随笔分类 - 杂学
摘要：RKHS-wiki 概 这里对RKHS做一个简单的整理, 之前的理解错得有点离谱了. 主要内容 首先要说明的是, RKHS也是指一种Hilbert空间, 只是其有特殊的性质. Hilbert空间$\mathcal$, 其中的每个元素$f: \mathcal \rightarrow \mathbb\(
阅读全文
摘要：上一部分介绍的blur能够将图片模糊化, 这部分介绍的是突出图片的边缘的细节. 什么是边缘呢? 往往是像素点跳跃特别大的点, 这部分和梯度的概念是类似的, 可以如下定义图片的一阶导数而二阶导数: \[ \frac{\partial f}{\partial x} = f(x+1) - f(x), \\
阅读全文
摘要：Gonzalez R. C. and Woods R. E. Digital Image Processing (Forth Edition). import cv2 import matplotlib.pyplot as plt import numpy as np FILTERS filters
阅读全文
摘要：Gonzalez R. C. and Woods R. E. Digital Image Processing (Forth Edition). 令$r_k, k = 0, 1,2, \cdots, L-1$ 表示图片密度值为$k$, \[ h(r_k) = n_k, \: k = 0, 1, \c
阅读全文
摘要：Choi H. I. Lecture 4: Exponential family of distributions and generalized linear model (GLM). 定义 定义: 一个分布具有如下形式的密度函数: \[ f_{\theta}(x) = \frac{1}{Z(\t
阅读全文
摘要：Sufficient statistic - Wikipedia Sufficient statistic - arizona 定义 统计量是一些随机样本$X_1, X_2, \cdots, X_n$的函数 \[ T = r(X_1, X_2, \cdots, X_n). \] 样本$X$的分布$f
阅读全文
摘要：概 感觉这个分布的含义很有用啊, 能预测‘最大', 也就是自然灾害, 太牛了. 主要内容 定义 [Gumbel distribution-wiki](Gumbel distribution - Wikipedia) 其分布函数和概率密度函数分别为: \[ F(x; \mu, \beta) = e^{
阅读全文
摘要：> Prabhushankar M., Kwon G., Temel D. and AlRegib G. Contrastive explanation in neural networks. In 2020 IEEE International Conference on Image Proces
阅读全文
摘要：Zhou B., Khosla A., Lapedriza A., Oliva A. and Torralba A. Learning Deep Features for Discriminative Localization. CVPR, 2016. Selvaraju R., Das A., V
阅读全文
摘要：Hern$'{a}$n M. and Robins J. Causal Inference: What If. Neal B. Introduction to Causal Inference. graph LR A(A) --> Y(Y) graph LR L(L) -->A(A) --> Y(Y
阅读全文
摘要：Hern$'$n M. and Robins J. Causal Inference: What If. 初次提到the target trial在 page 37. 本章提到的direct causal effect感觉还是挺重要的, 就是感觉讲得太少了. 22.1 The target tria
阅读全文
摘要：Hern$'$n M. and Robins J. Causal Inference: What If. 这一章介绍了如何估计time-varying 下的causal effect. 21.1 The g-formula for time-varying treatments 求静态的$\math
阅读全文
摘要：Hern$'$n M. and Robins J. Causal Inference: What If. 在介绍如何估计causal effect之前, 需要介绍一个treatment-confounder feedback 的概念, 由于这种情况的存在, 导致原先的一些估计方法失效. 20.1 T
阅读全文
摘要：Hern$'$n M. and Robins J. Causal Inference: What If. 这一章讲一种新的方法: propensity scores. 15.1 Outcome regression 在满足条件可交换性下, \[ \mathbb{E} [Y^{a=1, c=0}|L=
阅读全文
摘要：Hern$'$n M. and Robins J. Causal Inference: What If. 前面已经介绍过了Standardization 和 IP weighting, 这里在介绍另外一种方法: G-estimation. 14.1 The causal question revis
阅读全文
摘要：Hern$'$n M. and Robins J. Causal Inference: What If. 这一节来讲怎么结合standardization. 13.1 Standardization as an alternative to IP weighting \[ \sum_l \mathb
阅读全文
摘要：Hern$'$n M. and Robins J. Causal Inference: What If. 这一章介绍如何结合IP weighting 和 参数模型. 12.1 The causal question 12.2 Estimating IP weights via modeling 我们
阅读全文
摘要：Hern$'$n M. and Robins J. Causal Inference: What If. 前10章介绍了一些基本概念, 从这一章开始, 将通过模型进一步分析. 11.1 Data cannot speak for themselves 我们要估计$\mathbb[Y|A=a]$, 但
阅读全文
摘要：Hern$'$n M. and Robins J. Causal Inference: What If. 在之前, 一直假设样本数量足够大, 从而没有随机因素的影响(即把以个体看成一亿或者更多个体的集合). 但是这种假设在实际中显然是不合理的, 往往我们只有少量的数据. 10.1 Identific
阅读全文
摘要：Hern$'$n M. and Robins J. Causal Inference: What If. 已经介绍过两个bias: confounding和selection, 这里介绍第三个, measurement bias. 这个measurement bias 不是指样本数目过少导致的误差,
阅读全文
浙公网安备 33010602011771号