《统计至简》五折入口:
https://zhuanlan.zhihu.com/p/634253719
《数学要素》五折入口:
https://zhuanlan.zhihu.com/p/620243026
《矩阵力量》五折入口:
https://zhuanlan.zhihu.com/p/634253719
看个人情况,开源资源,永久有效哈。
纠错多的同学会得到赠书,以示感谢。
Book_5_《统计至简》 | 鸢尾花书:从加减乘除到机器学习;上架!
《统计至简》五折入口:
https://zhuanlan.zhihu.com/p/634253719
《数学要素》五折入口:
https://zhuanlan.zhihu.com/p/620243026
《矩阵力量》五折入口:
https://zhuanlan.zhihu.com/p/634253719
看个人情况,开源资源,永久有效哈。
纠错多的同学会得到赠书,以示感谢。
第9页(27)式应该是[0,1].T
图2~7的sigma_y应该加上平方
第17页: '和马氏距离为 1 的矩形相切...' 应该是'和马氏距离为 1 的椭圆相切... '
第17页: '上一章提到过,图 12中这个大矩形的面积...' 应该是'这个最小矩形的面积...'
”回顾上一章介绍”应为"回顾第七章介绍",另外在第七章中介绍正态分布时是否可以补充棣莫弗(Abraham de Moivre)在求二项分布的渐近公式时得到正态分布的过程。
第5页最上方应该是: 3)马氏距离
第8页'旋转椭圆': 前面应加上'第一视角'. 另外,为了和23.3中的'正椭圆'相匹配,这里应该叫'斜椭圆'吧?
书中涉及到二维相关的'等高线'建议都改成'等距线'吧.
最后一句话‘图2同时比较联合PDF,边缘PDF...’,这里的边缘PDF根据上下文应是随机变量 Y 的边缘概率密度,不然和图2以及上文的内容对不上,因为前面是
特别地,如果 h() 为线性函数,从X 到 Y 进行的是线性变换,比如:
$Y = h( X ) = aX + b$
因为式中有b,此处是否应为“从X 到 Y 进行的线性映射(仿射变换,原点有可能改变)”?
执行下面2行代码时报错。。
SIGMA = iris_sns.cov()
CORR = iris_sns.corr()
ValueError: could not convert string to float: 'setosa'
第19页(33)式: 式中应该是根号n
第19页表1: 表头'左尾'和'右尾'颠倒了
Ref:
在 GitHub 中 \{ \}
花括号无法渲染的问题.
所以在此上传本片修改意见的 PDF 版本
统计至简 - Chap 4 离散随机变量 (Review by AntoineChn).pdf
joint PMF
前缺少空格无
无
勘误建议: 本节编号与上一节重复, 都是 4.2
需要修改
图11
)无
无
Page 26
Page 27
无
无
无
勘误建议: 本节编号与上一节重复, 都是 4.10
, 需要更新编号
Page8最后一行‘图7所示为逻辑函数的PDF和CDF曲线随b变化’。但是对应的一元逻辑Eq(10)(11)里面并没有b参数,是不是应该随s的变化?上面拉拉普拉斯的分布里面有s参数,还是图7对应的是拉普拉斯分布里面的图?
此处一般书上做为定义也许是从形式最简的做为出发点考虑再由此推出其他定理。这确实和我们平时的思考习惯不大一样,我以前学习的时候也受此困扰,感觉因果关系似乎反了,但是后来觉得数学本身从抽象的最简单形通过逻辑推理构造整个系统,才接受了这个因果推理关系,望您指正,不当之处请赐教。
公式(1)上一行,一元线性回归翻译是否应为(univariate linear regression)?
说实话,"Cholesky分解"这一小节,我其实没有看明白这个X=ZR+EX的每一项。
这一节似乎是生成满足给定协方差矩阵的样本。首先生成矩阵Z满足N(0,I_{D*D}),这个矩阵Z怎么定义的?我们通常说满足D维高斯分布,指的是D个数的关系,这里的n * D维矩阵,是n个这样的D个数的组合吗?
我看24式左边,是样本的计算方式,等式最右边又把每个z_i当成了随机变量。
我在网上查阅的其他资料,都是利用线性变换,生成满足给定协方差矩阵的随机向量
Book_Ch14:Page6 D维随机变量:朝单一方向投影
公式(15)上一行应为:“Y的方差var(Y)为:”
第6页: '但是为了得出真正的后验概率密度' 应去掉'密度'
感觉有歧义啊,谢谢
第15页(20)式: rho前面应乘以2
Fx,y(x,y)剖面线图,右图纵轴坐标最大值应该是1,印成0.1了。
PDF同一个图也是同样错误
有个疑问你书里没有提到,最好解释一下,为啥计算贝叶斯分类时候的分母的证据因子需要用全概率定理,引入先验概率。
我的理解要计算fx(x), 跟C无关,那我直接用全部的数据样本用KDE得到fx(x)的边缘概率分布不就得了,为什么还需要分成三个C单独算完了再加起来,引申到后面贝叶斯推断为啥分母要积分,直接算一个fx(x)不行吗?本来也跟theta无关
我从网上找了一个iris数据集,数据集格式为图中所示,sepal_length,sepal_width,petal_length,petal_width,species这五列。
运行代码的时候,显示116行代码:sns.histplot(iris_sns,x="price",y="cut",bins=20)中,ValueError: Could not interpret value price
for x
. An entry with this name does not appear in data
.
怀疑是网上的数据集iris中缺少了price这一列,所以请问您方便提供您使用的数据集吗?
430页最后的stanford链接失效了
https://web.stanford.edu/class/stats110/notes/Chapter6/Large_sample.html
cancled
您好,公式11的样本空间枚举是否存在错误?
缺少行坐标为6的样本值
公式(27)中的vT是否应为[0 1]而非[1 1]?
Eq(25) 右边第一项
Book5 Ch02 Page8 第一段 应该是右上角和左下角都为6幅子图?
第13页: '有了本节前文联合概率和证据因子,我们可以获得后验概率密度曲线...'
应该去掉'密度'二字吧?
Eq(63)有一点小小的瑕疵,积分公式漏掉了
若改成如下形式可能可以减少歧义的发生
4.2有两个
另外想知道作者学这么多东西花了多久,很羡慕你能写出这么好的入门书籍。
拿破仑曾说“数学的日臻完善和这个国强民富息息相关。 ” 是否改为 拿破仑曾说“数学的日臻完善和这个国强民富息息相关”。 更好(调换右引号与句号的位置)?
”历史是过去,又属于现在,同时在指引未来。 ” 这里的左引号似乎是错的,且是否改为 “历史是过去,又属于现在,同时在指引未来 ” 。 更好(调换右引号与句号的位置)?
Chapter 4, Page 12,
公式(12),应该是: 1x1/6 + 2x1/6 + ... + 6x6/6 = 3.5
公式(25)是否应为var(y) = vTΣXv=... 而非var(y) = vTvar(X)v = ... ?
我看您的书,排版格式如沐春风,请问你是用什么工具做的排版,代码、公式都是一个工具弄的?
第26页图35(a)中的注释应该是: 面积Area=fx2(x2=5.0), 边缘fx2(x2)
第36页'条件概率归一化'中的'连续': 第二个公式应该是dy
图21和22分别是比较CDF和ECDF/比较inverse ECDF和CDF,那么图中那两种LineStyle表示不同的线,是不是用legend来表示不同的Distribution Functions会更高呢,感觉目前只标一个CDF或者CDF在x-axis或者y-axis会让读者会有一点懵
单特征情况下,Eq.(6)的马氏距离d的运算公式中x为什么不是x vector-斜体加粗小写,而是完全的标量运算?
是否是Eq.(5)中,x=[x1,x2,...,xD]T?
第12页(29)式: 3.758对应μy, 5.843对应μx
CH05_Page13中,式(21)中,等式右边下标K应该为3
在介绍kernel density estimation中(第一段),提到在递5章用高斯核密度估计过鸢尾花单一特征概率密度,但是第五章关于离散分布的介绍中例子大都才用的兔鸡猪和抛硬币的例子,并没有提到鸢尾花的例子,这里是否存在笔误?
A declarative, efficient, and flexible JavaScript library for building user interfaces.
🖖 Vue.js is a progressive, incrementally-adoptable JavaScript framework for building UI on the web.
TypeScript is a superset of JavaScript that compiles to clean JavaScript output.
An Open Source Machine Learning Framework for Everyone
The Web framework for perfectionists with deadlines.
A PHP framework for web artisans
Bring data to life with SVG, Canvas and HTML. 📊📈🎉
JavaScript (JS) is a lightweight interpreted programming language with first-class functions.
Some thing interesting about web. New door for the world.
A server is a program made to process requests and deliver data to clients.
Machine learning is a way of modeling and interpreting data that allows a piece of software to respond intelligently.
Some thing interesting about visualization, use data art
Some thing interesting about game, make everyone happy.
We are working to build community through open source technology. NB: members must have two-factor auth.
Open source projects and samples from Microsoft.
Google ❤️ Open Source for everyone.
Alibaba Open Source for everyone
Data-Driven Documents codes.
China tencent open source team.