人工智能数学参考---7、核函数应用
一、总结
一句话总结：
一些低维很难解决的问题，切换到高维，可能会很简单
1、泊松分布 思想？
泊松分布就是把时间段分细，用二次分布来计算每个时间段事情是否发生，然后求极限就会得到泊松分布的式子 P(N(t)=n) = (λt)^n*e^(-λt)/n!
2、泊松分布？
P(N(t)=n) = (λt)^n*e^(-λt)/n! 图像有点像正态分布
3、比如一个小时出生婴儿为3，接下来两个小时，一个婴儿都不出生的概率用泊松分布怎么求？
P(N(2)=n) = (3*2)^0*e^(-3*2)/0! =0.0025
P(N(t)=n) = (λt)^n*e^(-λt)/n! 图像有点像正态分布
4、卡方分布是什么？
若n个相互独立的随机变量ξ₁、ξ₂、……、ξn ，均服从标准正态分布（也称独立同分布于标准正态分布），则这n个服从标准正态分布的随机变量的平方和 就是卡方分布
n个符合正态分布的随机变量，他们的平方和就组成了卡方分布
5、卡方分布的作用以及卡方检验？
卡方分布通俗的说就是通过小数量的样本容量去预估总体容量的分布情况
卡方检验就是统计样本的实际观测值与理论推断值之间的偏离程度
6、beta分布？
beta分布可以看作一个概率的概率分布，当你不知道一个东西的具体概率是多少时，它可以给出了所有概率出现的可能性大小
7、概率论中PDF、PMF和CDF的区别与联系？
PDF：概率密度函数（probability density function）, 在数学中，连续型随机变量的概率密度函数（在不至于混淆时可以简称为密度函数）是一个描述这个随机变量的输出值，在某个确定的取值点附近的可能性的函数。
PMF：概率质量函数（probability mass function), 在概率论中，概率质量函数是离散随机变量在各特定取值上的概率。
CDF：累积分布函数 (cumulative distribution function)，又叫分布函数，是概率密度函数的积分，能完整描述一个实随机变量X的概率分布。
8、核函数出发点？
投机：如果我的数据有足够多的可利用的信息，那么我可以直接做我喜欢的事了，但是现在如果没有那么多的信息，我可不可以在数学上进行一些投机呢？
低维到高维：低维（比如我只知道一个人的年龄，性别，那我能对她多了解吗？）==>高维（比如我知道他从出生开始，做过哪些事，赚过哪些钱等）
更好了解数据：如果我们对数据更好的了解（是机器去了解他们，我们不需要认识啦）得到的结果不也会更好嘛。
二、内容在总结中
博客对应课程的视频位置：