【概率论与数理统计】【线性代数】计算机保研复习
我他妈写一上午了直接没了,这狗csdn,别在已发布的文章上改,辣鸡玩意儿。
复习
- 概率论与数理统计
- 1.基础
- 2.贝叶斯公式
- 3.大数定律(Law of the large numbers)
- 4.中心极限定理
- 5.最大似然估计
- 6. 期望、方差和协方差
- 面试题
- 线性代数
- 1.秩☆
- 2. 行列式
- 3.线性相关性
- 4.向量空间
- 5. 特征值与特征向量☆
- 6.正交
- 面试题
概率论与数理统计
1.基础
事件独立:P(AB)=P(A)P(B) ;
古典概型:有限、等可能、最简单;
几何概型:无限、有限的几何区域、等可能;
伯努利概型:每次实验独立,只有A与A‾\overline{A}A两种结果;
条件概率:A在已知B发生了的概率,称为在B发生下A的条件概率;
乘法公式:P(AB)=P(A)P(B|A)=P(B)P(A|B)
P(AB)=P(A)-P(A B‾\overline{B}B) ;
全概率公式:P(A)=P(A|B1)P(B1)+……+P(A|Bn)P(Bn)
B1……Bn是对样本空间的划分,A是其上的一个事件;为了把导致A发生的概率找全;
二项式定理:
Pn(k)=Cknpkqn-k
A在n次实验中发生k次的概率。
2.贝叶斯公式
P(Bi∣A)=P(A∣Bi)P(Bi)∑j=1nP(A∣Bj)P(Bj)P(B~i~|A)=\frac{P(A|B~i~)P(B~i~)}{\sum_{j=1}^{n}P(A|B~j~)P(B~j~)}P(B i ∣A)=∑j=1nP(A∣B j )P(B j )P(A∣B i )P(B i )
上面是乘法公式,下面是全概率公式,证明:
P(Bi∣A)=P(BiA)P(A)P(B~i~|A)=\frac{P(B~i~A)}{P(A)}P(B i ∣A)=P(A)P(B i A)
- 条件概率公式:原因发生—>结果(由原因推出结果)
(先验概率公式:根据经验,或者叫做根据已知的数据推出来) - 全概率公式:我们很好由已知的数据求得P(Ci),但是很难求得P(x),故可以转化为:P(x)=(i从1–>n求和)(P(xCi));
- 贝叶斯公式(后验概率公式):已知结果,反推原因出现的可能性。比如已知某个类具有某种属性,那么它属于哪个类别(具有标签),这种就是后验概率。
- 贝叶斯公式用于机器学习中的贝叶斯分类模型,主要是用训练数据去学习一个模型(模型计算出所有的P(Ci)、P(ai|Ci)、P(ai),ai表示的是具体的属性),然后每个待分类的测试样本用贝叶斯进行分类,根据其拥有的属性去计算P(Ci|x)中值最大的那个Ci即可。
全概率是用原因推结果,贝叶斯是用结果推原因。
先验概率(prior probability):指根据以往经验和分析。在实验或采样前就可以得到的概率。事情未发生,只根据以往数据统计,分析事情发生的可能性,即先验概率。P(Bi) ;Bi
是该事件若干可能的前提。
后验概率(posterior probability):指某件事已经发生,想要计算这件事发生的原因是由某个因素引起的概率。事情已发生,已有结果,求引起这事发生的因素的可能性,由果求因,即后验概率。
P(Bi|A);已知结果A,对前提Bi的重新计算。
3.大数定律(Law of the large numbers)
它告诉我们在随机事件的大量重复出现中,往往呈现几乎必然的规律。在试验不变的条件下,重复试验多次,随机事件的概率近似于它出现的频率。揭示了平均结果的稳定性。大数定律的条件:1、独立重复事件;2、重复次数足够多。
4.中心极限定理
指的是(在一定条件下,随机变量个数比较多时)相互独立的随机变量之和近似服从正态分布。
- 所以n个独立同分布的随机变量之和服从正态分布。---->变形之后可以服从标准正态分布。
- 列维中心极限定理:n个独立同分布随机变量之和。
- 拉普拉斯中心极限定理:n次独立重复实验,事件A发生的次数。
大数定律更关注的是样本均值,中心极限定理关注的是样本均值的分布
5.最大似然估计
一种参数估计方法。利用已知的样本,找出最有可能生成该样本的参数。最大似然估计的思想在于,对于给定的观测数据x,我们希望能从所有的参数中找出能最大概率生成观测数据x的参数作为估计结果。
6. 期望、方差和协方差
期望:随机变量的均值;大数定律指出如果样本足够的话,样本均值会无限接近数学期望。它反映随机变量平均取值的大小。
方差:每个样本值与全体样本值的平均数之差的平方值的平均数。衡量一组数据的离散程度,度量随机变量和其数学期望(即均值)之间的偏离程度。
协方差:X, Y 的协方差等于每一个 X 减去 X 平均值乘上每一个 Y 减去 Y 平均值的乘积的和的平均。协方差表示的是两个变量总体误差的期望。
面试题
1.正态分布的和还是正态分布吗:
是,正态分布的可加性。
2.先验概率与后验概率:
先验概率是根据之前数据得到的概率,分析事件发生的可能性;
后验概率是事件已经发生,想要计算导致它发生的原因。
3.贝叶斯公式:
已知结果,反推原因。后验概率,乘法公式和全概率公式推导。
线性代数
1.秩☆
矩阵的秩:最高阶非零子式的阶数;
满秩矩阵:秩数等于矩阵阶数;
秩就是矩阵线性无关列(行)向量的最大数目。
行秩等于列秩。
向量组的秩定义为向量组的极大线性无关组所含向量的个数。
任何矩阵的行空间的维数等于矩阵的列空间的维数等于矩阵的秩。
2. 行列式
行列式,是一个将方阵 A 映射到实数的函数。
行列式等于矩阵特征值的乘积。
n阶行列式:所有取自不同行不同列的n个元乘积的代数和即为n阶行列式的值。
二维的矩阵,它的行列式代表的是面积变化,对于三维来讲,行列式代表的就是体积变化。
3.线性相关性
对于线性空间中的n个向量,假如存在n个常数使得这n个常数与n个向量对应乘积加合等于0,则称这n个向量线性相关,如果不存在这样的n个常数,称之为线性无关。(n个常数不全为0)
4.向量空间
向量相加和数乘之后还在该空间内,则它们属于一个向量空间。
在线性空间V中可以找到n个向量,这n个向量线性无关,并且线性空间V中的任意一个向量都和这n个向量线性相关,那么这n个向量就称作线性空间V的基。
5. 特征值与特征向量☆
对方阵 A 满足:Ax=λx,其中 x 为非零向量,则称 x 为特征向量,λ 为特征值。
一个特征值可能对应多个特征向量,一个特征向量只能属于一个特征值。
矩阵可以说是一个变换,它作用于特征向量x时,x的方向不变,只进行缩放变换,缩放大小由特征值决定。
特征向量提供了复杂的矩阵乘法到简单的数乘之间的转换!
6.正交
矩阵正交:两矩阵相乘为0.
正交矩阵:矩阵的转置和矩阵的乘积=单位阵,那么这个矩阵就是正交矩阵,它的列向量组一定是标准正交向量组。
向量正交:相乘为0.
面试题
经典面试题:线性代数
【概率论与数理统计】【线性代数】计算机保研复习相关推荐
- 计算机保研复习专业课篇(408+数学+部分专业课)
1. 计组 (1)总线是什么 1)总线是一组能功能部件之间分时共享的公共信息传送线路.分时.共享是它的两大特点. 2)分时是指同一时刻只能有一个部件向总线上发出信息. 3)总线分为三大类:片内总线.系 ...
- 计算机保研复习数据结构薄弱知识
看了一个博主写的非常全的数据结构文章,在这里把自己迷惑的,需要加强记忆的知识总结一下 参考链接:https://blog.csdn.net/weixin_40113925/article/deta ...
- 保研复习整理——线性代数
博主不定期更新[保研/推免.C/C++.5G移动通信.Linux.生活随笔]系列文章,喜欢的朋友[点赞+关注]支持一下吧! 本文档为线性代数复习文档,参考书籍为刘三阳老师主编的<线性代数> ...
- 计算机保研夏令营准备流程建议
计算机保研夏令营准备流程建议 写在前面 一.什么时候开始准备?准备的流程是什么? 二.如何确定自己的读研意向及方向? 建议完成时间:大三上学期 是否读研? 读研类型? 读研方向? 三.如何确定目标院校 ...
- 2020计算机保研经验贴
文章目录 个人情况 报名学校及结果 夏令营前的准备 各个学校的夏令营经历 北大信科 南大AI 中科大 浙大 清深AI 复旦 北大信工研究所 中科院计算所 上交直博 如果你是2021的计算机保研生你该怎 ...
- 2020计算机保研经历
本文章未经本人允许,不得私自转载! 打个小广告: 我的 Github :https://github.com/WilliamWuLH 不定期更新 LeetCode 刷题 和 各种学习笔记.欢迎 ⭐St ...
- 2022计算机保研心得
2022计算机保研心得 个人基本情况 保研经历 东南大学 南京理工大学 湖南大学 大连理工大学 江南大学 心得和建议 本校材料准备小tips 个人基本情况 江南大学(211),人工智能与计算机学院,计 ...
- 2022计算机保研夏令营记录
2022计算机保研夏令营记录 基本情况 西交软件 哈工本计算机 南大计算机 南大软件所 lamda实验室 人大信息 北师大人工智能 哈工深计算机 北理计算机 北航软件 中科院软件所 中科大苏研院 一些 ...
- 必收藏!计算机保研时间轴!
写在前面 保研就是一场信息战,即将保研的你清楚保研流程吗?岛主为你准备了这份计算机保研时间节点攻略,提前规划一下能事半功倍哦! 一.1.2月 1.学术论文 同学们可以利用寒假时间,在本专业老师的指导下 ...
最新文章
- 一、Tableau基础
- python的turtle画曲线_python的turtle模块画折线图
- MongoDB基础之六 索引
- (转)Predictive learning vs. representation learning 预测学习 与 表示学习
- SAP Marketing Cloud功能简述(三) 营销活动内容设计和产品推荐
- 雷达的工作原理示意图_电磁阀的构成和工作原理示意图
- C语言和Java 在用数组作为参数时有点不一样
- js中的substr和substring
- 内存降价-可以入手啦
- 深入了解Java虚拟机(1)java内存区域与内存溢出异常
- 大数据开发需要学习哪些编程语言
- linux开pulseaudio服务,PulseAudio
- 100道经典AI面试题帮你搞定算法offer!
- openwrt修改默认网关地址_非常详细的锐捷网关路由配置教程,适合新手小白
- 想实现华为BLM模型,人力资源必不可少
- 几种公共图床Python调用
- div html 下边加横线_css字体下边横线 html超链接更改颜色和去掉下划线
- 7.2.2我们天赋与经验的局限2
- windows无法连接到打印机
- AWS实例3T磁盘初始化分区及docker环境部署
热门文章
- 水性拉伸油增稠剂的非离子性能分析
- 怎么屏蔽还有照片_Facebook约会功能美国上线!怎么用?好用不?
- 第二代ANX74xx系列10 Gbps USB 3.2单芯片重定时器系列通过集成更多功能和性能,巩固硅谷数模在USB-C及部署在USB-C 上的DisplayPort方面的领先优势
- 2.常见的性能测试工具
- 【ChatGPT】ChatGPT 在电商B端业务中的应用落地场景产品化思考
- python详解元组数据结构
- 公司软件系统编程格式规范
- 120行代码爬取豆瓣电影top250
- Kaggle竞赛Corporación Favorita Grocery Sales Forecasting方案总结
- 循环:计算某一天是星期几