最新回答 / 崔华乐
矩阵不能直接相除。B / A ，可以使用 B * A的逆矩阵，来实现相除, 但不是所有的矩阵都有逆矩阵。A = nd.array([[1, 2], [6, 5]])C = nd.linalg.inv(A) # C 为 A的逆矩阵E = np.dot(B, C) # B * C 即 B / A
2023-10-17
最赞回答 / yidaimi
前者是当B发生了之后再发生A的概率。后者是B和A都发生的概率。区别是前者中B已经发生确定了，此时计算A将要发生的概率。后者是A和B都没发生，但是要预测他们都发生的概率
2023-02-25
最新回答 / qq_愚公_1
我个人理解应该还不完全是这样，是本课程为了讲机器学习要借助数学中的矩阵和微积分工具，如矩阵和向量可以很好地进行多行数据的组织，微分可以采用导数概念很好地说明梯度下降法，而积分方法正好可以用来求解概率密度函数。
2022-09-29
贝叶斯公式可以这样记：P(AB)*P(B)=P(BA)*P(A)=P(C)。
想象这样一个场景来解释上面的公式，往一个矩形沙盘里面扔飞镖，沙盘里面有左右两个相交但不重叠的圆圈，扔到左边圆圈的概率是P(A)，扔到右边圆圈的概率是P(B)，扔到相交区域是P(C)。
贝叶斯公式是条件概率的延伸，条件概率是知道了P B和P C的概率、求“ P C在P B已经发生情况下发生的概率”，贝叶斯公式是知道了P A和P B和“ P C在P B已经发生情况下发生的概率”、求P C在P A已经发生情况下发生的概率。
上面最后一句有点绕口，可以多读几遍。
想象这样一个场景来解释上面的公式，往一个矩形沙盘里面扔飞镖，沙盘里面有左右两个相交但不重叠的圆圈，扔到左边圆圈的概率是P(A)，扔到右边圆圈的概率是P(B)，扔到相交区域是P(C)。
贝叶斯公式是条件概率的延伸，条件概率是知道了P B和P C的概率、求“ P C在P B已经发生情况下发生的概率”，贝叶斯公式是知道了P A和P B和“ P C在P B已经发生情况下发生的概率”、求P C在P A已经发生情况下发生的概率。
上面最后一句有点绕口，可以多读几遍。
贝叶斯公式可以这样记：P(A|B)*P(B)=P(B|A)*P(A)=P(C)。
想象这样一个场景来解释上面的公式，往一个矩形沙盘里面扔飞镖，沙盘里面有左右两个相交但不重叠的圆圈，扔到左边圆圈的概率是P(A)，扔到右边圆圈的概率是P(B)，扔到相交区域是P(C)。
贝叶斯公式是条件概率的延伸，条件概率是知道了P B和P C的概率、求“ P C在P B已经发生情况下发生的概率”，贝叶斯公式是知道了P A和P B和“ P C在P B已经发生情况下发生的概率”、求P C在P A已经发生情况下发生的概率。
上面最后一句有点绕口，可以多读几遍。
想象这样一个场景来解释上面的公式，往一个矩形沙盘里面扔飞镖，沙盘里面有左右两个相交但不重叠的圆圈，扔到左边圆圈的概率是P(A)，扔到右边圆圈的概率是P(B)，扔到相交区域是P(C)。
贝叶斯公式是条件概率的延伸，条件概率是知道了P B和P C的概率、求“ P C在P B已经发生情况下发生的概率”，贝叶斯公式是知道了P A和P B和“ P C在P B已经发生情况下发生的概率”、求P C在P A已经发生情况下发生的概率。
上面最后一句有点绕口，可以多读几遍。
对于懂的或者半懂的人来说，这节讲得挺好挺形象的，之前没有动画理解起来很费劲。相对于课本或者工作中突然遇到“最小二乘法”可能一脸懵，没想到flare老师的梯度下降一不小心就把最小二乘法给讲透了。反过来对于完全不懂的小白来说，这十多分钟应该是一脸懵吧。
2022-09-01
