语言如何影响思维？人类如何从语言中获取意义？这两个基本问题是我们构建类人智能的关键。长久以来，理想中的AI，一直是通往人类水平的AI，为此业界大牛YannLeCun还曾提出了「世界模型」的构想。图片他的愿景是，创造出一个机器，让它能够学习世界如何运作的内部模型，这样它就可以更快速地学习，为完成复杂任务做出计划，并且随时应对不熟悉的新情况。而最近麻省理工大学和斯坦福的学者提出了一个理性意义构建模型（RationalMeaningConstruction），这是一种用于语言信息思维的计算框架，可将自然语言的神经模型与概率模型相结合。论文第一作者是来自麻省理工大学大脑与认知科学学院的一名五年级博士生
在docker容器里面以及在linux系统里面使用vi或vim命令编辑时会报错无法保存。出现这个问题有一种普遍的原因：操作不当 ，在使用命令时里面包含了未创建的目录所以报错例如：如下的目录里面包含没有创建的src目录，所以就无法保存。sudovim./src/main.go本质就是vim和vi命令可以创建文件，但是无法创建目录。
目录相同的平均风速，如果概率密度分布不同，风机的发电量也会完全不同。威布尔分布是泊松三类分布的特殊形式。概率密度函数f(v)f(v)f(v)为风速v(v≥0)v(v≥0)v(v≥0)出现的概率，形式如下：f(v)=ka(va)k−1exp[−(va)k](4−20)f(v)=\frac{k}{a}\left({\frac{v}{a}}\right)^{k-1}exp\left[-\left({\frac{v}{a}}\right)^k\right]\qquad\qquad(4-20)f(v)=ak(av)k−1exp[−(av)k](4−20)式中kkk——威布尔分布的形状参数；a\qq
写在前面这几日做到一道和依分布和概率收敛的例题，感觉对加深理解很有帮助，因此也记录在博客上面。随机变量的收敛定义X1,⋯ ,XnX_1,\cdots,X_nX1,⋯,Xn为随机变量序列，XXX是另一个随机变量，FnF_nFn表示XnX_nXn的CDF，FFF表示CDF。依概率收敛∀ϵ>0,n→∞,\forall\epsilon>0,n\rightarrow\infin,∀ϵ>0,n→∞,有P(∣Xn−X∣>ϵ)→0,\mathbb{P}(|X_n-X|>\epsilon)\rightarrow0,P(∣Xn−X∣>ϵ)→0,则称XnX_nXn依概率收敛于XXX。依分布收敛若对FFF
首先是X分布： n=1的时候，f(y)就是正态分布平方的密度函数，这个可以用y=g(x)的密度函数计算方法来计算。自由度是什么？：很显然，几个X加起来，也就是自由度加起来： 接下来是t型分布： 这个T型分布建立在X型分布和标准正态分布上。 最后是F分布： 这回是两个X分布相除。性质也很显然，1/F就是F的倒数，也就是上下两个X分布颠倒一下罢了。一个很有意思的例题：最后学一下a分位点： 就是“比自己大的只有a的概率了”的点就是a分点。 证明很简单，如图：
1、条件概率条件概率是指事件A在事件B发生的条件下发生的概率，记作：P（A|B)。如下图所示：整个样本空间为Ω，事件A和事件B包含在Ω中。事件A和事件B同时发生的情况，即A、B交集记作AB。事件A的概率记作：P(A)=A/Ω，事件B的概率记作P(B)=B/Ω。AB交集部分的概率记作：P(AB)=AB/Ω。由条件概率的定义可知，在B发生的条件下将样本空间限定在下图中B的空间内，则P(A|B)=AB/B。同理可得P(B|A)=AB/A。图1 由上图可得条件概率公式推导如下： 2、联合概率事件A和事件B同时发生的概率P(AB)=AB/Ω，也称作乘法公式。公式推导如下： 2、全概率如下图所示：事件Bi
一如果A, B相互独立，则 P(AB)=P(A)P(B), 也就是说：若两事件独立，乘积的概率=先求概率再相乘。二. 如果A, B不独立，则P(AB)=P(A)P(B|A)，其中，若A,B互不相容，则P(AB)=0，因为AB=Ø 注意： A,B互不相容是A，B不独立的子集。例题：设随机事件A,B互不相容， P(A)=0.6, P(B)=0.4, 则P(AB)=_________。解：由于A,B互不相容，则AB=Ø, 所以P(AB)=0. 答案填写0三. 第1章的一些总结
参考：泊松分布是怎么来的？应该怎么用？文章目录1.泊松分布1.1定义和性质1.2理解泊松分布1.2.1从二项分布角度理解1.2.2直观理解1.3分布律曲线2.指数分布1.泊松分布1.1定义和性质泊松分布：设非负的离散随机变量XXX取值为0,1,2,…分布律为P(X=k)=λkk!e−λ,k=0,1,2...,λ>0P(X=k)=\frac{\lambda^k}{k!}e^{-\lambda},\quadk=0,1,2...,\quad\lambda>0P(X=k)=k!λke−λ,k=0,1,2...,λ>0则称XXX服从参数为λ\lambdaλ的泊松分布，记做X∼P(λ)X\simP(\l
文章目录1、事件的独立2、事件的互斥（或事件的互不相容）3、独立与互斥（或互不相容之间的关系）1、事件的独立 通俗的讲，两个事件的独立就是这两个事件发生与否互相不影响，比如：投掷骰子两次，第一次的结果与第二次的结果互不影响，把这两次投骰子看作两次事件，那么也就是说这两次事件独立。 事件 A 与事件 B 独立用概率来定义：P(AB)=P(A)P(B)。因为事件 A 与事件 B 独立表示两个事件互不影响，所有又有：P(A|B)=P(A),P(B|A)=P(B)。2、事件的互斥（或事件的互不相容） 事件的互斥（互不相容）是指两个事件不能同时发生，比如：投掷一枚硬币，A事件表示结果为
1.什么是指数分布设随机变量X具有如下形式的密度函数，那么则称X服从参数为θ的指数分布,记为X~EXP(θ). 指数分布的分布函数为： 2.指数分布的期望和方差①数学期望如果X服从参数为λ(λ>0)的指数分布,那么指数分布X~EXP(θ)的数学期望：λ ②方差设X服从参数为λ(λ>0)的指数分布,指数分布X~EXP(θ)的方差：λ^2。总结一下，我们经常遇到的指数分布、均匀分布和正态分布的概率密度函数与图形如下：
