深度学习必懂的 13 种概率分布

导读：作为机器学习从业者，你需要知道概率分布相关的知识。这里有一份最常见的基本概率分布教程，大多数和使用 Python 库进行深度学习有关。

来源：AI开发者

原文链接：

https://github.com/graykode/distribution-is-all-you-need

概率分布概述：

共轭意味着它有共轭分布的关系。
在贝叶斯概率论中，如果后验分布 p（θx）与先验概率分布 p（θ）在同一概率分布族中，则先验和后验称为共轭分布，先验称为似然函数的共轭先验。共轭先验维基百科在这里
https://en.wikipedia.org/wiki/Conjugate_prior
多分类表示随机方差大于 2。
n 次意味着我们也考虑了先验概率 p（x）。
为了进一步了解概率，我建议阅读 [pattern recognition and machine learning，Bishop 2006]。

分布概率与特征：

01 均匀分布（连续）

代码：
https://github.com/graykode/distribution-is-all-you-need/blob/master/uniform.py

均匀分布在 [a，b] 上具有相同的概率值，是简单概率分布。

02 伯努利分布（离散）

代码：
https://github.com/graykode/distribution-is-all-you-need/blob/master/bernoulli.py

03 二项分布（离散）

代码：
https://github.com/graykode/distribution-is-all-you-need/blob/master/binomial.py

04 多伯努利分布，分类分布（离散）

代码：
https://github.com/graykode/distribution-is-all-you-need/blob/master/categorical.py

05 多项式分布（离散）

代码：
https://github.com/graykode/distribution-is-all-you-need/blob/master/multinomial.py

多项式分布与分类分布的关系与伯努尔分布与二项分布的关系相同。

06 β分布（连续）

代码：
https://github.com/graykode/distribution-is-all-you-need/blob/master/beta.py

07 Dirichlet 分布（连续）

代码：
https://github.com/graykode/distribution-is-all-you-need/blob/master/dirichlet.py

08 伽马分布（连续）

代码：
https://github.com/graykode/distribution-is-all-you-need/blob/master/gamma.py

09 指数分布（连续）

代码：
https://github.com/graykode/distribution-is-all-you-need/blob/master/exponential.py

指数分布是 α 为 1 时 γ 分布的特例。

10 高斯分布（连续）

代码：
https://github.com/graykode/distribution-is-all-you-need/blob/master/gaussian.py

高斯分布是一种非常常见的连续概率分布。

11 正态分布（连续）

代码：
https://github.com/graykode/distribution-is-all-you-need/blob/master/normal.py

正态分布为标准高斯分布，平均值为 0，标准差为 1。

12 卡方分布（连续）

代码：
https://github.com/graykode/distribution-is-all-you-need/blob/master/chi-squared.py

13 t 分布（连续）

代码：
https://github.com/graykode/distribution-is-all-you-need/blob/master/student-t.py

t 分布是对称的钟形分布，与正态分布类似，但尾部较重，这意味着它更容易产生远低于平均值的值。