概率的符号（瞎写）

最新推荐文章于 2025-07-08 03:49:23 发布
最新推荐文章于 2025-07-08 03:49:23 发布
阅读量3.2k 收藏
点赞数
CC 4.0 BY-SA版权
分类专栏： # 概率论
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/sandalphon4869/article/details/103870151
【核心算法篇二十】《DeepSeek符号回归：让AI化身「数学神探」破解数据背后的宇宙公式》
商务合作|问题讨论|交流学习 请联系作者微信，加微信请务必注明来意，博客主页有联系方式
02-19 332
宇宙最不可理解之处，就是它居然可以被理解。”——爱因斯坦如果让AI来续写这句话，或许会是："数据最迷人的地方，在于它总能用数学公式讲出故事。"今天我们要聊的DeepSeek符号回归技术，就是教AI从杂乱数据中自动发现精妙数学规律的「黑魔法」。全程高能预警，建议准备好瓜子饮料！
【LLM】大模型SFT技术总结（数据|训练|评估）
发现问题，并解决问题，批判性思维
11-04 5540
# 一、背景篇 ## 1. Special Token pretrain 阶段完全没见过的 token，在sft 阶段会被赋予全新的语义。主要用于标注对话的角色：user、assistant、system 这些。 此外，special_token 可以用来“构造知识”，比如"喜欢"这种知识一定是 sft 阶段才会见到的，可以剔除掉 pretrain 先验知识的影响，用来验证 sft 的训练情况，比如会不会过拟合。 我默认大家都知道怎么用 special_token 去拼 prompt，如果不熟悉，看下
费诺编码输入为 7个信源符号,其概率分布为：(其中信源符号用A B、、G表示)A:0.2 B:0.19 C:0.18 D:0.17 E:0.15 F:0.10 G:0.01然后输入程序中得到结果（详细文档，值得一下）
03-28
一、基本原理： 首先,将信源符号以概率递减的次序排列,将排列好的信源符号划分为两大组,使这两组的概率和基本相等,并各赋于一个二元码符号”0”和”1”。然后,将每一大组的信源符号再分成两组,使同一组的两个小组的概率和近于相同,并又分别赋予一个二元码符号”0”和”1”.依次下去,直至每一个小组只剩下一个信源符号为止.这样,信源符号所对应的码符号序列则为编得的码字. 补充：译码原理,按照编码的二叉树从树根开始,按译码序列进行逐个的向其叶子结点走,直到找到相应的信源符号为止,之后再把指示标记回调到树根,按照同样的方式进行下一序列的译码到序列结束.如果整个译码序列能够完整的译出则返回成功,否则返回译码失败. 二.实现语言: C++语言 三.基本步骤: 例如课本第116页例题5.9输入为 7个信源符号,其概率分布为： (其中信源符号用A B、、G表示) A:0.2 B:0.19 C:0.18 D:0.17 E:0.15 F:0.10 G:0.01 然后输入程序中得到结果 四.编码源程序
常用概率和统计符号
YHKKun的博客
03-07 1万+
一、基本符号与概念 Ω(大写的希腊字母Omega)：表示样本空间，即所有可能事件（结果）的集合。 A, B, C, ...：表示事件。 A ∪ B：表示事件A与B的并集，即A发生或B发生。 A ∩ B：表示事件A与B的交集，即A和B同时发生。 A'或Ā：表示事件A的补集，即A不发生。 P(A)：表示事件A发生的概率。 P(A | B)：表示在事件B发生的条件下，事件A发生的条件概率。 P(A, B)：有时用于表示A和B的联合概率，即P(A ∩ B)。 二、随机变量与分布 X, Y,
概率相关符号意思
weixin_34062469的博客
09-20 1081
D（X） 方差，指的是数据偏离平均值的程度，反映数据波动大小E(X) （数学）期望，指的是平均值b(1, p)二项分布，值为1的概率为p参数估计：点估计：设总体X的分布函数的形式已知，但它的一个活多个参数未知，借助总体X的一个样本来估计总体未知参数的值的问题称为点估计问题。一般通过观察值计算未知参数的近似值。矩估计：x的数据期望无限接近于概率，x^k的数据期望无限接近于概率的k次方，可以构建k个方...
概率模型
weixin_34279184的博客
04-20 430
本文讨论的是信号处理中用到的概率模型（Probabilistic Models），主要目的是为了了解概率模型相关的基础概念，以供后续文章展开更为深入的讨论。   符号定义 首先规定概率模型所采用的符号。概率模型所设计的基础符号分为三个部分： 1. Sample Space  样本空间，也就是一个概率模型的总空间，用$\Psi$表示，采样空间内包含了所有可能的outcome（输出）$\psi$。每一...
【概率统计】统计学符号大全
热门推荐
探索世界，改变世界
07-31 6万+
    希腊字母 符号　 名称　 符号　 名称　 检验水准，显著性水准；第一类错误的概率　 1-　 可信度，置信度　 第二类错误的概率；总体回归系数　 1-　 检验效能，把握度　 ν() 自由度　 总体率　 总体均数　 总体相关系数　 求和的符号　 ...
产品经理/互联网非技术岗如何写一份好的简历？
仿站、源码搭建/迁移技术博客
05-26 2289
本文将以互联网非技术岗的简历撰写为主题，分享简历的本质与关键，以及如何写一份合格的简历、简历上需要避开的坑。希望大家看完后能解决90%的简历问题。 文章内容概括： 简历的本质和关键 如何写一份有效简历 必须避开的地雷 用了3年的word简历模板 1. 简历的本质和关键 根据「多元决策模型」，惯例，把「How」问题变「What」和「Why」，自动开启深度思考。 How：“互联网非技术岗（下文用产品岗作例）如何写简历？” What：“简历的本质是什么？”、“有效简历的关键是什么？” Why：“
如何写一个Android inline hook框架
DaoDivDiFang的博客
01-02 1896
Android_Inline_Hook https://github.com/GToad/Android_Inline_Hook_ARM64 有32和64的实现，但是是分离的，要用的话还要自己把两份代码合并在一起。 缺点： 1、不支持函数替换（即hook后不执行原函数），现在只能修改参数寄存器，无法修改返回值。 2、不支持定义同类型的hook函数来接受处理参数，只能通过修改寄存器的方式修改参数。 ...
数学领域统计学中的统计决策理论
最新发布
AI天才研究院
07-08 321
在存在不确定性的情况下，如何基于数据（样本）做出最优决策。这里的“不确定性”可能来自两个方面：一是“自然状态的未知”（比如明天的天气、股票的未来走势），二是“数据的随机性”（比如抽样误差、测量噪声）。统计决策理论的范围非常广泛，从实验室的科学实验设计，到工厂的质量检测；从AI模型的分类决策，到医院的疾病诊断；从金融的风险控制，到日常生活的选择判断——只要涉及“基于有限信息做选择”，都能看到它的影子。故事引入：用“小明买冰淇淋”的例子，直观感受统计决策的基本要素；核心概念。
概率论符号_走进高维空间——概率论与高维空间的深层次联系
weixin_39628105的博客
11-20 498
欢迎来到高维系列的第四部分，在这里我们将探索高维空间中一些奇怪而又令人匪夷所思的现象。开始之前，我们一起复习一下前三个部分的一些重要结论：第一部分，我们得出，在无限维空间中球体的体积都集中在边界上，我们只能知道这个结论，但是无法想象！第二部分的结论是，在高维空间中，内切于求内的立方体不完全在球体以内。3.在第三部分中，我们推导出，在无限维空间中，点与点之间的距离都是相等的。今天，我们将进入高维空间...
概率论_概率公式中的逗号( , ) 竖线( | ) 分号( ； )及其优先级
惊鸿一博
10-22 1万+
设A，B是随机试验E的两个随机试验，且P(B)>0，称为在事件B发生的条件下，事件A发生的条件概率。图示如下。
概率论符号_概率论与数理统计之事件与概率
weixin_39622643的博客
11-20 1360
CDA数据分析师 出品摘要本文作为学习概率论的前导知识，主要是为了帮助大家了解以下知识点：什么是随机事件和随机变量？什么是频率和概率？事件之间有哪些基本关系？事件之间有哪些基本运算？随机现象概率论是研究随机现象的数量规律的数学分支，那么什么是随机现象呢？首先，我们需要知道的是在自然界和人类社会中，存在着两种现象，一种是确定性现象，在一定条件下只有一种结果。比如，每天早晨太阳都是从东方升起。第二种是...
概率论符号_考研概率论知识点总结1
weixin_39628256的博客
11-20 2025
关于2021考研的小伙伴这里是概率论基础第一章知识点的总结，废话不多全是干货！-----------------------------------------------------------------------------------------------正文：先给一张思维，总结第一章的所有知识点，（哈哈哈由于需要用思维导图今天下载了Xmind，很好用但是太贵了）做一下解释：①A' ...
【概率论&统计学】复习笔记
墨门
11-10 1493
Keywords: likelihood 1 前言 模式识别中会统计学的内容，里面会有一些常用的概率符号公式，有时候经常不用就容易忘掉了，所以Youki在这样归纳一下~ 2 常见的概率符号和公式 N(μ,σ2)\mathcal{N}(\mu,\sigma^2)N(μ,σ2)：指的是正态分布，其中μ\muμ指正态分布的均值，σ2\sigma^2σ2是正态分布的方差； （这里的符号N\mathcal{N}N是大写字母N的手写体，具体可以参考这...
＜概率论与数理统计＞中各种符号的名称
cloudless_sky的博客
11-14 7051
序号 大写 小写 英文注音 国际音标注音 中文注音 1 Α α alpha a:lf 阿尔法 2 Β β beta bet 贝塔 3 Γ γ gamma ga:m 伽马 4 Δ δ delta delt 德尔塔 5 Ε ε epsilon epsilon 伊普西龙 6 Ζ ζ zeta zat 截塔 7 Η η eta eit 艾塔 8 Θ θ thet θit 西塔 9 Ι ι iot aiot 约塔 10 Κ κ kappa kap 卡帕 11 Λ λ lambda lambd 兰布达 12 Μ μ m
模式识别中常见概率符号公式的学习笔记 By Youki~
墨门
07-15 654
1 前言 模式识别中会统计学的内容，里面会有一些常用的概率符号公式，有时候经常不用就容易忘掉了，所以Youki在这样归纳一下~ 2常见的概率符号和公式 ：联合概率密度函数。指和同时发生的概率密度。 ...
括号里面一个上面一个数下面一个数符号怎么打？/ 概率论组合符号怎么打？
陌雨’的博客
04-02 3490
这是一则摘要
概率论自用笔记
Yonggie的博客
04-28 1万+
（非离散型变量）服从均匀分布：X～U(a,b)X～U(a,b)X～U(a,b) （离散型变量）服从正态分布：X～N(μ,σ)X～N( \mu , \sigma)X～N(μ,σ) （离散型变量）服从几何分布：X～G(k,p)X～G(k,p)X～G(k,p) （离散型变量）服从二项分布（伯努利分布）：X～B(n,p)X～B(n,p)X～B(n,p) （离散型变量）服从泊松分布（用来近似二项分布）：X～...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值