-
13-6 观察次数越多，推算结果就越接近实际
13-6 观察次数越多，推算结果就越接近实际 13-6 观察次数越多，推算结果就越接近实际 正如上一节中所讲，在第n次的观察中，A的后验概率为a，B的后验概率为b，此时，如果第n＋1次观察为黑球，那么后验概率的比例关系则变为： a：b→a:8b 这说明，该壶为B壶的可能性增大了。那么，为什么B的一侧会变成8倍呢？这是因为，这一变化反映了：从A中观察... -
14-2 通过函数的形式来记述概率
14-2 通过函数的形式来记述概率 14-2 通过函数的形式来记述概率 概率是指，用一个“大于0且小于1的数值”来对应“发生的事情”的数学概念。 “发生的事情”→“数值”（“数值”的取值范围：必须大于0且小于1）。 先确定“发生的事情”，然后决定与之对应的数值分配，这被称为“概率模型” 。 例如，“晴天、阴天、雨天、雪天”为4件事情，分别为这4件... -
第 9 章 函数
第 9 章 函数 第 9 章 函数 我们将程序中反复执行的代码封装到一个代码块中，这个代码块模仿了数学中的函数，具有函数名、参数和返回值。 Swift中的函数很灵活，它可以独立存在，即全局函数；也可以存在于别的函数中，即函数嵌套；还可以存在于类、结构体和枚举中，即方法。 -
5.2 日历中的数学
5.2 日历中的数学 5.2.1 n天后是星期几 5.2.2 下月的今天是星期几 5.2.3 10年后的“今天”是星期几 5.2 日历中的数学 日历就是利用余数来进行分组的一个例子。一周有7天，因此可将日期分为7组，每组对应一周中的一天。这样，按组竖向排列，就可得到一份月历。 5.2.1 n天后是星期几 如图5-2所示是2013年5月的月历，... -
空标题文档
7.4 其他类型的测试 很幸运，其他比较操作符更容易记：小于（<）、大于（>）和不等于（!=）。（还可以使用 <> 表示不等于，不过大多数人都用 !=。）还可以把 > 或 < 与 = 结合起来表示大于或等于（>=）以及小于或等于（<=）。数学课上你可能已经见过这样一些符号。 不等于 在 Python 3 中，不再支持 <> 形式的不等于，只能... -
空标题文档
7.9 使用 not 还可以用 not 把比较倒过来，表示相反的逻辑。 color = raw_input("Enter your favorite color: ")if color == "red" or color == "blue" or color == "green": print "You are allowed to play t... -
空标题文档
12.15 双重列表：数据表 考虑数据如何存储在程序中时，可以用图直观地表示，这很有用。 变量有一个值。 列表就像是把一行值串在一起。 有时还需要一个包含行和列的表。 如何保存数据表呢？我们已经知道，列表中包含多个元素，可以把每个学生的成绩放在一个列表中，像这样： >>> joeMarks = [55, 63, 77, 81]>>>... -
3.4 3 层神经网络的实现
3.4 3 层神经网络的实现 3.4.1 符号确认 3.4.2 各层间信号传递的实现 3.4.3 代码实现小结 3.4 3 层神经网络的实现 现在我们来进行神经网络的实现。这里我们以图 3-15 的 3 层神经网络为对象，实现从输入到输出的（前向）处理。在代码实现方面，使用上一节介绍的 NumPy 多维数组。巧妙地使用 NumPy 数组，可以用很... -
5.6 Affine/Softmax 层的实现
5.6 Affine/Softmax 层的实现 5.6.1 Affine 层 5.6.2 批版本的 Affine 层 5.6.3 Softmax-with-Loss 层 5.6 Affine/Softmax 层的实现 5.6.1 Affine 层 神经网络的正向传播中，为了计算加权信号的总和，使用了矩阵的乘积运算（NumPy 中是 np.dot... -
读入数据
5.7.3 误差反向传播法的梯度确认 5.7.4 使用误差反向传播法的学习 参数 X 是图像数据、t 是正确解标签 accuracy(self, x, t) 计算识别精度 numerical_gradient(self, x, t) 通过数值微分计算关于权重参数的梯度（同上一章） gradi...