，主要是用于自己复习看，所以截图较多蒙特卡洛算法定义原理大数定理可知，当样本容量足够大时，事件发生的频率就是概率讨论蒙特卡罗方法的示例三门问题%% （2）代码部分（在成功的条件下的概率）n = 100000;% n代表蒙特卡罗模拟重复次数a = 0;% a表示不改变主意时能赢得汽车的次数b = 0;% b表示改变主意时能赢得汽车的次数for i= 1 : n% 开始模拟n次x
了解离散型和连续性的最大似然估计，对比最大后验估计。探讨他们在机器学习中的应用，并做了这些代码的实现。
一般的半朴素贝叶斯分类器需要知道每个$x_i$的父$\mathrm{pa}_i$，假定所有属性$x_i$有同一个父属性（该属性称为“超父”），特殊的半朴素贝叶斯分类器研究一些特殊的“父子”关系。
原文链接：http://tecdat.cn/?p=24407原文出处：拓端数据部落公众号这篇文章讨论了自回归综合移动平均模型 (ARIMA) 和自回归条件异方差模型 (GARCH) 及其在股票市场预测中的应用。介绍一个ARMA (AutoRegressive-Moving Average)有两部分，AR(p)部分和MA(q)部分，表示如下其中 L 是滞后算子，ϵi 是白噪声。它可以通过Box-Je
信念传播算法是利用图的可视化表达。有向图时必须是先画完了再计算，因为，后退画出当前传递线时，“余入”并没有画出，当然不知道“余入”的值，故不能计算当前“一出”的值。 无向图是在画的过程中，同时计算出该传递线的消息值。在无向无环图情形下，可采用双向传递线画法。
2021数学建模E题思路及代码具体分析视频看这里https://www.bilibili.com/video/BV1y34y1Q7Xj/因为是大晚上所以就简单的讲了一下，详细的分析看大家反馈后修改
朴素贝叶斯算法是有监督的学习算法，解决的是分类问题，如客户是否流失、是否值得投资、信用等级评定等多分类问题。该算法的优点在于简单易懂、学习效率高、在某些领域的分类问题中能够与决策树、神经网络相媲美。但由于该算法以自变量之间的独立（条件特征独立）性和连续变量的正态性假设为前提，就会导致算法精度在某种程度上受影响。
相似度/距离是机器学习算法的最核心、最基础的概念，没有之一，几乎所有的算法都是建立在如何衡量相似度或距离的基础之上，因为模型通常是对某个目标函数进行最优化学习，而目标函数是以误差损失为基础，损失的衡量则是以相似度或距离为基础。因此，了解相似度/距离的测算方法是学习机器学习算法的基本门槛。机器学习中相似度/距离测算方法主要分为向量相似度、集合相似度及样本分布相似度三种类型。...
条件分布背景：在事件B发生的条件下事件A发生的条件概率：P(A∣B)=P(AB)P(B)P(A|B)=\frac{P(AB)}{P(B)}P(A∣B)=P(B)P(AB)随机变量条件分布：设有两个随机变量X，Y，在给定Y取某个或某些值的条件下，求X的概率分布条件分布是一种概率分布，它具有概率分布的一切性质，正如条件概率是一种概率，具有概率的一切性质例如：P(X=xi...
从本质上讲，人工智能的目标就是最优化：在复杂环境与多体交互中做出最优决策。几乎所有的人工智能问题最后都会归结为一个优化问题的求解，因而最优化理论同样是人工智能必备的基础知识。最优化理论（optimization）研究的问题是判定给定目标函数的最大值（最小值）是否存在，并找到令目标函数取到最大值（最小值）的数值。如果把给定的目标函数看成连绵的山脉，最优化的过程就是判断顶峰的位置并找到到达顶峰路径..
百面机器学习 - 简书一. 数学基础1. 最大似然估计，最大后验概率、贝叶斯估计参考： https://blog.csdn.net/bitcarmanlee/article/details/814171511.1 最大似然估计（maximum likelihood estimates, MLE）最大似然估计可以概括为“模型已定，参数未知”以抛硬币为例，假设抛十次硬币的结果为，七次为正， 三次为反，
二项分布1.贝努里概型定义：n次独立重复试验称作n重贝努里试验，每次试验成功的概率都是p，失败的概率都是q=1-p内容：用X表示n重贝努里试验中事件A（成功）出现的次数，则P(X=k)=Cnkpk(1−p)n−k,k=0,1,...,nP(X=k)=C_n^kp^k(1-p)^{n-k},k=0,1,...,nP(X=k)=Cnkpk(1−p)n−k,k=0,1,...,n...
特征值与特征向量
导数本质：是看某个量的微小变化以及它和它所导致的另一个量的微小变化有何关系如下f(x)=x2f(x)=x^{2}f(x)=x2，该函数表示某个正方形的面积。当该正方形两边都扩展dxdxdx长度时，此时多出来的面积就会由三部分组成所以多出来的面积（面积的变化量）：两个小长方形+一个小正方形，也即df=xdx+xdx+dx2df=xdx+xdx+dx^{2}df=xdx+xdx+dx2。但是你会发现后
1.背景介绍随着人工智能技术的不断发展，人工智能(AI)已经成为了许多行业的核心技术之一。在这个领域中，概率论和统计学是非常重要的一部分，它们可以帮助我们更好地理解数据和模型的不确定性，从而更好地进行预测和决策。在本文中，我们将讨论概率论和统计学在AI中的重要性，以及如何使用Python来实现假设检验。假设检验是一种常用的统计方法，可以帮助我们判断一个观察结果是否与一个预期结果相符。这种方...
【初中生讲机器学习】机器学习中的 “似然” 太多，搞不懂？来看这篇！
1.背景介绍概率论和机器学习是计算机科学和人工智能领域的基本概念。概率论是用于描述不确定性和随机性的数学框架，而机器学习则是利用数据来训练计算机程序以进行自动化决策的方法。这两个领域密切相连，因为机器学习算法通常需要使用概率论来描述和处理数据的不确定性。在过去的几十年里，机器学习领域发展迅速，从简单的线性回归和决策树算法开始，到复杂的深度学习和自然语言处理的高级应用。这篇文章将涵盖概率论和...
损失函数总结(适用算法)1. 对数损失函数 （朴素贝叶斯，EM，HMM）L(Y , P(Y | X)) = -log P(Y | X)2. 平方损失函数（最小二乘法）L(y , f(x)) = 〖(y – f(x))〗^23. 指数损失函数（AdaBoost）L(y , f(x)) = exp[-yf(x)]4. 合页损失函数（svm）L(y(wx+b)) = [1-y(wx+b)...
周志华----机器学习
一年一度的 NOIP 结束了，选手们都交出了满意的答卷，但还是有一些迷惑行为。放 弃 人（看似写了很多，实际上什么也没写，具体见 main 函数）#include <iostream>#include <algorithm>#include <cstdio>using namespace std;typedef unsigned long long ullong
正则化、MLE、MLP三个串联起来阐述线性回归从两个方面：未加正则化的线性回归：①标量的最小二乘法LSE：损失函数是L=∣∣wTxi−yi∣∣2L = ||w^Tx_i-y_i||^2L=∣∣wTxi−yi∣∣2，目标是求其最小值，对其做矩阵变换，变换后对w求导，∂L(w)w=(XTX+XTX)W−XTY−XTY=2XTXW−2XTY=0\begin{aligned}\frac{\partia
问题描述分布式无反馈数据融合算法分布式有反馈数据融合算法
贝叶斯分类器是在概率框架下发展起来的，因此，学习本章需要一定的概率论知识。贝叶斯学派与频率学派的根本分歧是：后者把未知参数看成一个未知的固定量，而前者把未知参数看成一个随机变量。
方向向量
numpy专门针对ndarray的操作和运算进行了设计，所以该类型的存储效率和输入输出性能远优于Python中的嵌套列表，数组越大，Numpy的优势就越明显。从现有数组中生成生成固定范围的数组正态分布正态分布是具有两个参数μ和σ的连续型随机变量的分布，第一参数μ是服从正态分布的随机变量的均值，第二个参数σ是此随机变量的方差，所以正态分布记作N(μ，σ )。其中μ决定了其位置，其标准差σ决定了分布的
线性相关与线性无关
卡尔曼滤波，动态模型里面比较具有代表性的一个模型。其和隐马尔可夫模型具有差不多相同的结构，但隐马尔可夫模型要求隐状态必须时离散的。而卡尔曼滤波则没有这个限制。本文将从贝叶斯派的角度去推导Filter问题。如果你没听过马尔可夫链，可以先去了解一下，否则估计很难看懂。
文章目录概率空间的构造（Construction of a Probability Space）哲学问题（Philosophical Issues）概率和随机变量（Probability and Random Variables）统计（Statistics）离散概率和随机概率（Discrete and Continuous Probabilities）概率空间的构造（Construction of
朴素贝叶斯计算下面我们用上图数据集训练一个朴素贝叶斯分类器，对测试例X进行分类：X={age=youth，income=medium，student=yes，credit=fair}首先估计类先验概率P(Ci)：P(buys_computer=yes)=9/14=0.643P(buys_computer=no)=5/14=0.357然...
概率论
——概率论
联系我们（工作时间：8:30-22:00）
400-660-0108 kefu@csdn.net
量化交易与量化投资社区
讯飞AI开发者社区
天启AI社区
