6个步骤，全方位掌握 Kafka：终于有人把 kafka 原理说清楚了！：https://www.bilibili.com/read/cv8517619/原来这才是 Kafka！（多图+深入）：https://www.jianshu.com/p/fabfcce24ae8

转置卷积（Transpose Convolution），一些地方也称为“反卷积”，在深度学习中表示为卷积的一个逆向过程，可以根据卷积核大小和输出的大小，恢复卷积前的图像尺寸，而不是恢复原始值。1 卷积操作及转置卷积的定义1.1 卷积操作对于一个输入大小为 的图像，卷积核大小为：计算输出的具体实现方法为矩阵乘法。将卷积核表示为稀疏矩阵每一行向量表示在一个位置的卷积操作，0填充表示...

Kendall相关系数是对于定类变量的统计，pearson是对定距变量的统计，而spearman是对定序变量的统计。1 person correlation coefficient（皮尔森相关性系数）公式如下：重点关注第一个等号后面的公式。两个变量(X, Y)的皮尔森相关性系数(ρX,Y)等于它们之间的协方差cov(X,Y)除以它们各自标准差的乘积(σX, σY)。公式的分母是变量的标准差，这就意

Prophet的原理知识：Prophet的原理知识_lamusique的博客-CSDN博客_prophet原理Prophet的使用：时间序列模型Prophet使用详细讲解_anshuai_aw1的博客-CSDN博客_prophet官方链接：论文：《Forecasting at scale》,https://peerj.com/preprints/3190/github：https://github

目录1 混合模型（Mixture Model）2 高斯模型2.1 单高斯模型2.2高斯混合模型3模型参数学习3.1单高斯模型3.2高斯混合模型4高斯混合模型与K均值算法对比1 混合模型（Mixture Model）混合模型是一个可以用来表示在总体分布（distribution）中含有 K 个子分布的概率模型，换句话说，混合模型表示了观测数据在总体中的概率分布，它是一个由 K 个子分布组成的混合分布

目录1 简单理解协方差的物理意义2什么是马氏距离3马氏距离实际意义4马氏距离的推导4.1马氏距离的步骤4.2 马氏距离的推导过程5马氏距离的问题6 马氏距离的优点7 欧氏距离和马氏距离之间的区别和联系马氏距离(Mahalanobis Distance)是度量学习中一种常用的距离指标，同欧氏距离、曼哈顿距离、汉明距离等一样被用作评定数据之间的相似度指标。但却可以应对高维线性分布的数据中各维度间非独立

对时间序列数据进行分析和预测比较完善和精确的算法是博克思-詹金斯(Box-Jenkins)方法，其常用模型包括：自回归模型（AR模型）、滑动平均模型（MA模型）、（自回归-滑动平均混合模型）ARMA模型、（差分整合移动平均自回归模型）ARIMA模型。ARIMA模型（英语：AutoregressiveIntegratedMovingAverage model），差分整合移动平均自回归模型，又称整合移

生成式对抗网络（GAN, Generative Adversarial Networks ）是一种深度学习模型，是近年来复杂分布上无监督学习最具前景的方法之一。模型通过框架中（至少）两个模块：生成模型（Generative Model）和判别模型（Discriminative Model）的互相博弈学习产生相当好的输出。原始 GAN理论中，并不要求 G 和 D 都是神经网络，只需要是能拟合相应生成

目录1 什么是多重共线性？2 多重共线性的影响3 共线性的判别指标（方差膨胀因子）3.1 拟合优度3.2方差膨胀因子VIF4 多重共线性处理方法4.1 手动移除出共线性的变量4.2 逐步回归法4.2.1向前法4.2.2后退法4.3 增加样本容量4.4 岭回归4.4.1最小二乘法求解多元线性回归4.4.2 岭回归处理多重共线性4.4.3 Lasso回归处理多重共线性4.4.4 总结1 什么是多重共线

目录​​​​​​​​​​​​​​​​​​​1 指数平滑2 一次指数平滑预测2.1 定义2.2 例题3 二次指数平滑法3.1 定义3.2例题4三次指数平滑预测4.1 定义4.2 例题5 加权系数a的选择1 指数平滑在做时序预测时，一个显然的思路是：认为离着预测点越近的点，作用越大。比如我这个月体重100斤，去年某个月120斤，显然对于预测下个月体重而言，这个月的数据影响力更大些。假设随着时间变化权重