只要物料不换，不管张三还是李四哪天生产的批次，在 150℃ 烤箱里烤 1000 小时的降解速率几乎是一模一样的。于是又来了3次，每次4个菜（4 x 3 Lots），然后我们发现后边这3次有两次的菜没有之前的好吃。JEDEC 面对的全球代工厂良莠不齐，它假设有些封装厂的工艺管控极差，哪怕是纯烤箱测试也可能因为某天烘烤炉温度不均导致批次差异。看，这里在99%可靠度，0 Fail，0.949可靠度下，需

当你的样本量（数据行数）相对较小，或者模型参数较多时，普通的 AIC 容易误导你选择过于复杂的模型。仍以阿超的冰淇淋为例，假设阿花对阿超有好感的概率为p，则无感的概率为1-p（假设每次都是独立同分布），则根据阿超得到0个冰淇淋其概率为P（0个冰淇淋 ｜ Model）， 将第一次结果记为P1，第二次为P2，。与 AICc 的区别（惩罚力度更大）： BIC 在计算“惩罚项”时，不仅考虑了参数的数量，还

当你的样本量（数据行数）相对较小，或者模型参数较多时，普通的 AIC 容易误导你选择过于复杂的模型。仍以阿超的冰淇淋为例，假设阿花对阿超有好感的概率为p，则无感的概率为1-p（假设每次都是独立同分布），则根据阿超得到0个冰淇淋其概率为P（0个冰淇淋 ｜ Model）， 将第一次结果记为P1，第二次为P2，。与 AICc 的区别（惩罚力度更大）： BIC 在计算“惩罚项”时，不仅考虑了参数的数量，还

[机器学习] 小傻学HMM：嚼烂HMM1 基本概念介绍1.1 HMM1.1.1 参数定义2.2 二个假设三种问题2 公式推导2.1 question1：Evaluation计算过程：后向算法计算过程：Learning 问题Decoding 问题1 基本概念介绍1.1 HMM马尔可夫链（Markov link）：一种特殊的随机过程，其随机性只与当前状态有关，与过往已发生的状态和将来可能发生的状态都无

[机器学习] 小傻学EM：嚼烂EM算法EM 算法Jenson（琴生）不等式：E 步，导出Q函数EM 算法Jenson（琴生）不等式：若f为凸函数，有：f(tx1+(1−t)x2)≤tf(x1)+(1−t)f(x2)f(tx_1 + (1 - t) x_2) \leq tf(x_1) + (1 - t) f(x_2)f(tx1​+(1−t)x2​)≤tf(x1​)+(1−t)f(x2​)其中t∈[0