Decoding high energy physics with AI and machine learning
在粒子物理学的世界中，科学家揭开了宇宙，人工智能（AI）和机器学习（ML）的奥秘，这是他们对最基本颗粒的了解如何增加了波浪。该探索的核心是Parton分布函数（PDFS）。这些复杂的数学模型对于预测测试粒子物理标准模型的高能量物理实验的结果至关重要。
Rational expectations, uncertainty, and learning
来自Lars syll的理性期望假设以一致性为基本的理由，即代理人完全了解所有相关概率分布函数。当试图将学习纳入这些模型时 - 试图采取最新发起的批评的热量 - […]
Rational expectations, uncertainty, and learning
理性期望假设以一致性为基本的原因，即代理人完全了解所有相关概率分布函数。在尝试将学习纳入这些模型时 - 试图最新发起的一些批评的热量 - 它始终是[…]
The Probability Density Function: A Known Unknown
在大多数统计问题中，从一开始就可以直接获得的最重要的事情是了解数据的概率分布函数（PDF）是什么。如果您完全知道这是可能的，但在实践中很少实现 - 您处于统计天堂：您可以使用最大似然方法进行参数估计，并且您可以对整个问题了解很多。阅读更多
Uncertainty, learning, and rational expectations
理性预期假设假设——主要是出于一致性的原因——代理完全了解所有相关的概率分布函数。当试图将学习纳入这些模型时——试图将一些针对它的批评热潮带到最新状态——它总是 […]
Recursions for the Moments of Some Discrete Distributions
您可以说，“矩决定分布”。虽然这并不完全正确，但非常接近。概率分布的矩提供了有关底层随机变量行为的关键信息，我们将这些矩用于多种目的。在继续之前，让我们先确保我们的观点一致。一些背景假设我们有一个随机变量 X，其分布函数为 F(x)，其中 x 是 X 的某个值。以下引文来自我的一篇旧博客文章：“有时被称为“矩问题”的东西告诉我们：如果分布的所有矩都存在，那么了解这些矩就等同于了解分布本身。换句话说，矩完全定义了分布。但是，请注意上面结果陈述中的“如果”一词。这是一个非常大的“如果”！问题是，对于许多分布，矩仅在某些条件下存在；对于某些分布，部分或所有矩都无法定义。在这些情况下，“定理”的帮助有
