Hello World
Welcome to Hexo! This is your very first post. Check documentation for more info. If you get any problems when using Hexo, you can find the answer in troubleshooting or you can ask me on GitHub. Quick StartCreate a new post1$ hexo new "My New Post" More info: Writing Run server1$ hexo server More info: Server Generate static files1$ hexo generate More info: Generating Deploy to remote sites1$ hexo deploy More info: Deployment
统计建模与概率论基础测试
概率分布与参数估计这是一篇用于测试 Hexo 博客数学公式渲染(MathJax)的极客文档。如果你能正确看到下面的公式且没有乱码,说明你的渲染引擎和插件配置已经彻底大功告成! 1. 正态分布 (Normal Distribution)正态分布是统计学中最重要的一种连续概率分布。其概率密度函数的行内公式为 ,对应的块级公式如下: 其中: 代表数学期望(均值),决定了分布的中心位置。 代表标准差,决定了分布的离散程度。 代表方差。 2. 极大似然估计 (Maximum Likelihood Estimation)对于独立同分布的样本集 ,其似然函数 定义为联合概率密度: 为了防止连乘导致数值下溢,并简化求导计算,我们通常对目标函数取对数,得到对数似然函数(Log-Likelihood): 求解参数 的过程,就是寻找使得上述目标函数取得最大值的参数值。 3. 复杂矩阵与多行对齐公式最后我们来测试一下在模型推导过程中极其常用的多行对齐公式(注意观察等号是否完美对齐): 如果上面的三个大公式以及行内变量都能完美显示,恭喜你,你的博客已经具备了排版硬核学术笔记的全部...
CSDIY 计算机基础自学路线规划
学习资源收集在探索计算机底层的过程中,合理利用开源社区资源至关重要。 提示:学习数据结构时,务必自己动手用 C++ 实现一遍所有的基础树和图结构,不要只看视频。 警告:不要陷入框架的汪洋大海,一定要夯实计算机网络和操作系统的基础! 近期 Task 列表接下来两周的核心任务是突破基础算法。 配置 Hexo + Butterfly 博客,搭建个人知识库 学习基础的 Markdown 语法 深入理解 C++ 中的指针与内存管理 完成链表、栈、队列的基础代码复现 研究 AI 大模型的工作流原理(API 接入测试) 有用链接分享利用好以下平台,可以大幅提升解决问题的效率: GitHub - 全球最大的同性交友网站与代码托管平台。 Google AI Studio - 快速测试和部署大语言模型的利器。
Python 数据分析与可视化测试
1. 核心数据模型在进行数据处理时,我们经常需要处理结构化的数据集。以下是一个简单的数据对比矩阵: 实验组别 样本量 (N) 平均响应时间 (ms) 成功率 (%) Control 1000 124.5 98.2 Test A 1000 89.3 99.1 Test B 1000 105.7 97.5 2. 算法实现我们使用 Python 结合 numpy 和 matplotlib 来生成拟合曲线。Butterfly 主题的暗黑代码块配合 Mac 风格窗口,阅读体验极佳: import numpy as np import matplotlib.pyplot as plt def generate_model_data(samples=1000): """生成带有高斯噪声的模拟测试数据""" x = np.linspace(0, 10, samples) # 添加正态分布噪声 noise = np.random.normal(0, 0.5, samples) ...