第一章 随机事件与概率 第二章 随机变量函数及其分布 第三章 多维随机变量及其分布 第四章 大数定律和中心极限定理 1.1 随机事件及其运算（1） 1.1 随机事件及其运算（2） §1.2 概率与频率（1） §1.2 概率与频率（2） §1.3 概率的性质 时间 §1.4 条件概率（1） §1.4 条件概率（2） §1.5 事件的独立性 时间 2.1 随机变量及其分布(1) 2.1 随机变量及其分布（2） 2.2 随机变量的数学期望 2.4 常用离散分布 2.5 常用连续分布（1） 2.5 常用连续分布（2） 2.6 随机变量函数的分布 2.7 分布的其他特征数 3.4 多维随机变量的特征数（2） 3.5 条件分布和条件期望 4.2 特征函数 4.3 大数定律（1） 4.3 大数定律（2） 4.4 中心极限定理（1） 4.4 中心极限定理（2）

人教版（2012）小学数学二年级下册1 数据搜集整理1 数据搜集整理导学案(2)

§1 大数定律 •切比雪夫大数定律 •伯努利大数定律 •辛钦大数定律 §2 中心极限定理 •定义 •独立同分布的中心极限定理 •棣莫弗-拉普拉斯定理 •用频率估计概率时误差的估计

一、切比雪夫不等式 三、伯努利大数定律 二、切比雪夫大数定律 四、辛钦大数定律

一、切比雪夫不等式 三、伯努利大数定律 二、切比雪夫大数定律 四、辛钦大数定律

一、一组变量,名字相同,数据类型相同,用下标(索引-Index)来区分。例如:a(0),a(1),…,a(n)H称为数组a的成员(元素、下标变量) 二、两种类型的数组: 1 静态数组:成员数量不变 2 动态数组:成员数量可变

注意力缺陷多动障碍（ADHD）是儿童期最常见的精神疾病之一，在大多数情况下持续到成年期。近年来，基于功能磁共振数据的ADHD分类成为了研究热点。文献中已有的大多数分类算法均假设样本是均衡的，然而事实上，ADHD数据集通常是不平衡的。传统的学习算法会使得分类器倾向于多数类样本，从而导致性能下降。本文研究了基于不平衡神经影像数据的ADHD分类问题，即基于静息状态功能磁共振数据对ADHD进行分类。采用功能连接矩阵作为分类特征，提出了一种基于多目标支持向量机的ADHD数据分类方案。该方案将不均衡数据分类问题建模为具有三个目标的支持向量机模型，其中三个目标分别为最大化分类间隔、最小化正样本误差和最小化负样本误差，进而正负样本经验误差可以被分开处理。然后采用多目标优化的法向量边界交叉法对模型进行求解，并给出一组代表性的分类器供决策者进行选择。该方案在ADHD-200竞赛的五个数据集上进行测试评估，并与传统分类方法进行对比。实验结果表明本文提出的三个目标支持向量机分类方案比传统的分类方法效果好，可以有效的从算法层面解决数据不平衡问题。该方案不仅可用于辅助ADHD诊断，还可用于阿尔茨海默病和自闭症等疾病的辅助诊断

油气资源大数据智能平台的总体框架应以数据资源为基础、大数据平台算力为支撑、人工智能算法为核心，面向油气行业生产需求，构建集勘探、开发、生产数据于一体的油气数据资源池，通过数据清洗与融合提升数据质量，整合物理模拟与数据挖掘等手段，实现服务功能模块化，并在PC端、管控大屏、手机移动APP等多维平台实现智能监测、预警与展示。通过对深度学习等人工智能方法在油气工业领域的应用案例分析，表明其具有较好的应用前景。未来石油公司应与科研院所通力合作，挖掘石油工业数据的巨大潜能，实现降本增效，建设全新的智能油气工业生态圈，完成产业升级

为了保证齿轮钢中非金属夹杂物的控制，并确定齿轮钢经济合理的总氧含量控制目标，开展了总氧含量对齿轮钢中非金属夹杂物的影响研究。以三种不同总氧含量的Mn–Cr系齿轮钢为研究对象，利用Aspex扫描电镜、极值法、疲劳测试等不同方法研究了齿轮钢中非金属夹杂物数量、分布、尺寸等，获得了夹杂物与齿轮钢总氧含量的对应关系。在本文实验条件下，随着总氧含量的降低，钢中氧化物夹杂数量不断减小，其中5～10 μm的小尺寸夹杂物减小最明显，而10 μm以上的大尺寸夹杂物数量变化规律不明显。另外，极值法和疲劳试验结果表明，总氧含量高时（质量分数为0.0013%），钢中最大氧化物夹杂尺寸也较大，比总氧质量分数为0.0010%和0.0005%的实验钢的最大夹杂物尺寸高10 μm以上，且当总氧含量比较低时（质量分数≤0.0010%），实验钢总氧质量分数变化（0.0010%、0.0005%）对钢中最大夹杂物尺寸影响不大

一、理解对大型的、复杂的和信息丰富的数据集进行分析的必要性。 二、明确数据挖掘过程的目标和首要任务。 三、描述数据挖掘技术的起源。 四、了解数据挖掘过程所具有的迭代过程和基本步骤。 五、解释数据的质量对数据挖掘过程的影响。 六、建立数据仓库和数据挖掘之间的联系