谷歌大脑近日公开一篇论文“Simple, Distributed, and Accelerated Probabilistic Programming”，发表于NIPS 2018。论文描述了一种简单、低级的方法，用于将概率编程嵌入到深度学习生态系统中。
首先，正态分布是最重要的一种概率分布，正态分布（Normal distribution)，也称高斯分布（Gaussian distribution），具体详细的介绍可自行网上查阅资料；
本文介绍由美国加州大学伯克利分校计算生物学中心的Nir Yosef为通讯发表在 Nature Biotechnology 的研究成果：本文作者提出了scvi-tools，这是一个用于对单细胞组学数据进行深度概率分析的 Python 库。此工具主要作用是整合多种概率模型，并解决不同概率模型之间接口不一致的问题。它集成了多种高效的概率方法，涵盖多项基本分析任务，可通过标准化、易于使用的界面访问并接入到Scanpy、Seurat和Bioconductor工作流程中。通过这种标准化方式，开发人员能够在不同模型之间开发新功能。它还为以scvi-tools为基础的可扩展软件构建块提供了一个开发环境，在该环境中，可以有效地开发、基准测试和部署用于单细胞组学的新概率模型。
上篇我们统计并演算了沪深300指数历史各季度的涨跌概率和幅度，分析第四季度上涨概率66.67%和平均收益6.89%，位居首位，并结合A股财报周期解释其发生的原因，如需阅读请点击：《择时系列（2）| 指数季节效应》。
方法/步骤 1 一、什么是pagerank PageRank的Page可是认为是网页，表示网页排名，也可以认为是Larry Page(google 产品经理)，因为他是这个算法的发明者之一，还是google CEO（^_^）。PageRank算法计算每一个网页的PageRank值，然后根据这个值的大小对网页的重要性进行排序。它的思想是模拟一个悠闲的上 网者，上网者首先随机选择一个网页打开，然后在这个网页上呆了几分钟后，跳转到该网页所指向的链接，这样无所事事、漫无目的地在网页上跳来跳 去，Pag
选自arXiv 机器之心编译 2017 年 5 月，清华大学朱军教授在机器之心 GMIS 2017 大会现场详解了他们开发的贝叶斯深度学习 GPU 库珠算。近日，清华大学公开了珠算相关论文，机器之心对
选自GitHub 机器之心编译 参与：路雪 近日，pomegranate 的作者宣布发布新版本 pomegranate v0.9.0。新版本为概率分布、k 均值、混合模型、隐马尔可夫模型、贝叶斯网络、朴素贝叶斯／贝叶斯分类器等模型提供模型拟合、结构化学习和推断过程的修正，并重点关注于处理数据缺失值。 文档地址：http://pomegranate.readthedocs.io/en/latest/ GitHub 地址：https://github.com/jmschrei/pomegranate 新版重点
深度学习的很多研究结果都模糊了模型和计算之间的界限，有的甚至表明是一种「可微分编程」的新范式，它们的目标不仅仅是训练模型，同时还希望实现一般的程序综合体。在这一观点下，注意力机制和门控机制可以描述布尔逻辑运算符，残差连接和条件计算可以描述控制流，外部记忆可以访问函数内部作用范围外的元素。此外，学习算法也将变得越来越动态，例如学习如何学习、神经架构搜索和层级内的最优化等。
上一小节对随机变量做了一个概述，这一节主要记录一维离散型随机变量以及关于它们的一些性质。对于概率论与数理统计方面的计算及可视化，主要的Python包有scipy, numpy和matplotlib等。
在前面的文章中讲过，很多模型的假设条件都是数据是服从正态分布的。这篇文章主要讲讲如何判断数据是否符合正态分布。主要分为两种方法：描述统计方法和统计检验方法。
▌4.1 基于蒙特卡罗方法的理论 本章我们学习无模型的强化学习算法。 强化学习算法的精髓之一是解决无模型的马尔科夫决策问题。如图4.1所示，无模型的强化学习算法主要包括蒙特卡罗方法和时间差分方法。本
【导读】一个企业的盈利与其销售市场部门密不可分，传统的销售手段是销售人员逐个联系现有或潜在的顾客，这种方式不仅耗时耗力，而且不可避免地会有疏漏，不能够精准地联系到购买潜力较大的顾客。在本文中，Sai
大数据文摘作品，转载要求见文末 作者 | Elaine，田桂英，Aileen 导读：前段时间小白学数据专栏出了一期Python小抄表，后台反应强烈（点击查看大数据文摘小白学数据系列文章《小白学数据之常用Python库“小抄表”》）。确实，数据科学越来越热，但是对于想要学好它的小白们却很头疼一个问题，需要记住的操作和公式实在是太多了！小抄表是很实用的办法，那么今天我们就为大家送出一份大杀器：28张小抄表合辑！不管你是Python或R的初学者，还是SQL或机器学习的入门者，或者准备学习Hadoop，这里都有能满
上回书说道：二项分布和泊松分布的关系，咱们知道，当n很大p很小的时候，二项分布可以使用泊松分布近似求解，那么咱们今天呢，主要研究二项分布和正态分布之间的“爱恨情仇”，正式开始之前，咱们先回顾先讲一下昨天讲到的二项分布，然后讲解什么是正态分布，如何通过python代码实现图形绘制，接着，咱们讲解一下二项分布转换正态分布求解的条件，通过python来看一下，为什么二项分布在某种条件下是可以转换成正态分布近似求解。
本文介绍了一个强化学习项目，它对于那些想在Python中创建和解决简单任务的人非常有帮助。该项目创建了强化学习环境以及基本方法，所有代码都在Kaggle上进行了发布。此外，我们还创建了一个Meta”笔记本，它只包含环境定义，你可以用它来轻松的尝试、调整和应用自己的代码。
我不喜欢一上来就推荐一堆参考资料的东西，那只会让初学者更迷茫。好比一个婴儿，你告诉他学会走路的方法有100种，他只会变的对走路毫无兴趣，他要的只是一种最有效的学会走路的办法，而不是100种。
数据分布是指数据集中所有可能值出现的频率，并用概率来表示。它描述了数据取值的可能性。
我不喜欢一来就推荐一堆参考资料的东西，那只会让初学者更迷茫。好比一个婴儿，你告诉他学会走路的方法有100种，他只会变的对走路毫无兴趣，他要的只是一种最有效的学会走路的办法，而不是100种。 同样的，下面介绍的是我之前刚开始自己学习python的1种方法，只需要1种就可以了。 第1步，基础入门 很多人喜欢搞一本厚厚的书来看，虽然看完了但是还不会用Python，这是最大的悲哀。 伤心吧？难过吧？ 其实，你只需要，看菜鸟教程网站的这个教程就足够了，网站地址： Python3 教程 | 菜鸟教程
这就是开发者亲切地称之为“人工智障写作”，由GPT魔改而成的模型AI-Writer：
阅读大概需要5分钟 上次讲的是线性，点，latex公式的写法，链接为： matplotlib--python的数据可视化入门 这次大家将会学到饼状图，柱状图和概率分布， 下面就以代码加图讲解，具体注释
改变全连接为局部连接，这是由于图片的特殊性造成的（图像的一部分的统计特性与其他部分是一样的），通过局部连接和参数共享大范围的减少参数值。可以通过使用多个filter来提取图片的不同特征（多卷积核）。
1 NER简介 NER（Named Entity Recognition，命名实体识别）又称专名识别，是自然语言处理中常见的一项任务，使用的范围非常广。命名实体通常指的是文本中具有特别意义或者指代性非常强的实体，通常包括人名、地名、机构名、时间、专有名词等。NER系统就是从非结构化的文本中抽取出上述实体，并且可以按照业务需求识别出更多类别的实体，比如产品名称、型号、价格等。因此实体这个概念可以很广，只要是业务需要的特殊文本片段都可以称为实体。以下将详细介绍达观数据在文本语义理解过程中是如何构建中文NER系统
近年来，以机器学习、知识图谱为代表的人工智能技术逐渐变得普及。从车牌识别、人脸识别、语音识别、智能问答、推荐系统到自动驾驶，人们在日常生活中都可能有意无意地使用到了人工智能技术。越来越多的人开始关注这一个“崭新”的研究领域：深度学习。
本文是其中第一篇，介绍了图的一些基础知识并给出了 Python 示例。更多文章和对应代码可访问：https://github.com/maelfabien/Machine_Learning_Tutorials。
我不喜欢一上来就推荐一堆参考资料的东西，那只会让初学者更迷茫。好比一个婴儿，你告诉他学会走路的方法有100种，他只会变的对走路毫无兴趣，他要的只是一种最有效的学会走路的办法，而不是100种。 同样的，下面介绍的是我之前刚开始自己学习python的1种方法，只需要1种就可以了。 第1步，基础入门 很多人喜欢搞一本厚厚的书来看，虽然看完了但是还不会用Python，这是最大的悲哀。 伤心吧？难过吧？ 其实，你只需要，看菜鸟教程网站的这个教程就足够了，网站地址： Python3 教程 | 菜鸟教程
机器学习(Machine Learning)有很多方面，当我开始研究学习它时，我发现了各种各样的“小抄”，它们简明地列出了给定主题的关键知识点。最终，我汇集了超过 20 篇的机器学习相关的小抄，其中一些我经常会翻阅，而另一些我也获益匪浅。这篇文章里面包含了我在网上找到的 27 个小抄，如果你发现我有所遗漏的话，请告诉我。 机器学习领域的变化是日新月异的，我想这些可能很快就会过时，但是至少在目前，它们还是很潮的。 机器学习 这里有一些有用的流程图和机器学习算法表，我只包括了我所发现的最全面的几个。 神经网络架
神经网络和深度学习（二）——从logistic回归谈神经网络基础 （原创内容，转载请注明来源，谢谢） 一、概述 之前学习机器学习的时候，已经学过logistic回归，不过由于神经网络中，一些思想会涉及到logistic，另外会拿一些神经网络用到的解决方案，以logistic来举例，更浅显易懂（例如BP算法）。 因此，这里就再次复习logistic回归及其梯度下降、代价函数等，主要是讲述和后面学习神经网络有关的内容，其他部分会快速略过。 二、logistic输出函数 logistic是解决
机器学习(Machine Learning)有很多方面，当我开始研究学习它时，我发现了各种各样的“小抄”，它们简明地列出了给定主题的关键知识点。最终，我汇集了超过 20 篇的机器学习相关的小抄，其中一些我经常会翻阅，而另一些我也获益匪浅。这篇文章里面包含了我在网上找到的 27 个小抄，如果你发现我有所遗漏的话，请告诉我。
最近我们被客户要求撰写关于有限混合模型聚类FMM的研究报告，包括一些图形和统计输出。
层次化可导航小世界（HNSW）图是向量相似性搜索中表现最佳的索引之一。HNSW 技术以其超级快速的搜索速度和出色的召回率，在近似最近邻（ANN）搜索中表现卓越。尽管 HNSW 是近似最近邻搜索中强大且受欢迎的算法，但理解其工作原理并不容易。
專 欄 ❈本文作者：王勇，目前感兴趣项目商业分析、Python、机器学习、Kaggle。17年项目管理，通信业干了11年项目经理管合同交付，制造业干了6年项目管理：PMO,变革，生产转移，清算和资产
本文是「小孩都看得懂」系列的第十八篇，本系列的特点是内容不长，碎片时间完全可以看完，但我背后付出的心血却不少。喜欢就好！
当结果是一个不确定但可重复的过程的结果时，概率总是可以通过简单地观察多次过程的重复并计算每个事件发生的频率来衡量。这些频率概率可以很好地陈述客观现实。如
Metropolis-Hastings 算法对概率分布进行采样以产生一组与原始分布成比例的轨迹。
描述性统计分析（Description Statistics）是通过图表或数学方法，对数据资料进行整理、分析，并对数据的分布状态、数字特征和随机变量之间的关系进行估计和描述的方法。描述性统计分析分为集中趋势分析和离中趋势分析。
选自TowardsDataScience 作者：William Koehrsen 机器之心编译 参与：陈韵竹、黄小天 通过把马尔科夫链蒙特卡罗（MCMC）应用于一个具体问题，本文介绍了 Python 中 MCMC 的入门级应用。机器之心对本文进行了编译介绍。 GitHub 地址：https://github.com/WillKoehrsen/ai-projects/blob/master/bayesian/bayesian_inference.ipynb 过去几月中，我总是反复遇到同一个数据科学术语：马尔科
一位优秀的AI算法工程师应该有强大的数学基础，根据资料，线性代数你要会向量操作、矩阵运算以及特殊函数。概率论相关知识点，要掌握概率与分布、期望和方差、大数定律及中心极限定理、常见概率分布、先验分布与后验分布、信息论。
李林 编译整理 量子位 出品 | 公众号 QbitAI 从我们见到的各种图像识别软件来看，机器似乎能认出人脸、猫、狗、花草、各种汽车等等日常生活中出现的物体，但实际上，这有一个前提：你要用这些类别的图像，对它进行过训练。 确切地说，该叫它“图像分类”。 建立一个图像分类器并不复杂，技术博客Source Dexter上最近发表的一篇文章，介绍了该如何快速用TensorFlow实现图像分类。 以下是量子位节选自这篇文章的内容： 在进入正题之前，我们先讲一些基本概念。 图像分类是怎样实现的？ 向一个训练过
推荐系统根据用户的历史行为分析用户的兴趣，再根据兴趣为用户推荐项目。然而，在推荐系统运作过程中，新用户与新项目会源源不断地出现。由于这部分用户与项目没有历史评分信息，系统无法有效推断新用户的兴趣与新项目的受欢迎度，这种涉及新用户和新项目推荐的问题成为冷启动推荐问题。
在阅读之前，请一定要查看第 1 部分和第 2 部分！
基于词的翻译模型起源于上世纪IBM关于统计机器翻译的原创性工作，教材主要介绍的是IBM Model 1模型。该模型能够从大量句对齐的语料中自动实现词对齐。
博主前面一篇文章讲述了二维线性回归问题的求解原理和推导过程，以及使用python自己实现算法，但是那种方法只能适用于普通的二维平面问题,
在上一篇描述性统计中提到数据分析的对象主要是结构化化数据，而所有的结构化数据可以从三个维度进行描述，即数据的集中趋势描述，数据的离散程度描述和数据的分布形态描述，并对前两个维度进行了介绍。
来源：Deephub Imba本文约2800字，建议阅读8分钟本文我们将介绍一些常见的分布并通过Python 代码进行可视化以直观地显示它们。 概率和统计知识是数据科学和机器学习的核心；我们需要统计和概率知识来有效地收集、审查、分析数据。 现实世界中有几个现象实例被认为是统计性质的（即天气数据、销售数据、财务数据等）。这意味着在某些情况下，我们已经能够开发出方法来帮助我们通过可以描述数据特征的数学函数来模拟自然。 “概率分布是一个数学函数，它给出了实验中不同可能结果的发生概率。” 了解数据的分布有助于更好
领取专属 10元无门槛券
手把手带您无忧上云
云服务器
ICP备案
对象存储
即时通信 IM
实时音视频
