数学

目录 1. 数学函数 2. 字符串函数 3. 日期和时间函数 4. 条件判断 5. 系统信息函数 6. 加密函数 7. 其他 1. 数学函数 函数 说明 abs(x) 返回x的绝对值 ceil(x) 返回大于或等于x的最小整数,select ceil(1.5) --返回2 floor(x) 返回小于或等于x的最大整数,SELECT FLOOR(1.5) -- 返回1 rand() 返回0->1的随机数,select rand() --0.93099315644334 sign(x) 返回x的符号，x是负数、0、正数分别返回-1、0和1 pi() 返回圆周率(3.141593） truncate(x,y) 返回数值x保留到小数点后y位的值 round(x) 返回离x最近的整数 ,SELECT ROUND(1.23456) --1 round(x,y) 保留x小数点后y位的值，但截断时要进行四舍五入,SELECT ROUND(1.23456,3) -- 1.235 power(x,y) 返回x的y次方,select power(2,3) -- 8 sqrt(x) 返回x的平方根,,select sqrt(25) --5 exp(x) 返回e的x次方 mod(x,y) 返回x除以y以后的余数,select mod(5,3) --2 2. 字符串函数 函数 说明 char_length(s

在英语语境里，likelihood 和 probability 的日常使用是可以互换的，都表示对机会 (chance) 的同义替代。但在数学中，probability 这一指代是有严格的定义的，即符合柯尔莫果洛夫公理 (Kolmogorov axioms) 的一种数学对象（换句话说，不是所有的可以用0到1之间的数所表示的对象都能称为概率）。而 likelihood (function) 这一概念是由Fisher提出，他采用这个词，也是为了凸显他所要表述的数学对象既和 probability 有千丝万缕的联系，但又不完全一样的这一感觉。 中文把它们一个翻译为概率（probability），一个翻译为似然（likelihood）也是独具匠心。 似然函数的定义： 上式中，小 x 指的是联合样本随机变量 X 取到的值，即 X = x ；这里的 θ 是指未知参数，它属于参数空间；而 是一个密度函数，特别地，它表示(给定) θ 下关于联合样本值 x 的联合密度函数。 从定义上，似然函数和密度函数是完全不同的两个数学对象：前者是关于 θ 的函数，后者是关于 x 的函数。所以这里的等号= 理解为函数值形式的相等，而不是两个函数本身是同一函数（根据函数相等的定义，函数相等当且仅当定义域相等并且对应关系相等）。 两者的联系： 如果X是离散随机变量，那么其概率密度函数 可改写为： 即代表了在参数为 θ

【推荐】2019 Java 开发者跳槽指南.pdf(吐血整理) >>> 接下来的三个月打算用来攻下数据挖掘这一座大山。可以算是从零基础开始入门，希望我的课表能给将来的学习者提供一些学习上的捷径。 1. 数学基础 机器学习必要的数学基础主要包括：多元微积分，线性代数 Calculus One Calculus: Single Variable Multivariable Calculus Linear Algebra 2. 统计基础 Data Analysis and Statistical Inference | 课程笔记 Introduction to Statistics: Descriptive Statistics 概率 Introduction to Statistics: Inference 3. 编程基础 Programming for Everybody Introduction to Computer Science:Build a Search Engine & a Social Network 4. 机器学习 Statistical Learning Machine Learning 机器学习基石 机器学习技法 下面是近期的给外行人读的泛数学科普书籍，由浅至深，作用除了感受数学之美之外，更重要的是可以作用每天学习的鸡血，因为这些书都比较好读…… 1.《数学之美

【推荐】2019 Java 开发者跳槽指南.pdf(吐血整理) >>> 匈牙利算法：它由匈牙利数学家Edmonds于1965年提出，因而得名。此算法的核心就是寻找增广路径，通过增广路径来求二分图最大匹配的一种算法。 通过这个图片来讲述一下。黑色代表A\B\C\D四只小狗，红色代表四种口味的骨头，每一条线表示的是小狗喜欢吃这个口味的骨头。 我们按照顺序给小狗们分配骨头，先给A分配，很明显a无人占用并且小A狗很喜欢，分配，博主最喜欢成人之美。(????) 现在给小B狗分配，小B喜欢b，前提b无人占用并且小B心仪很久，又成全一只小狗，哇哈哈~~ 轮到小C狗了，小C等了好久了，但是小C喜欢的骨头全都被占了，好可怜有木有，但是没关系，我们想办法来帮助他。如下图。 通过这张图，我们可以很清晰的知道，我们把A的先拿掉，但是还是要给找一个，不然岂不是太偏心，给A找到b，但是b被占了，同理，也先拿掉，这样A满足了,在给B继续找， 这样我们就找到c，ok大家都可以找到后备胎了，那么小C可以吃a！！！同理对d一样，但是发现如果满足d，其他的都会被破坏，综上，得到最大的匹配值为3。 匈牙利算法的流程就是上述的方案。 http://blog.csdn.net/dark_scope/article/details/8880547 这个地址有精确描述，附加代码 来源： oschina 链接： https:/

【推荐】2019 Java 开发者跳槽指南.pdf(吐血整理) >>> 在高三数学复习中，大家常说“以本为本，以纲为纲，高考真题当主粮”，就是以教材内容为根本，以“考试大纲”为准绳，以高考真题的训练为主线；抓住了本，把握了纲，训练有的放矢，我们的复习就会事半功倍。 高考数学试题难度相对稳定，考查形式的变化却是异彩纷呈，而变化中又有着一定的规律：全国试题与各省市试题的考试要求基本一致；题型除上海和江苏外，全国和其他各省市的试题模式是一样的；解答题中立体几何、解析几何、三角和概率题都是必有的，其他的主干内容时有时无。全国的几套试题大同小异，各省市的试题各有千秋。有的内容多卷共用，有的内容多年使用，如三角函数图象的平移和伸缩变换题，2008年有湖北卷第5题、天津卷第3题、安徽卷第5题，还有2007年山东卷第5题等。陈题新出也时常有之，如1998年全国卷第10题和2007年江西卷第8题就如出一辙。 那么，在高三数学复习中如何使用高考数学真题呢？ 【暑假期间】刚刚结束新课进入复习的高三学生，对高考的了解还比较朦胧，这段时间，可以做2套本省市近3年的高考试题和1套全国或邻近地区当年的高考试题，多少分不重要，主要是体验高考氛围，感受高考试题模式和难度，初步了解自己的数学能力和水平，弄清自己的薄弱环节和解题缺点，为第一轮复习制订有针对性的复习计划。 【一轮复习

现在对于高频交易普遍存在误读，要么认为非常赚钱，要么认为扰乱市场。而实际上，大部分高频策略根本不是赚钱策略，是做市用，提高市场流动性和市场深度的，说白了，是繁荣市场，增强交易所稳定性和国际竞争力的。 真正扰乱市场的，跟频率没关系，就算是低频，如果市场容量小，照样影响，比如现在的小盘交易所，现货，以及之前文交所的情况。反而是随机单，盈利低不说，还把市场搞得很乱，最后整个市场的盈利水平降低，就跟现在欧美市场一样。 目前公开宣传的很多人根本没有高频交易经验，所以说话很多都是想当然，不太负责任。 还有一个令高频交易饱受舆论诟病的是，人们包括很多专家，把失误损失和市场操纵归咎于高频交易模式、而不是操作风险管理缺陷和违规交易；把市场不公平归咎于高频交易、而不是大机构行为和监管漏洞。 人们时常从媒体上了解到因为“胖手指”（Fat Finger）或某个机构的订单程序进入了死循环而向市场中发出了巨量订单，然后高频交易算法迅速反应，造成市场崩盘或者剧烈波动的情况。 很多人会说，如果没有高频交易，那么市场就不会这么动荡，因为人们不会来不及反应，而且高频交易在市场波动的时候推波助澜，加剧了市场波动。 而实际上，即便没有高频交易，市场参与者也会根据自己的情况作出平开仓的决策，当这种决策具有广泛一致性的时候，市场一样会出现剧烈波动，这个是市场中一个常态特征。 而且不是所有高频交易策略都是趋势跟随类策略

1. 概述 KD树是一种查询索引结构，广泛应用于数据库索引中。从概念的角度讲，它是一种高纬数据的快速查询结构，本文首先介绍1维数据的索引查询，然后介绍2维KD树的创建和查询，相关定理和推论也简单列出，本文争取用15分钟的时间，让大家快速理解KD树。 2. 1维数据的查询 假设在数据库的表格T中存储了学生的语文成绩chinese、数学成绩math、英语成绩english，如果要查询语文成绩介于30～93分的学生，如何处理？假设学生数量为N，如果顺序查询，则其时间复杂度为O(N)，当学生规模很大时，其效率显然很低，如果使用平衡二叉树，则其时间复杂度为O(logN)，能极大地提高查询效率。平衡二叉树示意图为： 图1：平衡二叉树示意图 对于1维数据的查询，使用平衡二叉树建立索引即可。如果现在将查询条件变为：语文成绩介于30～93，数学成绩结余30～90，又该如何处理呢？ 如果分别使用平衡二叉树对语文成绩和数学成绩建立索引，则需要先在语文成绩中查询得到集合S 1 ，再在数学成绩中查询得到集合S 2 ，然后计算S 1 和S 2 的交集，若|S 1 |=m,|S 2 |=n，则其时间复杂度为O(m*n)，有没有更好的办法呢？ 3. KD树 针对多维数据索引，是否也存在类似的一维的索引方法呢？先看2维数据的集合示意图： 图2: 2维数据示意图 如果先根据语文成绩，将所有人的成绩分成两半

模糊聚类分析 参加全国大学生数学建模竞赛的时候接触了这个方法，后来在亚太地区建模也使用了，但是那个例子不太恰当，不容易理解。这样我到了一个网上写的超级详细的大哥的例子： 戳！ 来源： CSDN 作者： 极度丶浚爱 链接： https://blog.csdn.net/qq_43123615/article/details/103497178

一、 abs //计算输入值的绝对值。 acos //返回输入值反余弦值。 all //测试非0值。 any //测试输入值中的任何非零值。 asin //返回输入值的反正弦值。 atan //返回输入值的反正切值。 atan2 //返回y/x的反正切值。 ceil //返回大于或等于输入值的最小整数。 clamp //把输入值限制在[min, max]范围内。 clip //如果输入向量中的任何元素小于0，则丢弃当前像素。 cos //返回输入值的余弦。 cosh //返回输入值的双曲余弦。 cross //返回两个3D向量的叉积。 ddx //返回关于屏幕坐标x轴的偏导数。 ddy //返回关于屏幕坐标y轴的偏导数。 degrees //弧度到角度的转换 determinant //返回输入矩阵的值。 distance //返回两个输入点间的距离。 dot //返回两个向量的点积。 exp //返回以e为底数，输入值为指数的指数函数值。 exp2 //返回以2为底数，输入值为指数的指数函数值。 faceforward //检测多边形是否位于正面。 floor //返回小于等于x的最大整数。 fmod //返回a / b的浮点余数。 frac //返回输入值的小数部分。 frexp //返回输入值的尾数和指数 fwidth //返回 abs ( ddx (x) + abs (

线性代数 来源： https://www.cnblogs.com/yunwangjun-python-520/p/12027869.html