思维导图笔记一、随机变量定义：设随机试验的样本空间为S={e}，X=X(e)是定义在样本空间S上的实值单值函数。称X=X(e)为随机变量。类似于函数、映射的概念。既然类似于函数，就有定义域和至于，通过定义知道，定义域为样本空间，值域为实数集。即对随机事件数量化。二、离散型随机变量及其分布律1离散型随机变量定义：全部可能取到的值是有限个或可列无限多个的随机变量。这里有限一定可列，可列不一定有限。而分布律的定义则是指：X取各个可能值的概率情况。2分布律教材中提及的离散型随机变量的分布律有三种，分别为0-1分布，二项分布以及泊松分布0-1分布即两点分布，随机变量X只可能取0和1两个值。分布律表达式为

图像预处理之图像去重图像去重介绍方法基于直方图进行图像比对基于哈希法基于ORG进行图像特征提取基于机器学习批量去重图像去重介绍图像去重通常指的是完全相同的图像，即内容完全相同，颜色、尺寸、方向等都相同。但是在实际应用中，也有相似图像去重的需求，即内容大致相同，颜色、尺寸、方向等可能有所不同。因此，图像去重指的可以是完全一样的图像，也可以是相似的图像。图像去重的方法有以下几种：方法哈希法：通过计算图像的散列值来识别重复图像。图像比对法：通过对图像的直方图或灰度共生矩阵等特征进行比对来识别重复图像。机器学习法：通过训练机器学习模型来识别重复图像，例如使用卷积神经网络（CNN）。特征提取法：通过提取

go-es模块统计日志中接口被刷数和ip访问来源以下是使用go的web框架gin作为后端，展示的统计页面背景上面的数据来自elk日志统计。因为elk通过kibana进行展示，但是kibana有一定学习成本且不太能满足定制化的需求，所以考虑用编程的方式对数据进行处理首先是接口统计，kibana的页面只会在字段uri的top500进行百分比统计，展示前5条数据，统计不够充分其次是网关日志，ip来源的采集字段是通过x_forward_for，这记录了各级的代理来源ip。并不能直接对用户的ip进行数据聚合的统计举例，这里面“223.104.195.51,192.168.29.135”，这种数据我需要拿

直观理解：联合概率密度草帽/山峰边缘概率密度切一刀的山峰切面联合分布函数切两刀山峰体边缘分布函数切一刀山峰体联合分布律和边缘分布律针对离散型随机变量二维随机变量 联合分布函数（切两刀山峰体）边缘分布函数 （切一刀山峰体）  【连续型随机变量】联合概率密度函数（草帽/山峰） 【连续型】边缘概率密度函数 （切一刀的山峰切面） 【离散型】联合分布律、联合分布表、边缘分布律、边缘分布表 这部分概念比较多，可看：【概率论与数理统计】一个视频让你明白分布函数，概率密度函数，分布律，联合概率密度，联合分布函数，联合分布律，边缘概率密度，边缘分布函数都是什么意义和概念_哔哩哔哩_bilibili

1.功能背景公司要对一个项目进行代码统计，这么多类，总不能让我一个一个数据，于是想到了Statistic插件。让我们一起看看Statistic插件怎么使用吧。2.Statistic插件首先需要知道Idea统计项目代码行数，主要是使用Statistic插件来统计，点击File->Settings，如下图所示：进去Settings界面之后，点击Plugins，然后点击下方正中间的Marketplace，如下图所示：搜索Statistic，选中之后，点击右侧的Install进行安装插件即可，安装完成点击Apply->Ok即可。然后在左下方可以看到Statistic，若看不到则重启idea即可。3.统

文章目录一、参数估计量的评价标准1.1无偏性1.2有效性1.3一致性二、一个正态总体参数的双侧区间估计2.1对参数μ\muμ的双侧区间估计三、一个正态总体的单侧置信区间四、两个正态总体的双侧置信区间写在最后一、参数估计量的评价标准1.1无偏性设XXX为总体，(X1,X2,⋯ ,Xn)(X_1,X_2,\cdots,X_n)(X1​,X2​,⋯,Xn​)为来自总体XXX的简单随机样本，θ\thetaθ为未知参数，设θ^=φ(X1,X2,⋯ ,Xn)\widehat{\theta}=\varphi(X_1,X_2,\cdots,X_n)θ=φ(X1​,X2​,⋯,Xn​)为参数θ\thetaθ的一

文章目录0前言+1.目标检测概况+1.1什么是目标检测？+1.2发展阶段2.行人检测+2.1行人检测简介+2.2行人检测技术难点+2.3行人检测实现效果+2.4关键代码-训练过程最后设计项目案例演示地址:链接毕业设计代做一对一指导项目方向涵盖：基于Python，MATLAB设计，OpenCV,,CNN,机器学习,R-CNN,GCN,LSTM,SVM,BP目标检测、语义分割、Re-ID、医学图像分割、目标跟踪、人脸识别、数据增广、人脸检测、显著性目标检测、自动驾驶、人群密度估计、3D目标检测、CNN、AutoML、图像分割、SLAM、实例分割、人体姿态估计、视频目标分割，PyTorch、人脸检测

文章目录一、groupby使用场景二、groupby基本原理三、groupby分组运算基础聚合操作：只能选择一种聚合操作agg聚合操作：可以针对同列选择不同聚合方法transformapply四、groupby分组后去重统计nunique()五、groupby分组后重命名列名rename()直接重新命名列名重命名所有的列名：add_prefix()/add_suffix()一、groupby使用场景在日常数据分析中，经常需要将数据根据某个（多个）字段划分为不同群体（group）进行分析，如电商领域将全国的总销售额根据省份进行划分，分析各省销售额的变化情况，社交领域将用户根据画像（性别、年龄）进

1.查看git上的个人代码量修改名称为自己的名称gitlog--author="name"--pretty=tformat:--numstat|awk'{add+=$1;subs+=$2;loc+=$1-$2}END{printf"addedlines:%s,removedlines:%s,totallines:%s\n",add,subs,loc}'-2.统计某段时间个人的代码量时间段修改为自己需要查看的时间段，author修改为自己的名称gitlog--since="2023–10-01"--until="2023-10-31"--author="name"--pretty=tformat

管道聚合基于前一次聚合的结果，进行二次聚合统计。从结构上可以分为兄弟级（Sibling）管道聚合和父级（Parent）管道聚合两种方式。兄弟级管道聚合：在同一聚合级别上可以产生新的聚合。GETkibana_sample_data_logs/_search{"size":0,"aggs":{"count_per_day":{"date_histogram":{"field":"@timestamp","calendar_interval":"day"}},"total_bytes_of_download":{"sum":{"field":"bytes"}}}}父级管道聚合：由父聚合提供输出，子聚