AI基础认知 最新 相似度计算的核心思想是，将对象（物品、用户、文本、图像等）量化为数学上可计算的形式（通常是向量）然后定义一个度量函数，来计算两个向量之间的距离或相似程度 核心步骤a. 特征表示将现实世界中的对象转化为计算机可以处理的数学对象（通常是向量或集合），示例1（用户画像）：用户A = [年龄: 25, 对科技的喜爱度: 9, 对文艺的喜爱度: 3] ->... 星博讯 2026-04-09 1 #相似度计算 #向量化
AI基础认知 最新 信息熵是信息论中最核心的概念，用于量化信息的不确定性或随机性。它由克劳德·香农于1948年提出，是通信、数据压缩、密码学、机器学习等领域的理论基础 基本定义对于一个离散随机变量 (X ，其可能的取值为 (x_1, x_2, \dots, x_n ，对应的概率分布为 (P(X=x_i =p_i （满足 (pi \geq 0 且 (\sum{i=1... 星博讯 2026-04-09 1 #信息熵 #信息论
AI基础认知 最新 一、核心思想，衡量两个概率分布的差异 交叉熵的本质是用一个“估计的分布”Q去描述“真实的分布”P时，所需要的平均信息量（或说造成的平均惊讶度），它衡量的是两个概率分布之间的“距离”或差异，在机器学习中，交叉熵越小，说明我们的预测分布Q越接... 星博讯 2026-04-09 1 #概率分布 #差异
AI基础认知 最新 1.一句话核心思想 KL 散度 是一种用于衡量两个概率分布 P 和 Q 之间差异程度的度量，它量化了“当你用分布 Q 来近似真实分布 P 时，所损失的信息量”或者“产生的额外惊喜度”，直观解释：编码长度的视角想象一下，我... 星博讯 2026-04-09 2 #一句话 #核心思想
AI基础认知 最新 一、核心思想，用结果反推原因 极大似然估计是一种在统计学中估计模型参数的方法，它的核心思想非常直观，甚至有点“马后炮”：已经发生的事情，最有可能是由最可能让它发生的那个原因所导致的，换句话说，我们观察到了一组数据（结果），我们假设... 星博讯 2026-04-09 3 #核心思想 #结果反推原因
AI基础认知 最新 核心理念，概率即认知的不确定性 这是理解贝叶斯估计的基石,与频率学派（认为概率是长期重复事件发生的极限频率）不同，贝叶斯学派认为：概率是对某个命题或假设为真的“可信度”或“信念程度”的度量，这种信念可以随着新证据的出现而不断更新，贝... 星博讯 2026-04-09 1 #概率 #认知不确定性
AI基础认知 最新 期望和方差是概率论与统计学中最基础的概念，用于描述随机变量的分布特征 数学期望（均值）数学期望反映随机变量取值的平均水平，记作 (E(X ，离散型随机变量：若 (X 的可能取值为 (x_1, x_2, \ldots ，对应的概率为 (p_1, p2, \ldots ... 星博讯 2026-04-09 1 #期望 #方差
AI基础认知 最新 标准差在AI领域的应用非常广泛，它是衡量数据离散程度的核心统计指标，常用于评估模型的稳定性、数据分布的分析以及不确定性量化等。以下是标准差在AI中的主要应用场景和实例 机器学习模型评估模型性能稳定性：多次交叉验证中，模型准确率/损失的标准差反映其泛化能力的稳定性，一个模型在5折交叉验证中准确率标准差很小,说明其表现可靠，超参数调优：比较不同超参数组合时，标准差帮助判... 星博讯 2026-04-09 1 #标准差 #AI应用
AI基础认知 最新 你可以把它理解为自然的默认规律。当我们说一般情况下、平均水平附近，很多时候背后指的就是正态分布 它是什么？别名：高斯分布、钟形曲线，直观形象：一条对称的、中间高、两边逐渐降低的钟形曲线，本质：描述一个连续型随机变量取值的概率规律，它告诉我们，在大量独立、微小的随机因素共同作用下,结果往往会呈现出... 星博讯 2026-04-09 2 #正态分布 #默认规律
AI基础认知 最新 均匀分布是概率论与统计学中最简单、最直观的概率分布之一。它的核心思想是 等可能性 在一个特定的范围或集合内,每一个结果或区间（等长度的）发生的可能性是完全相同的，均匀分布主要分为两类：离散型均匀分布 和 连续型均匀分布，离散型均匀分布定义：如果随机变量 (X 只有有限个（或可数个... 星博讯 2026-04-09 2 #均匀分布 #等可能性
