KS-检验与t-检验等方法不同的是KS检验不需要知道数据的分布情况，可以算是一种非参数检验方法。当然这样方便的代价就是当检验的数据分布符合特定的分布时，KS-检验的灵敏度没有相应的检验来的高。在样本量比较小的时候，KS-检验作为非参数检验，在分析两组数据之间是否存在异常时相当常用。
最近我们被客户要求撰写关于潜类别混合效应模型（LCMM）的研究报告，包括一些图形和统计输出。
copula是将多变量分布函数与其边缘分布函数耦合的函数，通常称为边缘。在本视频中，我们通过可视化的方式直观地介绍了Copula函数，并通过R软件应用于金融时间序列数据来理解它 。
copula是将多变量分布函数与其边缘分布函数耦合的函数，通常称为边缘。在本视频中，我们通过可视化的方式直观地介绍了Copula函数，并通过R软件应用于金融时间序列数据来理解它
这篇博客主要总结一下常用的激活函数公式及优劣势，包括sigmoid relu tanh gelu
逻辑回归（Logistic Regression，LR）。在Kaggle竞赛的统计中，LR算法以63.5%的出产率，荣获各领域中“出场率最高的算法”这一殊荣。在实际场景中，逻辑回归同样应用广泛，大到国家各项经济政策的制定，小到计算广告CTR，都能看到LR算的身影。
copula是将多变量分布函数与其边缘分布函数耦合的函数，通常称为边缘。在本视频中，我们通过可视化的方式直观地介绍了Copula函数，并通过R软件应用于金融时间序列数据来理解它（点击文末“阅读原文”获取完整代码数据）。
copula是将多变量分布函数与其边缘分布函数耦合的函数，通常称为边缘。在本视频中，我们通过可视化的方式直观地介绍了Copula函数，并通过R软件应用于金融时间序列数据来理解它。
「独立成分分析」（ICA）与 PCA 类似，也会找到一个新基底来表示数据，但两者的目标完全不同。
【导读】主题链路知识是我们专知的核心功能之一，为用户提供AI领域系统性的知识学习服务，一站式学习人工智能的知识，包含人工智能（ 机器学习、自然语言处理、计算机视觉等）、大数据、编程语言、系统架构。使用请访问专知 进行主题搜索查看 - 桌面电脑访问www.zhuanzhi.ai, 手机端访问www.zhuanzhi.ai 或关注微信公众号后台回复" 专知"进入专知，搜索主题查看。今天给大家继续介绍我们独家整理的机器学习——马尔科夫链蒙特卡洛采样（MCMC）方法。 上一次我们详细介绍了贝叶斯参数估计，里面我们
▌4.1 基于蒙特卡罗方法的理论 本章我们学习无模型的强化学习算法。 强化学习算法的精髓之一是解决无模型的马尔科夫决策问题。如图4.1所示，无模型的强化学习算法主要包括蒙特卡罗方法和时间差分方法。本
在数据挖掘比赛中，很重要的一个技巧就是要确定训练集与测试集特征是否同分布，这也是机器学习的一个很重要的假设。但很多时候我们知道这个道理，却很难有方法来保证数据同分布，这篇文章就分享一下我所了解的同分布检验方法。
统计学是一门研究数据收集、分析和解释的学科，它在数据分析中起着重要的作用。Python作为一种功能强大的编程语言，在数据分析领域拥有广泛的应用。本文将介绍Python数据分析中的重要统计学概念，帮助您更好地理解和应用统计学知识。
上期我们一起揭开了图像处理中的卷积操作的疑惑， 机器视觉算法(第12期)----图像处理中的卷积操作真的是在做卷积吗？ 今天，我们一起看下直方图处理中的两大神器：直方图均衡与直方图匹配。
损失函数除了作为模型训练时候的优化目标，也能够作为模型好坏的一种评价指标。但通常人们还会从其它角度评估模型的好坏。
假如图像的灰度分布不均匀，其灰度分布集中在较窄的范围内，使图像的细节不够清晰，对比度较低。通常采用直方图均衡化及直方图规定化两种变换，使图像的灰度范围拉开或使灰度均匀分布，从而增大反差，使图像细节清晰，以达到增强的目的。 直方图均衡化，对图像进行非线性拉伸，重新分配图像的灰度值，使一定范围内图像的灰度值大致相等。这样，原来直方图中间的峰值部分对比度得到增强，而两侧的谷底部分对比度降低，输出图像的直方图是一个较为平坦的直方图。
图像的灰度直方图就描述了图像中灰度分布情况， 能够很直观的展示出图像中各个灰度级所占的多少。图像的灰度直方图是灰度级的函数， 描述的是图像中具有该灰度级的像素的个数： 其中， 横坐标是灰度级， 纵坐标是该灰度级出现的率。如下图所示
作者：Belter。专注于生物方向的数据分析，一位编程爱好者。关注Python, R和大数据。
最近我们被客户要求撰写关于GARCH-EVT-Copula的研究报告，包括一些图形和统计输出。
在前面一篇量子系统模拟的博客中，我们介绍了使用python去模拟一个量子系统演化的过程。当我们尝试理解量子态和量子门操作时，可以通过其矩阵形式的运算来描述量子态演化的过程：
采样本质上是对随机现象的模拟，根据给定的概率分布，来模拟产生一个对应的随机事件。采样可以让人们对随机事件及其产生过程有更直观的认识。
在本章中，我们将处理来自在线社交网络的数据，并使用 WS 图对其进行建模。WS 模型像数据一样，具有小世界网络的特点，但是与数据不同，它的节点到节点的邻居数目变化很小。
以下部分是基于《Fundamentals of Data Visualization》学习笔记，要是有兴趣的话，可以直接看原版书籍：https://serialmentor.com/dataviz/
神经网络鲁棒性评估一直是深度学习领域中一个热门的研究方向，该论文是通用评估神经网络鲁棒性方法的开山之作。作者将神经网络鲁棒性问题转换成局部Lipschitz常数的估计问题，并利用极值理论方法进行评估，进而提出了一种度量神经网络鲁棒性的通用方法-CLEVER，该方法可以对不可知的攻击方式进行评估，并且对于大规模的神经网络计算成本较少。该论文涉及到大量的数学推导，需要沉下心来慢慢琢磨。
直方图均衡化是一种用于增强图像对比度的图像处理技术。它通过重新分配图像中的像素值，使得图像的像素值分布更加均匀，增强图像的对比度，从而改善图像的视觉效果。
第一种方法，我们使用matplotlib图形库中的hist函数，熟悉该库的人应该知道这是一个直方图绘制函数，以上是从API中找到的hist函数的所有参数，我们给出一维数组或者列表x，使用hist画出该数据的直方图。
对VaR计算方法的改进，以更好的度量开放式基金的风险。本文把基金所持股票看成是一个投资组合，引入Copula来描述多只股票间的非线性相关性，构建多元GARCH-EVT-Copula模型来度量开放式基金的风险，并与其他VaR估计方法的预测结果进行比较。其次是将VaR引入到基金业绩评价中，构造RAROC指标来评价基金业绩，检验该评价指标的可行性。
2018年在数据库顶会SIGMOD上，MIT的Tim Kraska发表了一篇论文题为《The Case for Learned Index Structures》（下简称“Learned Index论文”），提出了“Learned Index（学习索引）”的概念，这篇论文引发了业界高度关注的原因不仅是“Learned Index”概念新颖，更在于Google AI负责人Jeff Dean也位列此论文作者。在AI领域，凡是有Jeff Dean名字出现的论文，都带有超越论文本身的技术方向意义。
QQ图通过把测试样本数据的分位数与已知分布相比较，从而来检验数据的分布情况。[1]
其实我们在训练模型的过程，都会经常进行数据采样，为了就是让我们的模型可以更好的去学习数据的特征，从而让效果更佳。但这是比较浅层的理解，更本质上，数据采样就是对随机现象的模拟，根据给定的概率分布从而模拟一个随机事件。另一说法就是用少量的样本点去近似一个总体分布，并刻画总体分布中的不确定性。
还是简单复习一下积分的相关运算，我们可能也只会用到其中几项。当然最好是花点时间复习一下积分、微分、极限的一些相关概念，当然在解题的过程里也可以一点点回忆。
统计学一般分统计描述及统计推断两部分。统计描述是通过图表或数学方法，对数据资料进行整理后描述数据的客观规律，而统计推断则是使用从总体中随机抽取的数据样本，用样本数据总结的规律去对总体的未知特征进行推断。本章主要学习统计推断常见的概念及相关基础内容。
PDF：连续型随机变量的概率密度函数是一个描述这个随机变量的输出值,在某个确定的取值点附近的可能性的函数。
【导读】专知成员Hui上一次为大家介绍Numpy包的使用，介绍了Numpy库的一些基本函数和一些简单用法，以及图像灰度变换，这一次为大家详细讲解图像的缩放、图像均匀操作和直方图均衡化。 图像的缩放、均
V={0,1,2}时，D4=无穷大，D8=无穷大，Dm=无穷大；V={2,3,4}时，D4=无穷大，D8=4，Dm=5。
对于我们研究的大部分物理化学问题来说，由于原子核的质量比电子大很多，忽略它们之间的耦合（波恩-奥本海默近似），用量子化学的方法处理分子体系中的电子结构部分，用经典力学处理其中的原子核部分已经能得到较好的结果。然而在一些特殊情况下原子核的量子效应的贡献不能忽略，例如含有轻原子（如H）的体系、温度较低的情形或者涉及到多电子态的非绝热过程，此时需要使用量子力学的手段研究分子体系的统计或动力学性质。
ECOD首先以非参数方式估计变量的分布，然后将所有维度的估计尾部概率相乘，得出观测值的异常得分。ECOD假设变量独立，并且可以估算出每个变量的经验累积分布。虽然变量独立的假设可能过于严格，但这并不是新的假设，因为前一章中的HBOS也做了同样的假设，并且已被证明是有效的。
论文地址： https://papers.nips.cc/paper/3964-double-q-learning.pdf
好久没更新了，最近在看统计学。看了机器学习回头再看统计学总有一种怪异的感觉，不能说一模一样，只能说直接照搬，说精神续作也好，说致敬经典也好，说换皮圈钱也好，总之今天机器学习课本费劲巴拉往你脑子里塞的概念，到统计学那边一查时间搞不好已经有上百年历史。
我们了解了“样本空间”，“事件”，“概率”。样本空间中包含了一次实验所有可能的结果，事件是样本空间的一个子集，每个事件可以有一个发生的概率。概率是集合的一个“测度”。 这一讲，我们将讨论随机变量。随机变量(random variable)的本质是一个函数，是从样本空间的子集到实数的映射，将事件转换成一个数值。根据样本空间中的元素不同(即不同的实验结果)，随机变量的值也将随机产生。可以说，随机变量是“数值化”的实验结果。在现实生活中，实验结果可以是很“叙述性”，比如“男孩”，“女孩”。在数学家眼里，这些文字化
在随机变量中，我提到了连续随机变量。相对于离散随机变量，连续随机变量可以在一个连续区间内取值。比如一个均匀分布，从0到1的区间内取值。一个区间内包含了无穷多个实数，连续随机变量的取值就有无穷多个可能。 为了表示连续随机变量的概率分布，我们可以使用累积分布函数或者密度函数。密度函数是对累积分布函数的微分。连续随机变量在某个区间内的概率可以使用累积分布函数相减获得，即密度函数在相应区间的积分。 在随机变量中，我们了解了一种连续分布，即均匀分布(uniform distribution)。这里将罗列一些其他的经典
在差异表达基因分析后，我们通常会选择一些显著差异表达的基因进行进一步的可视化分析，例如箱线图。箱线图是一种用于显示一组数据分散情况资料的统计图，包括最大值、最小值、中位数、上四分位数（Q3，75th percentile）和下四分位数（Q1，25th percentile）。
如果要导出给定分布的矩，则一些矩生成函数很有趣。另一个有趣的特征是，在某些情况下，此矩生成函数（在某些条件下）完全表征了随机变量的分布。
作者：Vamei 出处：http://www.cnblogs.com/vamei 欢迎转载，也请保留这段声明。谢谢！
在金融领域中，我们的y值和预测得到的违约概率刚好是两个分布未知的两个分布。好的信用风控模型一般从准确性、稳定性和可解释性来评估模型。
读书笔记: 博弈论导论 - 02 - 引入不确定性和时间 前言 本文是Game Theory An Introduction (by Steven Tadelis) 的学习笔记。 术语 概率分布函数(probability distribution function) 一个简单投机(lottery)(行动 ）在结果 上的概率分布记做 累积分布函数(cumulative distribution function) 一个简单投机(lottery)行动 ，在结果区间 上的累积分布函数：
领取专属 10元无门槛券
手把手带您无忧上云
云服务器
ICP备案
对象存储
实时音视频
即时通信 IM
