常用的概率分佈:二項式分佈，貝塔分佈，狄裡克雷分佈
知識點：伯努利分佈、二項式分佈、多項式分佈、先驗概率，後驗概率，共軛分佈、貝塔分佈、貝塔-二項分佈、負二項分佈、狄裡克雷分佈，伽馬函式、分佈
一，伯努利分佈(bernouli distribution)
又叫做0-1分佈，指一次隨機試驗，結果只有兩種。也就是一個隨機變數的取值只有0和1。
記為：0-1分佈 或
概率計算：
期望計算：
最簡單的例子就是，拋一次硬幣，預測結果為正還是反。
二，二項式分佈(binomial distrubution)
表示n次伯努利實驗的結果。
記為：
概率計算：
期望計算：
例子就是，求多次拋硬幣，預測結果為正面的次數。
三，多項式分佈(multinomial distribution)
多項式分佈是二項式分佈的擴充套件，不同的是多項式分佈中，每次實驗有n種結果。
概率計算：
最簡單的例子就是多次拋篩子，統計各個面被擲中的次數。
四，先驗概率，後驗概率，共軛分佈
先驗概率和後驗概率 ：
先驗概率和後驗概率的概念是相對的，後驗的概率通常是在先驗概率的基礎上加入新的資訊後得到的概率，所以也通常稱為條件概率。比如抽獎活動，5個球中有2個球有獎，現在有五個人去抽，小名排在第三個，問題小明抽到獎的概率是多少？初始時什麼都不知道，當然小明抽到獎的概率
共軛分佈 ：
通常我們可以假設先驗概率符合某種規律或者分佈，然後根據增加的資訊，我們同樣可以得到後驗概率的計算公式或者分佈。如果先驗概率和後驗概率的符合相同的分佈，那麼這種分佈叫做共軛分佈。共軛分佈的好處是可以清晰明瞭的看到，新增加的資訊對分佈引數的影響，也即概率分佈的變化規律。
這裡有個疑問是，如何由先驗分佈得到後驗分佈，如何選擇？下面舉例beta分佈進行詳解。
知識點：伯努利分佈、二項式分佈、多項式分佈、先驗概率，後驗概率，共軛分佈、貝塔分佈、貝塔-二項分佈、負二項分佈、狄裡克雷分佈，伽馬函式、分佈
一，伯努利分佈(bernouli distribution)
又叫做0-1分佈，指一次隨機試驗，結果只有兩種
伯努利分佈：
伯努利分佈(Bernoulli distribution)又名兩點分佈或0-1分佈，介紹伯努利分佈前首先需要引入伯努利試驗（Bernoulli trial）。
伯努利試驗是隻有兩種可能結果的單次隨機試驗，即對於一個隨機變數X而言：
伯努利試驗都可以表達為“是或否”
主題模型LDA簡介隱含狄利克雷分佈簡稱LDA(Latent Dirichlet allocation)，首先由Blei, David M.、吳恩達和Jordan, Michael I於2003年提出，目前在文字挖掘領域包括文字主題識別、文字分類以及文字相似度計算方面都有應用。
Dirichlet分佈可以看做是分佈之上的分佈。如何理解這句話，我們可以先舉個例子：假設我們有一個骰子，其有六面，分別為{1,2,3,4,5,6}。現在我們做了10000次投擲的實驗，得到的實驗結果是六面分別出現了{2000,2000,2000,2000,1000,1000}次，如果用每一面出現的次數與試 今天來講一下dirichlet distribution和dirichlet process怎麼回事。力求讓初學者看懂，而且我比較追求motivation，追求數學嚴謹性和簡潔性的大神請移步不要看了。不喜歡看各種細節的也可以直接跳著看文中的結論。
實際上這是學習nonparametric bayesian裡常
將二元分佈的二元情況擴充套件到多元，即可得到對應的多元分佈。
首先先將伯努利分佈擴充套件到多元假設對於離散變數xx，可能有KK個取值，那麼xx一次的觀測值被表示為一個向量，且滿足∑Kk=1xk=1∑k=1Kxk=1，僅有一個維的值為11，其它都為00。
主要參考的是：https://www.douban.com/note/45584915/
和 http://www.biostatistic.net/thread-33740-1-1.html
最近需要用到狄利克雷分佈，但是找了半天發現matlab沒有現成的工具可用。只
參考資料
整除分塊：
當我們求∑ni=1f([ni])∑i=1nf([ni])的時候，如果1到n求一遍感覺太傻了，因為會有很多重複的計算，例如：n=10000時，i在[101,111]時，都有[ni]=9[ni]=9，所以我們只需要對所有數分成如上的一個
from scipy.stats import beta
import numpy as np
import matplotlib.pyplot as plt
a=0.5
b=0.5
x=np.arange(0.01,1,0.01)
y=beta.pdf(x,a,b)
plt.plot(x,y)
plt.
常見分佈的隨機特徵離散隨機變數分佈伯努利分佈（二點分佈）伯努利分佈亦稱“零一分佈”、“兩點分佈”。稱隨機變數X有伯努利分佈, 引數為p(0<p<1),如果它分別以概率p和1-p取1和0為值。EX= p,DX=p(1-p)。伯努利試驗成功的次數服從伯努利分佈,引數p
本篇博文我們講介紹伽瑪(Γ)，卡方(χ2)與貝塔(β)分佈。在高等微積分中已經證明過，對於α>0，積分
∫∞0yα−1e−ydy
存在且積分值為正數，這個積分稱為α的伽瑪函式，寫成
Γ(α)=∫∞0yα−1e−ydy
如果α=1，顯然
Γ(1)=
最近開始自學PRML，為此又補了概率論中的一些知識點。
相較於古典概率通過各種估計手段來確定引數的分佈，貝葉斯學派則是使用後驗概率來確定，為了方便計算後驗概率，引入共軛先驗分佈來方便計算，這是後話了。
那麼一些常見的共軛後驗分佈有哪些呢？這就引出了這裡的主題
What is the difference between cardinality and selectivity?
In SQL, cardinality refers to the number of unique values in particular column. So, card
#計算陣列的最大值，最小值，平均值，標準差，中位數
import numpy as np
a=np.array([1, 4, 2, 5, 3, 7, 9, 0])
print(a)
a1=np.max(a) #最大值
print(a1)
a2=np.min(a) #最小值
print(a2)
a3
本篇文章為scrapy-redis的例項應用，原始碼已經上傳到github: https://github.com/Voccoo/NewSpider 使用到了： python 3.x redis scrapy-redis pymysql Redis-Desktop-Manage
演算法：
以wx+b=0為基礎的演算法：
感知機->誤分點（xi,yi | i->m）到wx+b的距離和最小，求最優解；
支援向量機->最大間隔；
邏輯迴歸->將wx+b的值作為邏輯函式輸入，進行分類；
線性迴歸->勾畫線性曲線，對
1、貝葉斯公式
三種引數估計方法都和貝葉斯公式有關，因此首先從分析貝葉斯公式入手：
貝葉斯公式可以表達為：
posterior：通過樣本X得到引數的概率
likehood：通過引數得到樣本X的概率
prior：引數的先驗概率，一般是根據人的先驗知識來得出的。比如人們傾
uniform.h
#pragma once
class uniform
{
private:
double a, b, generate_num;
int * seed;
int s;
int M, N, i, j;
public:
uniform()
{
Mybatis-Plus 是一款 Mybatis 動態 SQL 自動注入 Mybatis 增刪改查 CRUD 操作中介軟體， 減少你的開發週期優化動態維護 XML 實體欄位，無入侵全方位 ORM 輔助層讓您擁有更多時間陪家人。有許多朋友和他生活在一起請別忘記他是唯一哦有了他生
以下所有例子都是拋硬幣問題，在兩次試驗中出現正，反兩次結果，求該硬幣出現正面的概率p,
最大似然估計：
假設分佈為伯努利分佈，也就是二項分佈，出現正面的概率是p,則下次出現上述實驗結果現象的概率是：L=P(1-p)，如何才能讓下次出現相同結過的概率最大？自然是L 相關推薦
常用的概率分佈:二項式分佈，貝塔分佈，狄裡克雷分佈
伯努利分佈、二項分佈、多項分佈、貝塔分佈、狄利克雷分佈、高斯分佈
主題模型TopicModel：隱含狄利克雷分佈LDA
The Dirichlet Distribution 狄利克雷分佈 (PRML 2.2.1)
狄利克雷分佈通俗講解
多元分佈和狄利克雷分佈
狄利克雷分佈的matlab程式碼實現和R語言函式呼叫
杜教篩（整除分塊，積性函式，尤拉與莫比烏斯，狄利克雷卷積）
python3-貝塔分佈
常用概率分佈函式及隨機特徵
漫步數理統計二十四——伽瑪、卡方與貝塔分佈
貝塔、伽馬分佈
在 SQL 裡描述資料分佈情況的時候，有 Cardinality 和 Selectivity 兩個概念，有什麼區別？
課堂練習--計算陣列的最大值，最小值，平均值，標準差，中位數；numpy.random模組提供了產生各種分佈隨機數的陣列；正態分佈；Matplotlib
scrapy-redis例項，分佈爬蟲爬取騰訊新聞，儲存在資料庫中
2.常用演算法（推導） 演算法分類，演算法原理，演算法設計，推導---SVM，DTree，樸素貝葉斯，線性迴歸等；
極大似然估計，最大後驗概率估計(MAP)，貝葉斯估計
數字訊號產生之貝努裡高斯分佈的隨機數
Mybatis-Plus 3.0-beta 釋出，超級棒棒糖之貝塔版
通俗理解最大似然估計，最大後驗概率估計，貝葉斯估計