三、偏差方差分解 3.1 点估计 3.2 偏差 3.3 一致性 3.4 方差 3.5 偏差方差分解 3.6 误差诊断 3.7 误差缓解 三、偏差方差分解 3.1 点估计 点估计：对参数 的一个预测，记作 。 假设 为独立同分布的数据点，该分布由参数 决定。则参数 的点估计为某个函数： 注意：点估计的定义并不要求 ...

2.6.4 图像过滤 2.6.4.1 模糊 / 光滑 2.6.4.2 锐化 2.6.4.3 降噪 2.6.4.4 数学形态学 2.6.5.2 分割 2.6.4 图像过滤 局部过滤器 : 通过临近像素值的函数来替换像素的值。 邻居 : 方块 (选择大小)、 硬盘、或者更复杂的结构化元素。 2.6.4.1 模糊 / 光滑 高斯过滤器...

Deeplearning Algorithms tutorial 径向基函数网络(Radial Basis Function Network) 应用示例 Deeplearning Algorithms tutorial 谷歌的人工智能位于全球前列，在图像识别、语音识别、无人驾驶等技术上都已经落地。而百度实质意义上扛起了国内的人工智能的大旗，覆盖无...

为什么我们需要贝叶斯法则？ 朴素贝叶斯 为什么我们需要贝叶斯法则？ 首先回顾一下贝叶斯公式： 再看看微软购物车的数据： 比如，我们为居住在邮编为88005地区的客户设置两个事件：买或不买Sencha绿茶，即： P(h1|D) = P(买绿茶|88005) P(h2|D) = P(┐买绿茶|88005) 你也许会问，这两个概率我们都...

Deeplearning Algorithms tutorial 期望最大化(Expectation-Maximization) 应用示例 期望最大化算法的特点 Deeplearning Algorithms tutorial 谷歌的人工智能位于全球前列，在图像识别、语音识别、无人驾驶等技术上都已经落地。而百度实质意义上扛起了国内的人工智能的大...

1.a.33 发行注记 问题修复 质量 文档 主要贡献者名单 1.a.33 发行注记 Jul 10, 2017 10:38:44 AM 作者:zozoh wendal 1.a.33 发行注记 大家好，又到了一月一度的 Nutz 新版本发行的日子了 ^_^ 前几天 360 和腾讯刚干完架，特地记录一下。作为一名不明真相且兴致勃勃的围观...

哲学家就餐问题 哲学家就餐问题 dining-philosophers.md commit c618c5f36a3260351a09f4b4dc51b2e5d1359fbc 注： 1.7.0-stable 将此章节去掉了，因此内容可能不具有时效性，这里我们暂时保留。 作为我们的第二个项目，让我们看看一个经典的并发问题。它叫做“进餐（ji）...

基本体 通用选项 平面 立方体 圆形 经纬球 棱角球 柱体 锥形 环体 栅格 猴头 基本体 参考 模式 物体模式和编辑模式 菜单 添加 ‣ 网格 快捷键 Shift-A 网格是3D场景中使用的常见物体类型。Blender配有一些 “基本” 网格形状，用户可以之为起点开始建模。编辑模式下，可以在3D游标位置添加基本体。...