线性回归 人工智能是机器学习的父类；机器学习是深度学习的父类 1. 怎么做线性回归？ 2. 理解回归 -- 最大似然函数 3. 应用正态分布概率密度函数 -- 对数总似然 4. 推导出损失函数 -- 推导出解析解 5. 代码实现解析解的方式求解 -- 梯度下降法的开始 -- sklearn模块使用线 ...
分类：
其他好文 时间：
2018-08-14 22:51:12
阅读次数：
307
花式解释AutoEncoder与VAE 什么是自动编码器 自动编码器(AutoEncoder)最开始作为一种数据的压缩方法，其特点有: 1)跟数据相关程度很高，这意味着自动编码器只能压缩与训练数据相似的数据，这个其实比较显然，因为使用神经网络提取的特征一般是高度相关于原始的训练集，使用人脸训练出来的 ...
分类：
Web程序 时间：
2018-08-13 20:55:02
阅读次数：
376
性能测试 日常工作中对比函数间的快慢时，最直接的方法就是根据 结果的时间来衡量，比如想知道 与直接使用自己写的 谁更快？最直接的方法就是 在shell中直接运行 编写测试用例 得到测试结果 我们对长度为3000的List做reverse，取样30次。得到上面的结果。 我们的数据必须是正态分布，2组样 ...
分类：
其他好文 时间：
2018-08-05 11:47:43
阅读次数：
233
3σ原则为 数值分布在（μ-σ,μ+σ)中的概率为0.6827 数值分布在（μ-2σ,μ+2σ)中的概率为0.9545 数值分布在（μ-3σ,μ+3σ)中的概率为0.9973 可以认为，Y 的取值几乎全部集中在（μ-3σ,μ+3σ)区间内，超出这个范围的可能性仅占不到0.3%. ...
分类：
其他好文 时间：
2018-07-28 19:38:12
阅读次数：
17406
一、3σ原则 3σ原则又称为拉依达准则，该准则具体来说，就是先假设一组检测数据只含有随机误差，对原始数据进行计算处理得到标准差，然后按一定的概率确定一个区间，认为误差超过这个区间的就属于异常值。 正态分布状况下，数值分布表： 注：在正态分布中σ代表标准差,μ代表均值，x=μ为图形的对称轴 二、箱线图 ...
分类：
其他好文 时间：
2018-07-28 12:06:53
阅读次数：
542
如果两个数据样本来自不同的群体并且样本不相互影响，则它们是独立的。使用Mann-Whitney-Wilcoxon检验，我们可以确定种群分布是否相同而不假设它们遵循正态分布。 例 在数据集mtcars的数据框列 mpg中，有各种1974美国汽车的汽油里程数据。 > mtcars $ mpg [1] 2 ...
分类：
编程语言 时间：
2018-07-24 19:15:10
阅读次数：
138
高斯算法的原理 首先，高斯滤波算法的一般过程分为两步： 计算掩膜(高斯核) 卷积（即掩膜上每一个位置的值和图像对应位置的像素值的乘积、求和运算） 其次，我们知道高斯分布也叫做正态分布； 在二维空间中，这个公式生成的曲面的等高线是从中心开始呈正态分布的同心圆。分布不为零的像素组成的卷积矩阵与原始图像做 ...
分类：
编程语言 时间：
2018-07-18 23:35:32
阅读次数：
249
有了孩子之后，精力确实有限。珍惜现在的所有的所谓的悠闲时光吧。 之前在妇幼医院看过电梯，上面写着： 层层都停， 单层停靠， 双层停靠， 1-8层停靠， 医院人多满载后就不开门了。 还有我们经常见的高层电梯，低层电梯。 我就想闲下来的时候写个电梯控制的小程序。弥补一下空虚的心灵。 夜深人静的晚上我就在 ...
分类：
其他好文 时间：
2018-07-18 23:27:48
阅读次数：
239
使用K-S检验一个数列是否服从正态分布、两个数列是否服从相同的分布 假设检验的基本思想： 若对总体的某个假设是真实的，那么不利于或者不能支持这一假设的事件A在一次试验中是几乎不可能发生的。如果事件A真的发生了，则有理由怀疑这一假设的真实性，从而拒绝该假设。 实质分析： 假设检验实质上是对原假设是否正 ...
分类：
其他好文 时间：
2018-07-18 14:03:08
阅读次数：
213
高斯分布： 高斯模糊的原理 一：图像产生高斯噪声循环代码实现（耗时） 推文：从np.random.normal()到正态分布的拟合 二：使用高斯模糊 三：使用高斯模糊处理高斯噪声（发现高斯噪声的影响不大，高斯模糊对其有抑制作用） ...
分类：
其他好文 时间：
2018-07-05 16:01:48
阅读次数：
906
