跳转至
AI & Math
多元统计
正在初始化搜索引擎
序言与总览
关于
基础数学
计算数学
统计计算
统计学习理论 (LTFP)
算法介绍
AI4MATH 前沿
AI & Math
序言与总览
关于
基础数学
基础数学
基础数学
数学分析
高等代数
测度论
概率论
微分方程
泛函分析
数理统计
多元统计
多元统计
目录
内容规划
因果推断
计算数学
计算数学
计算数学
数值线性代数
数值线代上机实验
数值分析
数值微分方程
凸优化
无约束优化算法对比
工业计算
工业计算
专题总览
CAD、CAE 与工业软件计算链
有限元方法:从插值到装配
并行计算基础
逆问题与高维计算札记
统计计算
统计计算
专题总览
统计计算总复习
R 脚本索引
统计学习理论 (LTFP)
统计学习理论 (LTFP)
总览
Ch1 再论集中不等式
Ch1-Ch5 跨章基础与优化
Ch1 Bernstein不等式与极大值期望
Ch2 监督学习导论 (§2.1–2.5)
Ch2 监督学习导论(原始导出)
Ch3.1-3.4 线性算法基础
Ch3 PCA与主成分回归 (§3.9)
Ch3 PCA与主成分回归(原始导出)
Ch3.5-3.9 岭回归与极小极大下界
Ch4.1-4.4.3 风险凸化与误差分解
Ch4.4.4-4.5 覆盖数与Rademacher导入
Ch4.5.1-4.5.3 Rademacher复杂度
Ch5 优化简单介绍 (§5.1–5.2)
Ch5 优化简单介绍(原始导出)
Ch5.3 非光滑优化
Ch5.4 随机梯度下降 (§5.4)
Ch5.4 随机梯度下降(原始导出)
Ch5.4.1 强凸SGD
Ch6.1-6.3 局部平均与一致性
Ch6.4-6.5 普遍一致性与光滑性
Ch7.2-7.3 表示定理与核基础
Ch7.3-7.4 核表示与近似算法
Ch7.5 泛化保证与逼近误差
Ch7.6 岭回归的理论分析
Ch9.1-9.2 神经网络理论
Ch9.2-9.3 复杂度与变差范数
学习笔记导入流程
手写材料导入与未完成项
Ch7.2-7.3 新笔记导入记录
Ch7 核与对偶补充导入记录
习题与 Proposition 映射
机器学习基础
稀疏学习与特征学习
学习理论概念地图
数据科学导论
统计计算总复习
算法介绍
算法介绍
机器学习
神经网络
决策树与集成学习
贝叶斯学习
深度学习
压缩感知
AI4MATH 前沿
AI4MATH 前沿
AI4MATH前沿
经典论文
算法实例与训练体会
改良与实验
PINN 概览与拷打
PINN 讨论班讲义
PINN 训练体会
目录
内容规划
多元统计
状态:待补充
内容规划
多元正态分布
主成分分析(PCA)
因子分析
判别分析
聚类分析
协方差矩阵估计(稀疏性、低秩性)