交流思想，注重分析，更注重通過例項讓您通俗易懂。包含但不限於：經典演算法，機器學習，深度學習，leetcode 題解，kaggle 實戰。期待您的到來！01—
包含的概念
通過例子介紹以下幾個主要概念：
隨機變數的定義
不同的x取值也會不同
離散型隨機變數
古典概率
離散型隨機變數x=xi時的概率
分布函式02—
例子闡述以上概念
一堆蘋果，數量一共有5個，有好的，有壞的，如果定義事件：從中取出乙個蘋果其好壞標籤為x，那麼x就是乙個隨機變數，且 x 的可能取值有兩種：x0 = 好果，x1 = 壞果。明顯地，這個隨機變數x取值是離散的，因為只有兩種情況。並且，p(x0) + p(x1) = 1，因為這個蘋果要麼是好的，要麼是壞的。
然後，我們統計這5個蘋果後，發現有2個是好果，3個是壞果，那麼如果定義這種事件：從這5個蘋果中任意取3個求取得的好蘋果的個數 x，那麼這個隨機變數 x有什麼特點呢？ 它與上面定義的那個隨機變數就不大一樣了吧，此時，x仍然是離散型隨機變數，但是它可能的取值為：取到0個好蘋果，1個好蘋果，2個好蘋果，這三種取值可能吧。
接下來，分析下這個離散型隨機變數x的分布律，由古典概率的方法得出：
其中， i = 0,1,2，可以得出：
可以看到三者的概率和為1，那麼隨機變數x的分布函式f(x)的圖形顯示如下：
這裡順便總結下離散型隨機變數的分布函式：
分布函式：簡單來說是對概率的定積分，是乙個區間上的概率累加。
離散型分布函式：是離散變數的概率在有限個變數區間內的概率累加。
如上圖所示，f(1) = p(x<=1) = p(x=0) + p(x = 1) = 0.7，
f(1.9) = p(x<=1.9)，因為是離散的，直到 f(2) = p(x<=2)時，f(2)才取到1.0。
由此可見，離散型隨機 變數的分布函式呈現階梯型增長規律。
新知識和教程儲備 機器學習
tensorflow是用於機器學習的端到端開源平台。它具有工具，庫和 社群資源的全面，靈活的生態系統 可讓研究人員推動ml領域的最新發展，並使開發人員輕鬆構建和部署ml支援的應用程式。tensorflow最初是由google機器智慧型研究組織內google brain團隊的研究人員和工程師開發的，用...
機器學習 為什麼離散化，離散化的優勢
1，為什麼離散化 2，離散化的優勢 1，特徵離散化 連續特徵離散化的基本假設，是預設連續特徵不同區間的取值對結果的貢獻是不一樣的。特徵的連續值在不同的區間的重要性是不一樣的，所以希望連續特徵在不同的區間有不同的權重，實現的方法就是對特徵進行劃分區間，每個區間為乙個新的特徵。常用做法，就是先對特徵進行...
機器學習特徵連續 離散的區別
現在網上關於資料探勘 機器學習中資料預處理階段關於屬性 特徵 的各種連續，離散的變換，由於用詞不清，真讓人暈頭轉向。那麼資料探勘 機器學習中用於描述屬性 特徵 的 連續 離散 連續化 離散化 的這幾個詞到底是什麼含義呢？首先，韓家煒老師在他的書的第二章就對屬性的幾種型別進行了介紹 1.標稱屬性 即與...