前言: 本次笔记对《强化学习(第二版)》第十一章进行概括性描述。 以下概括都是基于我个人的理解,可能有误,欢迎交流:piperliu@qq.com。 总的来说,第11章学习体验不好。可能是由于内容本身比较抽象,第11章属于星标章节。练习题没有引起我的兴趣。还有一点比较令人失望:尽管本章讨论了不少
文章目录 A 概述 B 逻辑代数的三种基本运算 B.a “与”逻辑(AND) B.b “或”逻辑 B.c “非”逻辑 B.d 与非运算 B.e 或非运算 B.f 与或非运算 B.g 异或运算 B.h 同或运算 C 逻辑代数的基本公式和常用公式 C.a 逻辑函数的基本概念 C.b 逻辑代数的运算法则 C.b.a 逻辑函数的相等
【数电专栏】 文章目录 A 卡诺图 A.a 卡诺图定义和特点 A.b 逻辑函数的卡诺图表示 A.b.a 函数式 → \rightarrow →卡诺图 A.b.b 真值表
【数电专栏】 文章目录 A 常用组合逻辑电路——编码器 A.a 普通编码器的工作原理 A.b 优先编码器的工作原理 A.c MSI编码器芯片举例及应用举例 A 常用组合逻辑电路——编码器 编码(coding)——为了区分一系列不同的事物,将其中的每个事物用一个二值代码表示。 编码器(Encoder)
1. HMM模型参数求解概述 HMM模型参数求解根据已知的条件可以分为两种情况。 第一种情况较为简单,就是我们已知 D D D个长度为
周赛地址:https://leetcode-cn.com/contest/weekly-contest-237 第一题:判断句子是否为全字母句 判断一个字符串里,是否包含字母表的每个字母,遍历一遍,记录每个字母出现的次数到 c o u
计量笔记专栏 计量笔记(一) | OLS估计量推导 计量笔记(二) | OLS估计量性质 前言 前面通过计量笔记(一) | OLS估计量推导和计量笔记(二) | OLS估计量性质我们已经推导出了参数的OLS估计量的矩阵表达式即 β
概率 概率的定义从两大学派谈起频率派贝叶斯派 等可能说古典方法几何方法 公理化概率论的出现概率论的公理化定义 概率的性质 P ( ∅
随机事件 事件与集合事件间的关系包含关系相等关系互不相容(互斥)对立事件(互逆事件) 事件的运算交(积)∩并(和)∪差 — 事件运算的性质 事件与集合 样本点——集合元素 样本空间Ω——全集 事件——Ω的一个子集 一次试验,事件A发生了——试验结果ω∈A 通过这些,就可以建立事件与
【写在前面】该论文发表于AAAI2020,提出了一个采用深度学习在数据存在缺失的情况下进行因果关系发现的框架,框架中采用了GAN和VAE,GAN网络主要用来进行数据补全,VAE则进行生成一个无向因果图,然后利用了加噪模型对因果图关系的方向进行确定。 论文链接:https://arxiv.org/abs/20
先来一个随机变量吧 \[X \]我们知道它的期望 \[E[X]=\mu \]现在你对它的方差突然很感兴趣 那按理来说你本应这么求 \[\sigma^2=E[(X-\mu)^2] \]你理所当然地求不了。 好耶ヽ(✿゚▽゚)ノ 啊啊。 不过还可以估计。 直觉来说吗,我们会觉得可以这样 \[s^2=E[(X-\overline{X})^2]=\frac{1
试着制造一台计算机吧 问题: CPU是什么的缩写? 中央处理器(Central Processing Unit) Hz是表示什么的单位? 频率。通常用Hz来表示驱动CPU运转的时钟信号的频率,1秒发出1次时钟信号就是1Hz。 Z80 CPU是多少比特的CPU CPU上数据总线的条数,或者CPU内部参与运算的寄存器的容量,都可以作
Intro 衡量线性关系,一般要求变量(近似地)服从正态分布,并且是连续性的。 在进行归一化之后,Pearson 相关系数实际上类似于先进行中心化再做余弦相似度。 给出的结果,负相关为 -1,正相关为 1. Pearson Correlation Coefficient 是用协方差除以两个变量的标准差得到的 输入两组数据,Pearson
对于给定的阈值\(T\),可以将图像分为目标和背景。其中背景点数占图像比例为 \(p_0\),平均灰度值为 \(m_0\)。而目标点数占图像比例为 \(p_1\),平均灰度值为 \(m_1\),其中满足 \[p_0 + p_1 = 1 \]整幅图像的平均灰度值为常数,跟阈值无关,且为 \[\overline m = p_0m_0 + p_1m_1 \]类间方差
特征选择的目标 构造机器学习的模型的目的是希望能够从原始的特征数据集中学习出问题的结构与问题的本质,此时的挑选出的特征就应该能够对问题有更好的解释;特征决定了机器学习的上限,而模型和算法只是去逼近这个上限,所以特征选择的目标大概如下: 提高预测的准确性; 减少模型的运行
目录关于线性回归线性回归特点和 kNN 图示的区别简单线性回归算法原理如何求解机器学习算法?编程实现简单线性回归向量化运算封装线性回归类评估方法向量化运算的性能测试线性回归的可解释性 线性回归的评估 关于线性回归 KNN 主要解决分类问题,线性回归主要解决回归问题。 寻找
关于 mmWave MIMO 和 IRS 的结合 参考文献:《Intelligent Reflecting Surface-Assisted Millimeter Wave Communications: Joint Active and Passive Precoding Design》 一点想法 之前一直在想将自己看过的毫米波通信与 IRS 有机结合起来做点小工作,发个小论文。但是由于毫米
参考 :ZOE’s MindMap、 统计学(贾俊平版) 阅读提示:内容较长为了检索便捷;如有错误,请指出。 笔记提示:部分内容暂时未完善,后续不断更新 数学基础扫盲 认识1. 描述性统计1.基本概念2.表格图形1.单变量2.双变量 2.数值方法1.中心位置的度量2.变异程度的度量3.分布形态的度量偏
Description 第一类斯特林数$\begin{bmatrix}n\\ m\end{bmatrix}$表示将$n$个**不同**元素构成$m$个圆排列的数目。 给定$n$,对于所有的整数$i\in[0,n]$,你要求出$\begin{bmatrix}n\\ i\end{bmatrix}$。 由于答案会非常大,所以你的输出需要对$167772161$($2^{25}\times 5+1$,是一个质数
期末复习 第五、六章 第五章 大数定理中心极限定理 大数定理:对于任意大于0的概率,只要重复独立实验的次数n充分大,几乎是必然发生的。 中心极限定理: 独立同分布的中心极限定理:均值为 μ \mu
一行格子,其中小于\(0\)的格子为白色,大于\(n\)的格子为黑色,中间的格子颜色由题目给出。 有一些格子需要被标记。标记按照以下规则进行:选择一个颜色\(c\),找到一个未标记的 旁边有标记点的 颜色为\(c\)的 格子,在这个格子上标记;如果找不到这样的格子,就找任意一个颜色为\(c\)的格子。
【数据分析师 Level 1 】3.抽样分布及参数估计 抽样分布及参数估计 1.随机的基本概念 随机实验 随机实验是概率论的一个基本概念。概括的讲,在概率论中把符合下面三个特点的试验叫做随机试验 可以在相同的条件下重复的进行 每次试验的可能结果不止一个,并且能事先明确试验的所有可
概率论 - 箱中取球引出的一个问题 一、前言 在考研数学复习时,《考研数学复习全书 - 数学一 · 李永乐 王式安...》概率论部分有一题出现了理解上的困难,查资料后有些收获,整理如下: a 书中结论并不正确(确定) b 要理解条件概率 c 要知道全概率公式进行概率分解的时候的隐藏的前提条件
概率论 - 样本方差的期望 问题 设 \(X_{1},X_{2}...X_{n}\) 是来自总体 \(X\) 的样本,则称 样本方差 \(S^{2}=\frac{1}{n-1}\displaystyle\sum_{i=1}^{n}(X_{i}-\overline{X})^2\) 理解 从样本方差和总体方差的期望来看。 记 \(X\) 的期望为 \(\mu\) ,方差为 \(\sigma^2\) ,则 \(E\{S
题意 给定两个数组$x, y$,有三种操作 给定$l, r$,令$\overline x = \frac{1}{r - l + 1}\sum_{i = l}^r x_i,\overline y= \frac{1}{r - l + 1}\sum_{i = l}^r y_i$,即该数组$[l,r]$间数的平均数,求$$\frac{\sum_{i=l}^r(x_i-\overline x)(y_i-\overline y)}{\sum_{i=l}^r (x_i-\over