在输入序列个数、排序情况不同的情况下对确定性快速排序与随机化快速排序的比较。比较他们的运行时间，验证是否与理论相符。

不确定性工具箱 用于预测不确定性量化，校准，python工具箱。 另外：的以及的集合。 许多机器学习方法会返回预测以及某种形式的不确定性，例如分布或置信区间。 这就引出了一个问题：我们如何确定最佳的预测不确定性？ 产生最佳或理想不确定性是什么意思？ 我们的不确定性是否准确且经过良好校准？ 不确定性工具箱提供了用于量化和比较预测性不确定性估计值的标准度量，提供了这些度量的直觉，生成了这些度量/不确定性的可视化效果，并实施了简单的“重新校准”程序来改善这些不确定性。 该工具箱当前专注于回归任务。 工具箱内容 不确定性工具箱包含： 与预测不确定性量化相关的。 评估预测不确定性估计的质量的。 预测不确定性估计和指标。 用于改善预测变量校准的方法。 有关度量标准和方法的相关。 安装 不确定性工具箱需要Python 3.6及更高版本。 要安装，请克隆并通过cd进入此仓库，然后运行： $

5.4主观Bayes方法 5.4.1 知识不确定性的表示 1. 知识表示方法 在主观Bayes方法中，知识是用产生式表示的，其形式为 IFETHEN(LS，LN) H 其中(LS，LN)用来表示该知识的知识强度，LS和LN的表示形式分别为 LS=P(E/H)/P(E/~H)  LN=P(~E/H) /P(~E/~H)=(1-P(E/H))/(1-P(E/~H)) LS和LN的取值范围均为［0，+∞］。 由Bayes公式可知 P(H/E)=P(E/H)×P(H)/P(E) P(~H/E)=P(E/~H)×P(~H)/P(E) 将两式相除，得 P(H/E)/P(~H/E)=P(E/H)/P(E/~H)×P(H)/P(~H) 

不确定性预测 目的是使用SWAG，深度集成模型测量恶意软件检测的不确定性，并通过可靠性图可视化置信度校准。 此外，两种统计假设检验方法，即Kolmogorov-Smirnov（KS）检验和平均最大差异（MMD），用于检验EMBER数据2017年与2018年之间的概念转变。

计算机视觉中不确定性的处理.pdf

研究了一类非线性系统的有限时间稳定性. 通过函数构造和变量替换的方法, 给出一个新的非线性系统有 限时间稳定的充分条件. 该条件与现有结果相比, 具有更少的保守性. 进一步, 将所得的结果推广到不确定性非线性 系统, 通过构造Lyapunov 函数方法, 给出系统有限时间稳定的充分条件. 仿真例子表明了所得结论的有效性.

人工智能原理教案03章不确定性推理方法3.2确定性方法.pdf

数学：确定性的丧失 作者：克莱因 格式：PDF

可能性（第1课时）——事件的确定性和不确定性（佛山市城南小学）.ppt

它是一种确定性迭代零阶算法，可用于解决无约束优化问题。 它使用确定性迭代零阶算法找到两个变量函数的相对最小值。 % 模式搜索方法% 它使用模式搜索方法找到两个变量函数的相对最小值。 % 输入是： % - f：要最小化的函数的matlab内联函数； % - p0：搜索算法的初始点% - step_size：用于探索阶段的初始步骤% - 容差：它定义了探索阶段 step_size 的最小尺寸的停止标准% - N_it：它定义了最大迭代次数的停止标准% 输出为： % - iter：完成的迭代次数% - min：函数在找到的相对最小值中的值。 % - p_min：它是目标函数最小值点的向量 ％％％％ 重要的： ％％％％ 为了正确工作，函数“pattern_search”之前必须有目标函数的等高线图才能最小化。