二项式抽样 二项分布的采样算法 入门 安装 $ npm install binomial-sampling 如何使用 var binomial = require ( 'binomial-sampling' ) ; // binomial(n, p) // n is the size of sample // p is the probability of each test console . log ( binomial ( 10 , 0.1 ) ) ; // --> return the value according to binomial distribution 执照 麻省理工学院许可证。 有关详细信息，请参阅许可证文件。

该软件包包含 3 个 MCMC 功能： RWM.m - 具有最佳接受率调整的标准 Metropolis Hastings。 [N.Metropolis，AWRosenbluth，MNRosenbluth，AHTeller和E. Teller，“通过快速计算机进行状态计算的方程”，《化学物理学报》，第1卷。 21，没有。 6，第 1087-1092 页，1953 年] AM.m - 具有最佳接受率调整的自适应大都会。 [H。 Haario、E. Saksman 和 J. Tamminen，“自适应 Metropolis 算法”，伯努利，卷。 7，第 223-242 页，2001 年] FSS.m-具有最佳初始宽度调整的因子切片采样。 [MM Tibbits、C. Groendyke、M. Haran 和 JC Liechty，“自动因子切片采样”，《计算和图形统计杂志》，第 2 期。

信号与系统英文版课件：Chap7 Sampling.pptx

Random sampling of bandlimited signals on graphs.zip

Algorithm-random-sampling.zip,Java 8中用于水库随机抽样问题的算法集合,算法是为计算机程序高效、彻底地完成任务而创建的一组详细的准则。

RSS 代码促进了真正的顺序蒙特卡罗采样方法，以实现自适应不确定性分析，同时仍然实现显着的方差减少。 该方法详细描述于： Shields, MD、Teferra, K.、Hapij, A. 和 Daddazio, RP “用于基于蒙特卡罗的高效不确定性量化的精细分层抽样。” 可靠性工程和系统安全。 142：310-325。

随着高分辨率3D扫描设备获取的大规模点采样几何的出现，开发有效的算法来处理这类具有大量几何细节和复杂拓扑的模型变得越来越重要。 作为预处理步骤，表面简化对于后续操作和几何处理非常重要，也是必需的。 基于自适应均值漂移聚类方案，提出了一种曲率感知的自适应重采样方法，用于点采样几何简化。 生成的采样点是非均匀分布的，并且可以以曲率感知的方式考虑局部几何特征，即在简化模型中，采样点在高曲率区域中密集，而在低曲率区域中稀疏。 所提出的方法已经实现并通过几个示例进行了演示。

霍维茨汤姆森估计量。Horvitz-Thompson Estimator. 用于不等概不放回抽样的总体量估计。

在 Machine Learning 中，LDA 是两个常用模型的简称： Linear Discriminant Analysis 和 Latent Dirichlet Allocation， 在这篇文章中我们主要八卦的是后者。LDA 是一个在文本建模中很著名的模型，类似于 SVD, PLSA 等模型， 可以用于浅层语义分析,在文本语义分析中是一个很有用的模型。很不幸的是，这个模型中涉及的数学知识有点多， 包括 Gamma 函数， Dirichlet 分布， Dirichlet-Multinomial 共轭， Gibbs Sampling, Variational Inference, 贝叶斯文本建模，PLSA 建模, 以及 LDA 文本建模。 这篇文章的主要目标，就是科普在学习理解LDA 模型中，需要了解的一些重要的数学知识。 预设的读者是做自然语言处理、机器学习、数据挖掘方向的工程师， 要读懂这篇科普，需要的数学基础知识基本上不超过陈希孺先生的《概率论与数理统计》这本书。

matlab非参数代码非参数采样纹理合成 CS663 最终项目。 通过非参数采样进行纹理合成。 这是加州大学伯克利分校的 Alexei A. Efros 和 Thomas K. Leung 关于通过非参数采样进行纹理合成的论文的实现。 我们已经实现了 matlab 代码，最终报告包含最终结果。