👀日报合辑|🎡生产力工具与行业应用大全|🧡点赞关注评论拜托啦！🤖『AI作品不受版权法保护？假的！』保护「人工」不保护「智能」，技术工具可以成为创造过程的一部分3月16日，美政府网站FederalRegister发布了U.S.CopyrightOffice(版权局)的一项🌍政策声明，明确了AI作品的审核标准和注册流程，并于2023年3月16日生效。整体上来说，版权申请的审核标准是：基本上是人类的作品，计算机或其他设备仅作为一种辅助工具，或者传统创作要素由人类完成(而不是机器生成的)。申请人有义务披露提交注册的作品中包含人工智能生成的内容，并提供人类作者对作品贡献的简要说明。例如，用户通过Midj
👀日报合辑|🎡生产力工具与行业应用大全|🧡点赞关注评论拜托啦！🤖『AI作品不受版权法保护？假的！』保护「人工」不保护「智能」，技术工具可以成为创造过程的一部分3月16日，美政府网站FederalRegister发布了U.S.CopyrightOffice(版权局)的一项🌍政策声明，明确了AI作品的审核标准和注册流程，并于2023年3月16日生效。整体上来说，版权申请的审核标准是：基本上是人类的作品，计算机或其他设备仅作为一种辅助工具，或者传统创作要素由人类完成(而不是机器生成的)。申请人有义务披露提交注册的作品中包含人工智能生成的内容，并提供人类作者对作品贡献的简要说明。例如，用户通过Midj
原理介绍 1.kappa系数为一种精度评价指标，其计算公式为k=（p0-pe）/（1-pe）p0是每一类正确分类的样本数量之和除以总样本数，也就是总体分类精度 pe是各类真实样本个数与预测出来的样本个数的乘积之和，再除以总样本个数的平方 2.单目标提取为二分类，即将整幅影像分为两类，目标与背景，那么在计算kappa系数时可利用公式简便计算计算公式举例对遥感图像中单一目标物进行提取，目视解译的样本数量为真实值（假设），其他方法解译的样本数量为提取值。遥感影像总样本数量（即像元个数）：N真实值：Z提取值：T真实值与提取值重合的样本个数：ztp0=(2*zt+N-Z-T)/Npe
在使用ChatGPT过程中，总感觉用chatgpt的效果没有那么好。经过多次使用和摸索，终于发现了问题，原来不是ChatGPT不好用，效果不好，而是因为我之前不会提问。话不多说，给大家准备了30句ChatGPT提问公式1、撰写一篇文章，使其具有吸引XX粉丝的效果2、根据以下XX指令生成图片，不要使用反引号或代码框3、设想一个XX背景的场景，并根据这个场景回答以下问题4、在保持简洁明了的同时，详细解释这个概念5、请以一个XX年代的风格撰写以下故事6、提供一个关于XX谣言的解答方案7、描述一个关于XX主题的成功案例，并分析其成功的关键因素8、请提供一个与XX主题相关的实验或研究方法9、分别从短期和
原文来自《老饼玩转-BP神经网络》http://bp.bbbdata.com/teach#132目录一、公式二、导数三、求导过程(一)tansig求导过程(二)logsig求导过程tansig和logsig经常用于做BP神经网络的激活函数，它们的导数都有良好的性质：导数可以用自身表示。本文讲述tansig和logsig的导数推导过程。一、公式tansig和logsig都是S型曲线，它们的区别在于，tansig的取值范围在[-1,1]之间，而logsig的范围在[0,1]之间。二、导数tansig和logsig的导数公式如下：tansig求导logsig求导三、求导过程下面我们具体推导tansi
1-条件概率，联合概率，边缘概率三者关系以及贝叶斯公式前言一、联合概率二、条件概率三、边缘概率四、概率测度五、贝叶斯公式总结前言过去一直没有养成记笔记的习惯，今天开始对所学的知识进行一个记录，以便日后翻阅查看。若有不对之处，欢迎各位网友指出一、联合概率表示两个事件共同发生的概率。举例：A与B的联合概率表示为P(AB)或者P(A,B),或者P(A∩B)。二、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。条件概率表示为：P(A|B)，读作“A在B发生的条件下发生的概率”。若只有两个事件A，B，那么P(A|B)=P(AB)/P(B)。三、边缘概率边缘概率是某个事件发生的概率，而与其它事件
卡尔曼滤波在很多项目中都有用到，但是对于原理却很少有详细分析，而只是直接应用，在看完b站up主DR_CAN视频推导后自行推导一遍和查看其他资料后进行总结，将从最初的递归算法，利用数据融合，协方差矩阵，状态空间方程等基础推导，最终分析卡尔曼滤波5个方程全部的推导过程，其过程有很多晦涩难懂的公式，我会尽量的表达清楚和加入一些个人理解，从而使得较为便于理解，所以整个篇幅较长，大家可以在目录中寻找想查看的内容，如有其他意见，大家可以提出！目录一、递归算法 二、数据融合（DataFusion） 三、协方差矩阵四、状态空间方程 五、卡尔曼滤波核心公式推导5.1第一个公式（预测） 5.2 第四个公式（后验估
1.1图的基本描述几种特殊图有限图复合图简单图（无环无重边）完全图 Kn边数最多的简单图 同构下唯一 边数Cn2=n(n-1)/2补图H 完全图-原图 把原图不相邻的点全部连起来，擦掉原图就是补图）自补图G与H同构 判定：顶点数为4的倍数或除4余1证判定：同构=边数相同， G、H边数和为完全图边数=n(n-1)/2 G、H边数为n(n-1)/4，所以n或n-1为4倍数二部图（偶图）每条边端点一个在x一个在y（用两种颜色对顶点着色，使任意边两点颜色不同，则为
前置知识：牛顿-莱布尼茨公式题1：fff在[a,b][a,b][a,b]上连续，F(x)=∫ax(x−t)f(t)dtF(x)=\int_a^x(x-t)f(t)dtF(x)=∫ax(x−t)f(t)dt，求F′′(x)F''(x)F′′(x)解：F(x)=x∫axf(t)dt−∫axtf(t)dtF(x)=x\int_a^xf(t)dt-\int_a^xtf(t)dtF(x)=x∫axf(t)dt−∫axtf(t)dt所以F′(x)=∫axf(t)dt+xf(x)−xf(x)=∫axf(t)dtF'(x)=\int_a^xf(t)dt+xf(x)-xf(x)=\int_a^xf(t)d
华里士公式的推导及其推广基础知识华里士公式In=∫0π2sinnxdx=∫0π2cosnxdx={n−1nn−3n−2⋯23n is odd,n−1nn−3n−2⋯12π2n is even\Large\begin{aligned}I_n=\int_{0}^{\frac{\pi}{2}}\sin^n{x}\mathrm{d}x=\int_{0}^{\frac{\pi}{2}}\cos^n{x}\mathrm{d}x=\begin{cases}\frac{n-1}{n}\frac{n-3}{n-2}\cdots\frac{2}{3}&&n\is\odd,\\\\\frac{n-1}{n}\f
