第1章：有效性：从什么可以推出什么？ 第2章（上）：真值函数——亦或不是？ 第2章（下）真值函数——亦或不是？ 第3章：名称与量词：空无一物是某物吗？ 第4章（上）：摹状词与存在：古希腊人崇拜宙斯吗？ 第4章（下）：摹状词与存在：古希腊人崇拜宙斯吗？ 第5章：自指：本章是关于什么的？ 第6章：必然与可能：什么会是一定如此的？ 第7章：条件句：“如果”中有什么？ 第8章：将来和过去：时间是真实的吗？ 第9章：同一性与变化：有什么是一成不变的吗？ 第10章：模糊性：如何在滑坡上停止下滑？ 第11章：概率：缺少参照类的奇怪情形 第12章：互逆概率：你无法忽略其差别！ 第13章：决策论：远大期望 第14章：一点历史与进阶阅读

1 概率密度估计 2 最大似然估计 例 1 均值和方差的无偏与有偏估计 什么是高斯分布 ML 的全局最优？ 二元函数局部最优条件 例 2 3 最大后验概率估计 例 3 4 贝叶斯估计 例 4 5 期望最大化 EM EM 在高斯混合模型中的应用

第1章 导论 一、学习指导 二、选择题 三、选择题答案 四、教材练习题详细解答 第2章 数据的搜集 一、学习指导 二、选择题 三、选择题答案 第3章 数据的图表展示 一、学习指导 二、选择题 三、选择题答案 四、教材练习题详细解答 第4章 数据的概括性度量 一、学习指导 二、主要公式 三、选择题 四、选择题答案 五、教材练习题详细解答 第5章 概率与概率分布 一、学习指导 二、主要公式 三、选择题 四、选择题答案 五、教材练习题详细解答 第6章 统计量及其抽样分布 一、学习指导 二、主要公式 三、选择题 四、选择题答案 五、教材练习题详细解答 第7章 参数估计 一、学习指导 二、主要公式 三、选择题 四、选择题答案 五、教材练习题详细解答 第8章 假设检验 一、学习指导 二、主要公式 三、选择题 四、选择题答案 五、教材练习题详细解答 第9章 分类数据分析 一、学习指导 二、主要公式 三、选择题 四、选择题答案 五、教材练习题详细解答 第10章 方差分析 一、学习指导 二、主要公式 三、选择题 四、选择题答案 五、教材练习题详细解答 第11章 一元线性回归 一、学习指导 二、主要公式 三、选择题 四、选择题答案 五、教材练习题详细解答 第12章 多元线性回归 一、学习指导 二、主要公式 三、选择题 四、选择题答案 五、教材练习题详细解答 第13章 时间序列分析和预测 一、学习指导 二、主要公式 三、选择题 四、选择题答案 五、教材练习题详细解答 第14章 指数 一、学习指导 二、主要公式 三、选择题 四、选择题答案 五、教材练习题详细解答 模拟试题一 模拟试题一解答 模拟试题二 模拟试题二解答

1 一个例子 2 最小二乘法 3 从线性到非线性：用线性模型 4 概率解释 最大似然估计 最大后验概率估计 正则化效果 5 偏置-方差困境 损失函数的第一步分解 损失函数的第二步分解 对多个数据集的简单总结

4.5.3 正交信号传输非相干检测的错误概率 4.5.4 相关二进制信号包络检测的错误概率 4.6 数字信号传输方法的比较 4.8 有记忆信号传输方式的检测 4.8.1 最大似然序列检测器——有记忆信号的最佳检测

第一章 统计和统计数据的收集 第二章 统计数据的整理和展示 第三章 数据的描述性分析 一、绝对数和相对数 二、集中趋势的测定 三、离散趋势的测定 四、数据的形态测定 第四章 概率基础——随机变量及其概率分布 第一节 随机变量的概念及数字特征 第二节 常见的离散型分布 一、两点分布 二、二项分布 第三节 常见的连续型分布 正态分布 x2分布 t分布 F分布 第四节 中心极限定理 第五章 区间估计和假设检验 第六章 相关与回归 多元线性回归 非线性回归模型 第八章 时间数列分析 时间数列的种类和编制方法 时间数列传统分析指标 长期趋势的测定 季节变动、循环变动和剩余变动的测定 时间数列的预测方法

Ch.1 绪论 Ch.2 数字概率算法 Ch.3 Sherwood算法 Ch.4 Las Vegas算法 Ch.5 Monte Carlo算法

《统计学》课程教学资源（PPT课件讲稿）第一章 基础统计学回顾（第四节 基础概率、第五节 概率分布、第六节 参数估计）

第一节 自动标引的基本原理 ◼ 自动标引的定义、类型 ◼ 自动标引的意义 ◼ 自动标引的流程 ◼ 自动标引的原理 第二节 自动标引方法和技术 ◼ 统计标引法（课堂只讲这种方法） ◼ 概率标引法：根据文献满足提问的概率来估计 ◼ 句法分析标引法 ◼ 语义分析标引法 ◼ 人工智能标引法 第三节 汉语文本自动标引 ◼ 汉语自动分词方法 • 基于匹配的分词方法 • 基于统计的分词方法 • 基于理解的分词方法

全连接的玻尔兹曼机模型可全面描述稀疏系数间统计依赖关系,但时间复杂度较高.为了提高基于玻尔兹曼机的贝叶斯匹配追踪算法(BM-BMP)的重构速度和质量,本文提出一种改进算法.第一,将BM-BMP算法的最大后验概率(MAP)估计评估值分解为上一次迭代的评估值与增量,使得每次迭代仅需计算增量,极大缩短了计算耗时.第二,利用显著最大后验概率估计值平均的方式,有效近似最小均方误差(MMSE)估计,获得了更小的重构误差.实验结果表明,本文算法比BM-BMP算法的运行时间平均缩短了73.66%,峰值信噪比(PSNR)值平均提高了0.57 dB