概率统计篇

目录

• 19 _ 概率和统计：编程为什么需要概率和统计？
• 20 _ 概率基础（上）：一篇文章帮你理解随机变量、概率分布和期望值
• 21 _ 概率基础（下）：联合概率、条件概率和贝叶斯法则，这些概率公式究竟能做什么？
• 22 _ 朴素贝叶斯：如何让计算机学会自动分类？
• 23 _ 文本分类：如何区分特定类型的新闻？
• 24 _ 语言模型：如何使用链式法则和马尔科夫假设简化概率模型？
• 25 _ 马尔科夫模型：从PageRank到语音识别，背后是什么模型在支撑？
• 26 _ 信息熵：如何通过几个问题，测出你对应的武侠人物？
• 27 _ 决策树：信息增益、增益比率和基尼指数的运用
• 28 _ 熵、信息增益和卡方：如何寻找关键特征？
• 29 _ 归一化和标准化：各种特征如何综合才是最合理的？
• 30 _ 统计意义（上）：如何通过显著性检验，判断你的A_B测试结果是不是巧合？
• 31 _ 统计意义（下）：如何通过显著性检验，判断你的A_B测试结果是不是巧合？
• 32 _ 概率统计篇答疑和总结：为什么会有欠拟合和过拟合？