尧图网站建设 
统计基础一次补齐Maths, CS AI Compendium随机变量与矩速览【免费下载链接】maths-cs-ai-compendiumBecome a cracked AI/ML researcher/engineer with this unconventional textbook covering maths, computing, and ML with intuition.项目地址: https://gitcode.com/GitHub_Trending/mat/maths-cs-ai-compendium本文基于免费开源教材Maths, CS AI Compendium用一篇图文速览帮你补齐统计基础中最核心的两块随机变量与矩期望值、方差、偏度、峰度。无需数学背景10 分钟看懂概率分布与机器学习背后的数学语言。为什么新手要优先学随机变量与矩分布是统计的基石所有平均值、检验、预测都从理解数据如何分布开始随机变量把无法运算的结果正面/反面变成可以计算的数字矩用 4 个数字就能概括分布的形状——这正是特征缩放、损失函数、假设检验的底层工具教材将这部分放在统计学章节的开篇是全书直觉优先写法的典型代表chapter 04 - statistics/01. fundamentals.md把结果变成数字随机变量是什么掷硬币的结果是正面/反面没法做加减。随机变量 $X$ 是一个把每个实验结果映射为实数的函数$X(\text{正面}) 1$、$X(\text{反面}) 0$。从这一刻起概率论可以做算术了。随机变量分两类区别决定了概率的计算方式类型典型例子概率来源离散型10 次抛硬币中正面的次数、骰子点数求和概率质量函数 PMF连续型精确身高、下一班公交的等待时间积分概率密度函数 PDF直方图描述你实际观测到了什么概率分布描述理论上应该长什么样——频率分布是经验概率分布是模型二者合起来才是完整的分布观期望值分布的重心在哪里期望值 $E[X]$ 是所有可能取值按概率加权的平均可以理解为分布的重心。以一枚公平骰子为例$$E[X] 1\cdot\tfrac{1}{6} 2\cdot\tfrac{1}{6} \cdots 6\cdot\tfrac{1}{6} 3.5$$注意你永远不会掷出 3.5但重复掷足够多次平均值会收敛到 3.5。另一个极其好用的性质是线性性$E[aX b] aE[X] b$它在机器学习损失函数的推导中反复出现。矩家族用四个数说清分布的形状矩moment就是 $X$ 的幂次的期望。教材把它分成三层原始矩从 0 量起、中心矩从均值量起、标准化矩再除以标准差的幂次以便跨尺度比较。实际最常用的是前四个标准化中心矩矩名称直观问题一阶均值 μ分布在哪里二阶方差 σ²有多分散三阶偏度尾巴往哪边长四阶峰度极端值多不多方差的公式值得多看一眼——平方正是为了让正负偏差无法互相抵消$$\sigma^2 \frac{1}{N} \sum_{i1}^{N} (x_i - \mu)^2$$两个班级可以有相同的平均分但离散程度天差地别判断基准正态分布偏度为 0、峰度为 3超额峰度为 0。正偏度 右尾更长如收入分布负偏度 左尾更长峰度大于 3 意味着更容易出现离群点。一个数据集走完四个矩以 $X {2, 4, 4, 4, 5, 5, 7, 9}$ 为例完整跑一遍四步流程均值$40 \div 8 5$方差偏差平方和 $32 \div 8 4$标准差 $\sigma 2$偏度$\approx 0.656$正值——因为 9 明显拉长了右尾峰度$\approx 2.781$接近 3说明尾部厚度与正态分布相仿这套四步法就是任何数据集描述性分析的标准流程教材还附了 JAX 计算练习可以直接跑chapter 04 - statistics/02. measures.md随机变量与矩在机器学习里用在哪特征缩放z-score$z (x - \mu)/\sigma$ 正是用一、二阶矩把任意分布变成均值 0、方差 1 的标准形态经验法则 68-95-99.7正态分布下约 68% 的数据落在 $\pm 1\sigma$ 内95% 落在 $\pm 2\sigma$ 内是评估模型输出离群程度最快的标尺损失函数与噪声模型MSE 隐含假设误差服从高斯分布权重初始化、数据增强噪声也大量使用正态随机变量常见分布的身份证就是前两阶矩记住下表可以少翻很多书分布均值 E[X]方差 Var(X)Bernoulli(p)pp(1−p)Binomial(n,p)npnp(1−p)Poisson(λ)λλUniform(a,b)(ab)/2(b−a)²/12Normal(μ,σ²)μσ²每种分布的公式、直觉与 ML 应用场景完整目录在chapter 05 - probability/03. distributions.md下一步从矩走向完整统计工具箱建议按教材顺序继续每章都是直觉讲解 动手任务的结构chapter 04 - statistics/03. sampling.md —— 抽样与中心极限定理为什么正态分布无处不在chapter 05 - probability/02. probability concepts.md —— 条件概率、独立性与贝叶斯定理chapter 04 - statistics/04. hypothesis testing.md —— 假设检验用矩与抽样分布做决策整本教材共 20 章从向量、矩阵一路覆盖到机器学习、多模态与前沿 AI全部免费开源按章节顺序读即可建立完整的知识链。【免费下载链接】maths-cs-ai-compendiumBecome a cracked AI/ML researcher/engineer with this unconventional textbook covering maths, computing, and ML with intuition.项目地址: https://gitcode.com/GitHub_Trending/mat/maths-cs-ai-compendium创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 统计基础一次补齐：Maths, CS AI Compendium随机变量与矩速览
统计基础一次补齐Maths, CS AI Compendium随机变量与矩速览【免费下载链接】maths-cs-ai-compendiumBecome a cracked AI/ML researcher/engineer with this unconventional textbook covering maths, computing, and ML with intuition.项目地址: https://gitcode.com/GitHub_Trending/mat/maths-cs-ai-compendium本文基于免费开源教材Maths, CS AI Compendium用一篇图文速览帮你补齐统计基础中最核心的两块随机变量与矩期望值、方差、偏度、峰度。无需数学背景10 分钟看懂概率分布与机器学习背后的数学语言。为什么新手要优先学随机变量与矩分布是统计的基石所有平均值、检验、预测都从理解数据如何分布开始随机变量把无法运算的结果正面/反面变成可以计算的数字矩用 4 个数字就能概括分布的形状——这正是特征缩放、损失函数、假设检验的底层工具教材将这部分放在统计学章节的开篇是全书直觉优先写法的典型代表chapter 04 - statistics/01. fundamentals.md把结果变成数字随机变量是什么掷硬币的结果是正面/反面没法做加减。随机变量 $X$ 是一个把每个实验结果映射为实数的函数$X(\text{正面}) 1$、$X(\text{反面}) 0$。从这一刻起概率论可以做算术了。随机变量分两类区别决定了概率的计算方式类型典型例子概率来源离散型10 次抛硬币中正面的次数、骰子点数求和概率质量函数 PMF连续型精确身高、下一班公交的等待时间积分概率密度函数 PDF直方图描述你实际观测到了什么概率分布描述理论上应该长什么样——频率分布是经验概率分布是模型二者合起来才是完整的分布观期望值分布的重心在哪里期望值 $E[X]$ 是所有可能取值按概率加权的平均可以理解为分布的重心。以一枚公平骰子为例$$E[X] 1\cdot\tfrac{1}{6} 2\cdot\tfrac{1}{6} \cdots 6\cdot\tfrac{1}{6} 3.5$$注意你永远不会掷出 3.5但重复掷足够多次平均值会收敛到 3.5。另一个极其好用的性质是线性性$E[aX b] aE[X] b$它在机器学习损失函数的推导中反复出现。矩家族用四个数说清分布的形状矩moment就是 $X$ 的幂次的期望。教材把它分成三层原始矩从 0 量起、中心矩从均值量起、标准化矩再除以标准差的幂次以便跨尺度比较。实际最常用的是前四个标准化中心矩矩名称直观问题一阶均值 μ分布在哪里二阶方差 σ²有多分散三阶偏度尾巴往哪边长四阶峰度极端值多不多方差的公式值得多看一眼——平方正是为了让正负偏差无法互相抵消$$\sigma^2 \frac{1}{N} \sum_{i1}^{N} (x_i - \mu)^2$$两个班级可以有相同的平均分但离散程度天差地别判断基准正态分布偏度为 0、峰度为 3超额峰度为 0。正偏度 右尾更长如收入分布负偏度 左尾更长峰度大于 3 意味着更容易出现离群点。一个数据集走完四个矩以 $X {2, 4, 4, 4, 5, 5, 7, 9}$ 为例完整跑一遍四步流程均值$40 \div 8 5$方差偏差平方和 $32 \div 8 4$标准差 $\sigma 2$偏度$\approx 0.656$正值——因为 9 明显拉长了右尾峰度$\approx 2.781$接近 3说明尾部厚度与正态分布相仿这套四步法就是任何数据集描述性分析的标准流程教材还附了 JAX 计算练习可以直接跑chapter 04 - statistics/02. measures.md随机变量与矩在机器学习里用在哪特征缩放z-score$z (x - \mu)/\sigma$ 正是用一、二阶矩把任意分布变成均值 0、方差 1 的标准形态经验法则 68-95-99.7正态分布下约 68% 的数据落在 $\pm 1\sigma$ 内95% 落在 $\pm 2\sigma$ 内是评估模型输出离群程度最快的标尺损失函数与噪声模型MSE 隐含假设误差服从高斯分布权重初始化、数据增强噪声也大量使用正态随机变量常见分布的身份证就是前两阶矩记住下表可以少翻很多书分布均值 E[X]方差 Var(X)Bernoulli(p)pp(1−p)Binomial(n,p)npnp(1−p)Poisson(λ)λλUniform(a,b)(ab)/2(b−a)²/12Normal(μ,σ²)μσ²每种分布的公式、直觉与 ML 应用场景完整目录在chapter 05 - probability/03. distributions.md下一步从矩走向完整统计工具箱建议按教材顺序继续每章都是直觉讲解 动手任务的结构chapter 04 - statistics/03. sampling.md —— 抽样与中心极限定理为什么正态分布无处不在chapter 05 - probability/02. probability concepts.md —— 条件概率、独立性与贝叶斯定理chapter 04 - statistics/04. hypothesis testing.md —— 假设检验用矩与抽样分布做决策整本教材共 20 章从向量、矩阵一路覆盖到机器学习、多模态与前沿 AI全部免费开源按章节顺序读即可建立完整的知识链。【免费下载链接】maths-cs-ai-compendiumBecome a cracked AI/ML researcher/engineer with this unconventional textbook covering maths, computing, and ML with intuition.项目地址: https://gitcode.com/GitHub_Trending/mat/maths-cs-ai-compendium创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考