Do you believe something?

本文转自GLM(广义线性模型) 与 LR(逻辑回归) 详解（原作者：爱学习的段哥哥）GLM的内容，本应该较早之前就总结的，但一直觉得这种教科书上的基础知识不值得专门花时间copy到博客里来。直到某一天看到一篇不错的总结，在征求作者同意后，转载于此（本人比较懒啦）（然而公式重新排版竟然花了1个多小时TT）。原文如下George Box said: “All models are wrong, some are useful”1. 始于 Linear Model作为 GLM 的基础，本节 .

文章来源：http://blog.sciencenet.cn/home.php?mod=space&uid=44001&do=blog&id=274697最近总是和卷积打交道,工作需要，每天都要碰到它好几次,不胜烦恼,因为在大学时候学信号与系统的时候就没学会，我于是心想一定要把卷积完全搞明白。正好同办公室的同学也问我什么是卷积,师姐昨天也告诉我说:“我也早就想把这个问题搞明白了！”经过一段

文章来源：http://blog.sina.com.cn/s/blog_672c5a470100miqq.html在做幻觉脸时用PCA，好不容易搞明白了原理，却发现溜掉了为什么计算协方差矩阵前要去均值(其实很简单，不要笑我脑残哈)，和同学讨论啊讨论啊，讨论结果只是证明了我们把曾经学过的概率之类的忘的不胜什么了，所有就问了一下Google，很幸运找到了一位很敬业的小伙写的文章，贴出来警示

文章来源：http://www.win7soft.com/doucontorl/?p=247因为l是常数，所以lx与x的方向相同。即，一个变换的特征向量是这样一种向量，它经过这种特定的变换后保持方向不变，只是进行长度上的伸缩而已。下图是从wikipedia的《特征向量》一文中引用的。通过这个图可以对变与不变有一个进一步的了解。图1. 在这个错切变换中，蒙娜丽莎的图像被变形，但是

文章来源：http://blog.youkuaiyun.com/faceRec/article/details/1697362协方差矩阵的详细说明黄叶权  整理于2007-7-18 在做人脸识别的时候经常与协方差矩阵打交道，但一直也只是知道其形式，而对其意义却比较模糊，现在我根据单变量的协方差给出协方差矩阵的详细推导以及在不同应用背景下的不同形式。 变量说明：设为一组随机变量，

文章来源：http://www.guokr.com/article/22018/本文发表于果壳网 - guokr.com, 转载请注明出处. 商业使用请联系果壳网.最速降线问题“想象一个小球，仅受重力，从点 A 出发沿着一条没有摩擦的斜坡滚至点 B。怎样设计这条斜坡，才能让小球在最短的时间内到达点 B？”这个在数学史上被称为“最速降线”的知名问题，最早是由著名的意大

文章来源：http://www.guokr.com/article/59377/今天是费马诞辰。作为一名业余玩家，费马的学术成就却不亚于任何一位数学家。除了光芒四射的费马大定理，最为人所熟知的就要数费马原理了。然而人们对这个原理的理解却存在着很多偏差，死理性派在今天这个有纪念意义的日子，特此撰文，做出澄清。2011年8月17日，是费马（Pierre de Fermat）诞辰41

原文地址：http://bbs.pinggu.org/thread-3237192-1-1.html统计学的基本概念学过概率统计的孩子都知道，统计里最基本的概念就是样本的均值，方差，或者再加个标准差。首先我们给你一个含有n个样本的集合X={X1,……Xn}，依次给出这些概念的公式描述，这些高中学过数学的孩子都应该知道吧，一带而过。 很显然，均值描述的是样本集合的中间点，它告诉我