第一章 随机事件和概率 随机试验 样本空间、随机事件 频率和概率 古典概型 几何概型 概率的公理化结构 条件概率 事件的独立性 贝努里概型 第二章 离散型随机变量及其分布 随机变量的概念 一维离散型随机变量的分布律 二维离散型随机变量 离散型随机变量函数的分布律 第三章 连续型随机变量及其分分布函数 一维连续性随机变量及其分布 二维连续性随机变量及其分布 连续性随机变量函数的密度函数 第四章 随机变量的数字特征 数学期望 方差 协方差和相关系数 矩 几个重要随机变量的期望和方差 第五章 大数定律与中心极限定理 依概率收敛 大数定律 依分布收敛 中心极限定理

一、大数定律 二、中心极限定理

§1 大数定理 §2 中心极限定理

研究结果表明基于铁路工程电子招投标大数据,综合社团结构检测和函数拟合分析两和方法,可以有效识别预警铁路工程投标企业的异常行为

西安建筑科技大学：《概率论与数理统计》课程教学课件（PPT讲稿）第6章 大数定律与中心极限定理 6.1 大数定律

一、 随机变量序列的收敛性 定义：（依分布收敛）

§4.1大数定律 §4.2随机变量序列的两种收敛性 §4.3中心极限定理 §4.4中心极限定理(续)

一、重要不等式 设非负r:vX的期望E(X)存在,则对于任意实数>0

1.1知之为知之，不知为不知，是知也！ 1.2数据的泛在理解：客观存在的描述与记录 1.3信息的价值评判：有用的数据 1.4知识的应用体现：数据变信息的转化规则 1.5知识规则的认知途径 1.6数据到知识的转换过程：实例分析 1.7本章小结

1 Introduction 2 Learning to Hash Isotropic Hashing Scalable Graph Hashing with Feature Transformation Supervised Hashing with Latent Factor Models Column Sampling based Discrete Supervised Hashing Deep Supervised Hashing with Pairwise Labels Supervised Multimodal Hashing with SCM Multiple-Bit Quantization 3 Distributed Learning Coupled Group Lasso for Web-Scale CTR Prediction Distributed Power-Law Graph Computing 4 Stochastic Learning Fast Asynchronous Parallel Stochastic Gradient Descent Distributed Stochastic ADMM for Matrix Factorization 5 Conclusion