注册会员 | 设为首页 | 加入收藏夹
您好，欢迎光临本网站！[请登录] ！[注册会员]！  

搜索资源列表

  1. 概率论——条件概率、贝叶斯公式

  2. 概率论——条件概率、贝叶斯公式，介绍概率中最基本的两个公式，简要明了

  3. 所属分类：专业指导

    • 发布日期：2009-05-02
    • 文件大小：6291456
    • 提供者：lyang2007

  1. 贝叶斯分类器贝叶斯分类器的分类原理是通过某对象的先验概率，利用贝叶斯公式计算出其后验概率，即该对象属于某一类的概率，选择具有最大后验概率的类作为该对象所属的类。目前研究较多的贝叶斯分类器主要有四种，分别是：Naive Bayes、TAN、B

  2. 　贝叶斯决策就是在不完全情报下，对部分未知的状态用主观概率估计，然后用贝叶斯公式对发生概率进行修正，最后再利用期望值和修正概率做出最优决策。 　　贝叶斯决策理论方法是统计模型决策中的一个基本方法，其基本思想是： 　　1、已知类条件概率密度参数表达式和先验概率。 　　2、利用贝叶斯公式转换成后验概率。 　　3、根据后验概率大小进行决策分类。

  3. 所属分类：C++

    • 发布日期：2010-01-14
    • 文件大小：68608
    • 提供者：bear_fish

  1. All of Statistics: A Concise Course in Statistical Inference

  2. 这本书侧重基本的统计概念，同时简单涉及了一些基本的统计与学习模型。 从最基本的随机变量、分布、条件概率，到IID、极大似然估计、充分统计量、贝叶斯估计，再到线性回归、非参估计、分类器、随机过程，MCMC......基本上所有机器学习、数据挖掘里常用模型涉及的概率或统计概念都已经涵括了。 重要的是，作者写得清楚明白，着重点放在模型或公式的统计概念与思想上，而非繁琐的数学证明

  3. 所属分类：其它

    • 发布日期：2015-09-19
    • 文件大小：8388608
    • 提供者：gsjclgz

  1. 大数据的统计学基础视频教程

  2. 授课对象： 这是一门数学课程，适合有志于转往大数据分析领域的非数学专业人士（例如IT人，业务人员等）补强数学基础，以更好地学习更高级的数据分析，数据挖掘，机器学习课程 收获预期： 可以大幅度提高学员的数学基础，使其学习其它大数据分析课程时觉得更加简单，得心应手 课程内容： 第1课 面向小白的统计学：描述性统计（均值，中位数，众数，方差，标准差，与常见的统计图表） 第2课 赌博设计：概率的基本概念，古典概型 第3课 每人脑袋里有个贝叶斯：条件概率与贝叶斯公式，独立性 第4课 啊！微积分：随机变量

  3. 所属分类：专业指导

  1. 大数据的统计学基础

  2. 第1周 面向小白的统计学：描述性统计（均值，中位数，众数，方差，标准差，与常见的统计图表） 第2周 赌博设计：概率的基本概念，古典概型 第3周 每人脑袋里有个贝叶斯：条件概率与贝叶斯公式，独立性 第4周 啊！微积分：随机变量及其分布（二项分布，均匀分布，正态分布） 第5周 万事皆由分布掌握：多维随机变量及其分布 第6周 砖家的统计学：随机变量的期望，方差与协方差 第7周 上帝之手，统计学的哲学基础：大数定律、中心极限定理与抽样分布 第8周 点数成金，从抽样推测规律之一：点估计与区间估计 第9周

  3. 所属分类：算法与数据结构

    • 发布日期：2018-02-04
    • 文件大小：204
    • 提供者：u013844840

  1. 统计学习方法_李航

  2. 统计学习是计算机及其应用领域的一门重要的学科。本书全面系统地介绍了统计学习的主要方法，特别是监督学习方法，包括感知机、k近邻法、朴素贝叶斯法、决策树、逻辑斯谛回归与最大熵模型、支持向量机、提升方法、em算法、隐马尔可夫模型和条件随机场等。除第1章概论和最后一章总结外，每章介绍一种方法。叙述从具体问题或实例入手，由浅入深，阐明思路，给出必要的数学推导，便于读者掌握统计学习方法的实质，学会运用。为满足读者进一步学习的需要，书中还介绍了一些相关研究，给出了少量习题，列出了主要参考文献。 《统计学习方法

  3. 所属分类：机器学习

  1. 数据挖掘相关数学知识

  2. 摘自网络，版权归作者所有。 1. 机器学习为什么要使用概率 2. 概率学派和贝叶斯学派 3. 何为随机变量和何又为概率分布？ 4. 条件概率，联合概率和全概率公式： 5. 边缘概率 6. 独立性和条件独立性 7. 期望、方差、协方差和相关系数 8. 常用概率分布 9. 贝叶斯及其应用 10. 中心极限定理 11. 极大似然估计 12. 概率论中的独立同分布?

  3. 所属分类：算法与数据结构

    • 发布日期：2018-12-29
    • 文件大小：2097152
    • 提供者：msttuwu

  1. 机器学习算法基础学习总结

  2. 机器学习算法基础学习总结2.基本算法 2.1 Logistic回归 优点:计算代价不高,易于理解和实现。 缺点:容易欠拟合,分类精度可能不高 适用数据类型:数值型和标称型数据。 类别:分类算法。 试用场景:解决二分类问题。 简述: Logistic回归算法基于 Sigmoid函数,或者说 Sigmoid就是逻辑回归函数。 Sigmoid函数定义如下:1/(1-exp(-z))。函数值域范围(0,1)。可以用来做分 类器。 Sigmoid函数的函数曲线如下: 逻辑凹归模型分解如下:(1)首先将不同

  3. 所属分类：机器学习

    • 发布日期：2019-07-02
    • 文件大小：312320
    • 提供者：abacaba

  1. 高斯分布参数的极大似然估计，EM算法

  2. 哈工大研究生课程讲义高斯分布参数的极大似然估计，EM算法高斯混合模型算法的迭代公式推导 我们首先来推导般混合密度模型参数估计的算法达代公式,然后再将般的混合 密度模型具体化为髙斯混合模型。 混合密度模型 假设样本集={x1,…,x}中的样本相互独立,并且按照如下的过程产生: 样木是依据桃率由个分布中的一个产生的,分布的概率密度数为(x0), 1,,,0为分布的参数 由第个分布产生样本的先验概率为a 先验概率a=(a1…,a),以及分布的参数日,…,0均未知。 我们称样本集来自于一个混合密度模型,

  3. 所属分类：讲义

    • 发布日期：2019-03-03
    • 文件大小：214016
    • 提供者：qq_27328663

  1. 深度学习中的结构化概率模型

  2. MIT版深度学习第16章，结构化概率模型， 非结构化概率模型用条件概率公式/贝叶斯公式来描述概率分布中随机变量之间的相互关系，结构化概率模型使用图来表示随机 变量之间的相互作用。主要介绍了结构化模型的优势、有向图、无向图等表示方式以及如何利用结构化模型进行推断等 。

  3. 所属分类：深度学习

    • 发布日期：2020-11-04
    • 文件大小：13631488
    • 提供者：baidu_35560935

  1. 《概率论》大学课堂笔记——高分笔记，考试复习专用.pdf

  2. 一、预备知识 1.1 排列、组合、集合、二项式定理 1.2 随机试验、随机事件 1.3 事件的概率 1.4 概率的公理化意义 1.5 条件概率 1.6 全概率公式及贝叶斯公式 二、一维随机变量 2.1 离散随机变量 2.2 连续型随机变量 三、二维随机变量 3.1 二维离散型随机变量 3.2 二维连续型随机变量 四、随机变量函数的分布 六、方差 七、大数定律

  3. 所属分类：讲义

    • 发布日期：2020-12-18
    • 文件大小：34603008
    • 提供者：qq_41498261

  1. 机器学习数学基础之微积分与概率论

  2. 机器学习数学基础之微积分与概率论1. 导数与梯度下降1.1 方向导数1.2 在机器学习的应用2. 基本概率论2.1 条件概率2.2 全概率公式2.3 贝叶斯公式2.4 随机变量2.5 期望2.6 方差3. 分布3.1 伯努利分布3.2 二项分布3.3 高斯分布3.4 泊松分布 （本文为学习总结笔记，如有雷同请无视） 1. 导数与梯度下降 1.1 方向导数 梯度下降法会引起局部最优值的可能。 1.2 在机器学习的应用 1、初始化一个w值 2、传入数据集，进行对w的调整 3、最后输出一个最优的w，

  3. 所属分类：其它

    • 发布日期：2021-01-07
    • 文件大小：412672
    • 提供者：weixin_38656395

  1. 《数据科学基础》课堂笔记

  2. 文章目录数据科学基础课堂笔记绪论1.1 DIKW 金字塔模型1.2数据类型1.3数据汇总概率论基础古典概率几何概率概率的计算条件概率贝叶斯公式独立性随机测试示例 数据科学基础课堂笔记 绪论 1.1 DIKW 金字塔模型 1.2数据类型 数据最相关的是集合论，集合论被视为现代数学的基础 数据类型通常可以分为四类： 定类数据（最低级） 代表不同的分类。相应的数据没有数量的含义。是没有顺序大小之分的较低级的数据 定类数据之间的数学关系就是：等于、不等于 如：使用1代表男性，0代表女性，但不代表男性

  3. 所属分类：其它

    • 发布日期：2021-01-20
    • 文件大小：2097152
    • 提供者：weixin_38740201

  1. 从朴素贝叶斯到N-gram语言模型_CodingPark

  2. 从朴素贝叶斯到N-gram语言模型 文章介绍 在本文中你将会学到朴素贝叶斯是什么、朴素贝叶斯有什么应用、实际工程上的小技巧等 N-grame是什么、它比朴素贝叶斯好在哪里等 目录 朴素贝叶斯 N-gram语言模型 两个实例代码 朴素贝叶斯 引言 贝叶斯公式 + 条件独立假设 = 朴素贝叶斯 贝叶斯方法是一个历史悠久，有着坚实的理论基础的方法，同时处理很多问题时直接而又高效，很多高级自然语言处理模型也可以从它演化而来。因此，学习贝叶斯方法，是研究自然语言处理问题的一个非常好的切入口。 联合概率公式

  3. 所属分类：其它

    • 发布日期：2021-01-20
    • 文件大小：222208
    • 提供者：weixin_38502814