从复杂网络看产业森林 Complex Theroy Stock Market Brain Network Social Network 产业结构即产业总和 如汽车产业与上游产业：轮胎，汽油，钢铁 传统理论认为在一棵树附近总有另一颗树可以带到，因而森林结构不重要 Random Network ：任意两个点的连续可能性是等概率的 相邻的点可以构成一个团簇，而事实表示，如果森林的各个区域性质明显不同，由相互连接的密集区域和相对隔离的区域组成，那么猴子可能终生被困在某个区域。 定义 个距离: $\quad \phi_{i, j}=\min \left{P\left(R C A x_{i} \mid R C A x_{j}\right), P\left(R C A x_{j} \mid R C A x_{i}\right)\right}$ $R C A_{c, […]
连续性 $f(x)$在$x_0$处连续，则$lim_{x\to x_0}f(x)=f(x_0)$ 若左极限与右极限不相等，则$f(x)$在该点不连续。 傅里叶级数展开
极限的定义 数列极限/函数极限 想要任意近，只要足够近 定义：$lim_{x\to x_0}f(x)=L$ $\forall \varepsilon, \exists \delta$,使得 $\left|x-x_{0}\right|<\delta$时,有$|f(x)-L|<\varepsilon$ 极限的四则运算与极限的复合 （1）加法：$lim_{x\to x_0}f(x)=L_1, lim_{x\to x_0}g(x)=L_2$, 则$ lim_{x\to x_0}f(x)+g(x)=L_1+L_2$, $\forall \varepsilon, \exists \delta, s.t|f(x)+g(x)-(L_1+L_2)|<\varepsilon$ 若$|f(x)-L_1|<\frac{\varepsilon}{2}$且 $|g(x)-L_2|<\frac{\varepsilon}{2}$ 极限的复合 若$\lim {x \to x{0}} f(x)=L_{1} \lim {x \to L{1}} g(x)=l_{2}$，则 $\lim {x \to x{0}}g(f(x))=L_{2}$
无穷大之比较 当$n\in N$，$n\to \infty$时，$lnn<n^{\frac{1}{a_1}}<n<n^{a_2}<a_3^n<n!<n^n$ 一、求证：$lim_{n\to \infty}\frac{n^{a_2}}{a_3^n}=0 二、求证：$a_3^n<n!$ Stirling近似 $n!\prox\sqrt{2\pi n}\left(\frac{n}{e}\right)^n$ 对上述内容求倒数，即可比较无穷小
戴金斯分划： 实数的定义：（1）划分到有理数；（2）分划点无理数； 实数的性质：（稠密性，） 单调有界序列存在极限定理： 实数元素的个数： 自然数个数=整数个数（等势） 希尔伯特旅馆：旅客住进住满人的旅馆 整数个数与有理个数相同：（寻找一 一对应） 可列（可数）
首先安装docx模块，通过pip install docx或者在docx官方链接上下载安装都可以 下面来看下如何解析docx文档：文档格式如下 有3个部分组成 1 正文:text文档 2 一个表格。 3一个插入的文件对象。4 一个图片 这4个部分是我们在docx文档中最常见的几种格式。解析代码如下 import docx def docx_try(): doc=docx.Document(r’E:\py_prj\test.docx’) for p in doc.paragraphs: print p.text for t in doc.tables: for r in t.rows: for c in r.cells: […]
1.创建新环境： conda create –name <env_name> <package_names> 如：conda create -n python3 python=3.5 numpy pandas 2.切换环境：
以前多次接触过极大似然估计，但一直都不太明白到底什么原理，最近在看贝叶斯分类，对极大似然估计有了新的认识，总结如下： 贝叶斯决策 首先来看贝叶斯分类，我们都知道经典的贝叶斯公式： 其中：p(w)：为先验概率，表示每种类别分布的概率；：类条件概率，表示在某种类别前提下，某事发生的概率；而为后验概率，表示某事发生了，并且它属于某一类别的概率，有了这个后验概率，我们就可以对样本进行分类。后验概率越大，说明某事物属于这个类别的可能性越大，我们越有理由把它归到这个类别下。 我们来看一个直观的例子：已知：在夏季，某公园男性穿凉鞋的概率为1/2，女性穿凉鞋的概率为2/3，并且该公园中男女比例通常为2:1，问题：若你在公园中随机遇到一个穿凉鞋的人，请问他的性别为男性或女性的概率分别为多少？ 从问题看，就是上面讲的，某事发生了，它属于某一类别的概率是多少？即后验概率。 原文链接：https://blog.csdn.net/zengxiantao1994/java/article/details/72787849