本文介绍了深度学习中统计学的基础知识，包括概率、分布、似然性、描述性和推断性统计技术。讨论了概率与胜算的区别，贝叶斯与频率学派的不同，并深入解释了条件概率和贝叶斯公式。还提到了在深度学习中常见的分布，如正态分布，以及中心极限定理的重要性。最后，探讨了长尾分布和重采样方法，如自助法和交叉验证在训练模型中的应用。
统计基础：
概率Probabilities
分布Distributions
似然Likelihood ，可能性，与概率是同义语。
描述性统计技术：
柱状图Histograms
箱形图Boxplots
散点图Scatterplots
均值Mean
标准差Standard deviation
相关系统Correlation coefficient
推断性统计技术：
P值p-values
置信区间credibility intervals
概率：从总体到样本。在已知总体时，某个样本是什么情况。
推断统计：从样本到总体。在已知一些样本时，总体是什么情况。
概率：0到1，用浮点数或百分数表示，各样本的概率之和为1.
抛硬币试验，每面的概率为：P( E ) = 0.5， 表示为：事件E的概率为0.5
概率（Probability）VS 胜算（Odds）：
概率定义：事件E的机会/机会总和，如一副扑克中抽出A的概率是 4/52=0.077
胜算定义：事件E的机会/不发生事件E的机会，如一副扑克中抽出A的胜算是4 : (52 – 4) = 1
概率Probabilities
分布Distributions
似然Likelihood ，可能性，与概率是同义语。
描述性统计技术：
柱状图Histograms
箱形图Boxplots
散点图Scatterplots
均值Mean
标准差Standard deviation
相关系统Correlation coefficient
推断性统计技术：
P值p-values
置信区间credibility intervals
概率：从总体到样本。在已知总体时，某个样本是什么情况。
推断统计：从样本到总体。在已知一些样本时，总体是什么情况。
概率：0到1，用浮点数或百分数表示，各样本的概率之和为1.
抛硬币试验，每面的概率为：P( E ) = 0.5， 表示为：事件E的概率为0.5
概率（Probability）VS 胜算（Odds）：
概率定义：事件E的机会/机会总和，如一副扑克中抽出A的概率是 4/52=0.077
胜算定义：事件E的机会/不发生事件E的机会，如一副扑克中抽出A的胜算是4 : (52 – 4) = 1
最低0.47元/天 解锁文章
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
