x_yz_的专栏

Log-linear模型广泛用于NLP分类任务中。Log-linear模型给出观察对象/标记输出(observation/label)对一个联合概率，其中(x, y)∈X×Y：                                      (1)        其中是一个实值特征权重向量，是特征函数：(x,y)——>实数特征向量。        下面讲解Log-line

协方差定义       在概率论和统计学中，协方差用于衡量两个变量的总体误差。而方差是协方差的一种特殊情况，即当两个变量是相同的情况。       期望值分别为E(X) = μ 与 E(Y) = ν 的两个实数随机变量X与Y之间的协方差定义为：COV(X，Y)=E[(X-E(X))(Y-E(Y))]，其中，E是期望值。       它也可以表示为：直观上来看，协方差表示的是两个

费马小定理——从素数判定到RSA公钥加密体制       看了费马小定理的一些应用和推广，颇受启发。我来简单说说吧。 1.费马小定理是啥呢？         设p为质数，则对于每个与p互质的整数a，a^(p-1)被p除的余数为1，即a^(p-1)≡1(mod p) .         （“a≡b(mod c)”为同余符号，这是高斯发明的，表示a和b除以c得到的余数相同，也就是a m

如有错误，欢迎指正word版证明：Jensen不等式及其证明.docxhttp://download.youkuaiyun.com/detail/x_yz_/5362227

Widrow-Hoff算法（也就是Adaline算法）可用于线性回归，能收敛到最小二乘解，和感知器算法相似。其算法如下：给定训练集S和学习率η∈R+ Widrow-Hoff算法的原始形式： w0←0；b0←0，(xi,1)表示向量 重复 for i=1 to m: (w,b)←(w,b)-η(i>+b-yi)(xi,1) end for 直到收敛条件被满足 返回