摘要: 陈二喜 才貌双残 公众号:陈二喜 34,450 人赞同了该回答 陈二喜 才貌双残 公众号:陈二喜 陈二喜 才貌双残 公众号:陈二喜 陈二喜 陈二喜 陈二喜 才貌双残 公众号:陈二喜 才貌双残 公众号:陈二喜 才貌双残 公众号:陈二喜 34,450 人赞同了该回答 今天,我要讲讲我和苍井空的故事。 F 阅读全文
posted @ 2019-09-02 16:35 const_wss 阅读(513) 评论(0) 推荐(0) 编辑
摘要: 如何通俗易懂地讲解牛顿迭代法? 如何通俗易懂地讲解牛顿迭代法? 原文链接:https://matongxue.com/madocs/205.html 高次方程没有通解,可以依靠牛顿迭代法来求解。 原文链接:https://matongxue.com/madocs/205.html 五次及以上多项式方 阅读全文
posted @ 2019-09-02 16:29 const_wss 阅读(391) 评论(0) 推荐(0) 编辑
摘要: 深入浅出--梯度下降法及其实现 六尺帐篷 关注 37.4 2018.01.17 21:06 字数 3001 阅读 201538评论 129喜欢 622赞赏 10 六尺帐篷 关注 37.4 2018.01.17 21:06 字数 3001 阅读 201538评论 129喜欢 622赞赏 10 37.4 阅读全文
posted @ 2019-09-02 15:48 const_wss 阅读(168) 评论(0) 推荐(0) 编辑
摘要: 正态分布(高斯分布) 置顶 2018年11月09日 15:54:21 hhaowang 阅读数 21903更多 分类专栏: 数学基础 正态分布(高斯分布) 置顶 2018年11月09日 15:54:21 hhaowang 阅读数 21903更多 分类专栏: 数学基础 正态分布(高斯分布) 正态分布( 阅读全文
posted @ 2019-09-02 14:22 const_wss 阅读(765) 评论(0) 推荐(0) 编辑
摘要: 三、特征值和特征向量的应用实例 1、主成分分析(Principle Component Analysis, PCA) (1)方差、协方差、相关系数、协方差矩阵 方差: 协方差: , , **方差是衡量单变量的离散程度,协方差是衡量两个变量的相关程度(亲疏),协方差越大表明两个变量越相似(亲密),协方 阅读全文
posted @ 2019-08-31 23:36 const_wss 阅读(1077) 评论(0) 推荐(0) 编辑
摘要: 转自:https://blog.csdn.net/ccnt_2012/article/details/84784311 转自:https://blog.csdn.net/ccnt_2012/article/details/84784311 转自:https://blog.csdn.net/ccnt_ 阅读全文
posted @ 2019-08-31 22:23 const_wss 阅读(2472) 评论(0) 推荐(0) 编辑
摘要: 二阶偏导数矩阵也就所谓的赫氏矩阵(Hessian matrix). 一元函数就是二阶导,多元函数就是二阶偏导组成的矩阵. 求向量函数最小值时用的,矩阵正定是最小值存在的充分条件。 经济学中常常遇到求最优的问题,目标函数是多元非线性函数的极值问题尚无一般的求解方法,但判定局部极小值的方法是有的,就是用 阅读全文
posted @ 2019-08-31 19:47 const_wss 阅读(2742) 评论(0) 推荐(0) 编辑
摘要: 而矩阵的行列式的值的几何意义:是矩阵对应的线性变换前后的面积比。 概念:在向量分析中, 雅可比矩阵是一阶偏导数以一定方式排列成的矩阵, 其行列式称为雅可比行列式 雅可比矩阵的重要性在于它体现了一个可微方程与给出点的最优线性逼近. 因此, 雅可比矩阵类似于多元函数的导数. 总结一下,雅可比矩阵可以理解 阅读全文
posted @ 2019-08-31 19:26 const_wss 阅读(13186) 评论(0) 推荐(1) 编辑
摘要: Linux基本指令,方便记忆 阅读全文
posted @ 2019-02-25 17:57 const_wss 阅读(583) 评论(0) 推荐(0) 编辑
摘要: 用以下命令: yum install gcc 安装的只有gcc,而不会安装g++。gcc是编译器合集,而gcc-g++或简称g++则是C++编译器。gcc成为了编译器的选择器。gcc通过识别被编译的源代码的后缀名,来启用不同的编译器来编译。如果是m.c,则会启用c语言编译器编译;如果是m.cpp,则 阅读全文
posted @ 2018-10-10 09:36 const_wss 阅读(3550) 评论(0) 推荐(0) 编辑