非参数估计得目的下面介绍三种实例第一：利用可用数据估计先验概率分布第二：直接估计后验概率分布第三：特征空间投影降维度我们先表诉一下PDF与概率P的关系：P：概率x：通用符号这样看来，我们想估计出P，我们就必须估计出PDF假设我们收集了n个数据的随机样本 x1…xn(独立同分布)n个数据中的k个在R中,我们的估计就可以写成接下来：如果pdf连续且变化不大在区域R中：就有这个（V是R的体积）联立一下上

关于图形学的基础数学知识基础数学线性插值三角形重心坐标系：设定坐标原点a，a到b和c为基向量。构成非直角坐标系重心坐标系长这样重心坐标系特点：重心坐标系优点：例如城市街道交叉不成为直角，这时候重心坐标系就管用已知点p如何求重心坐标变成这个：用几何方法解：另外一种几何方法利用p求重心三维三角形...

利用等变神经网络设计PROTAC

数据标注员工作笔记：视频截图视频分段视频合并视频按帧数截屏视频分段使用ffmpeg,在终端运行，先将位置调到代码和视频一起的位置ffmpeg -ss 00:00:00 -t 00:01:45 -i s1.mp4 -vcodec copy -acodec copy outs1.mp4视频合并from moviepy.editor import *video_list = ['outs5.mp4','

上一部分讲了贝叶斯决策的基本概念和使用它来做分类器（判别函数、决策面）接下来引入最大似然估计和贝叶斯参数估计每个样本集中的样本都是所谓 独立 同分布的随机变量【任何时刻的取值都为随机变量，如果这些随机变量服从同一分布，并且互相独立，那么这些随机变量是独立同分布。】，且有充分 的训练样本类的条件概率密度估计（非常难），可分为这两类说到那么难的一个问题，所以我们本章的重点就是：试试用最大似然数估计解决

关于BN层的理解【深度学习】深入理解Batch Normalization批标准化 - 郭耀华 - 博客园

利用等变神经网络设计PROTAC

import numpy as npimport torchio as tiofrom torch.utils.data import DataLoaderimport torchimport nibabel as nibfrom torchio.transforms import (RandomFlip,RandomAffine,RandomElasticDeformation,RandomNo

利用等变神经网络设计PROTAC

transformer预测双色球，全代码全数据可运行