Одна из самых важных концепций, с которыми вы столкнетесь в разработке программного обеспечения.

Присоединяйтесь к более чем 32 000 человек и получайте информацию о самых важных идеях в области ИИ прямо в свой почтовый ящик через мою бесплатную рассылку — AI Made Simple

Нормальное распределение.

Если бы было много математических концепций, это был бы первый выбор. Нормальное распределение проявляется во многих задачах и во многих отношениях, что они буквально назвали его нормальным распределением.

Это настолько распространено, что вы, скорее всего, используете его все время, часто даже не осознавая этого. И учитывая все разговоры, которые я провел с людьми, которые хотят использовать данные в своих корпоративных процессах, эта идея станет еще более важной. В этом информационном бюллетене мы обсудим нормальное распределение, почему оно важно и как оно проявляется в разработке программного обеспечения/технологии.

Источник изображения

Нормальное распределение 101

  1. Что такое нормальное распределение? Я мог бы дать вам математическое определение, но это не самое важное для нашего случая. Для нас важно понимать, что нормальное распределение — это распределение вероятностей, которое часто используется для моделирования реальных данных. Он имеет форму колокола со средним значением, медианой и модой, расположенными в центре. Кривая симметрична, поэтому площадь под кривой слева от среднего равна площади под кривой справа от среднего.
  2. Почему важно нормальное распределение. Нормальное распределение важно, потому что это очень распространенное распределение для реальных данных. Он используется в самых разных областях, включая статистику, инженерию и финансы. Он используется для моделирования оценок в классе, эксплуатационных расходов, удовлетворенности работой и многого другого. Его также можно использовать для расчета вероятностей, таких как вероятность того, что случайная величина попадет в определенный диапазон.
  3. Почему вас это должно волновать.В программном обеспечении мы часто полагаемся на приближения и упрощения, основанные на наших потребностях. Создание теоретически оптимального решения может оказаться неосуществимым, поэтому вы часто полагаетесь на стенограмму, чтобы что-то построить. Использование базового нормального распределения для моделирования будущей нагрузки/производительности может быть очень полезным для принятия правильных жертв. Если у вас есть большое количество независимых наблюдений, их среднее значение будет приблизительно иметь нормальное распределение. Вот несколько примеров, чтобы сделать вещи менее абстрактными:
  • Оценка времени, необходимого для запуска программы. Нормальное распределение можно использовать для оценки среднего времени выполнения программы + стандартное отклонение времени выполнения. Эта информация может быть использована для установления ожидаемых показателей производительности, распределения ресурсов и определения возможностей для улучшения.
  • Оценка количества ошибок, которые могут возникнуть в программе. Нормальное распределение также можно использовать для оценки среднего количества ошибок, которые могут возникнуть в программе.
  • Оценка количества пользователей, которые столкнутся с определенной ошибкой. Мы также можем использовать ее для оценки среднего количества пользователей, которые столкнутся с определенной ошибкой. Эта информация может использоваться для определения ожидаемого риска для программы. и определить области, в которых программа может быть улучшена. Если мы видим, что ROI исправления ошибки того не стоит (затраты на исправление ошибки высоки, а пользователей, которые будут с ней разбираться, мало), то оптимальным решением может быть просто игнорировать это. Этому методу посвящена целая Википедия, он называется алгоритмом страуса.

Это одна из самых важных концепций, которую вы должны добавить в свой пояс инструментов. Настоятельно рекомендуем изучить эту идею, чтобы узнать больше. Тем из вас, кто исследует идеи более подробно, мне нравится красивое видео от 3Blue1Brown (Grant Sanderson). Его видео великолепно, потому что оно рассказывает нам очень интересную историю об этом удивительном распределении, которое поможет вам больше оценить красоту обычных распределений.

Это все для этого произведения. Я ценю ваше время. Как всегда, если вы хотите поработать со мной или ознакомиться с другими моими работами, мои ссылки будут в конце этого письма/сообщения. «Если вам нравится то, что я пишу, я был бы очень признателен за анонимный отзыв. Вы можете бросить его здесь. И если вы нашли ценность в этой статье, я был бы признателен, если бы вы поделились ею с большим количеством людей. Рекомендации из уст в уста, такие как ваши, помогают мне расти.

Сэкономьте время, энергию и деньги, просмотрев все эти видео, курсы, продукты и "тренеров" и легко найдя все, что вам нужно, в одном месте Технологии стали проще! Оставайтесь на шаг впереди в области искусственного интеллекта, разработки программного обеспечения и технической отрасли с помощью экспертных идей, советов и ресурсов. Скидка 20 % для новых подписчиков, перешедших по этой ссылке. Подпишитесь сейчас и упростите свое путешествие в мир технологий!

Использование этой скидки снизит цены-

800 индийских рупий (10 долларов США) → 640 индийских рупий (8 долларов США) в месяц

8000 индийских рупий (100 долларов США) → 6400 индийских рупий (80 долларов США) в год (533 индийских рупии в месяц)

Получи скидку 20% на 1 год

Свяжитесь со мной

Воспользуйтесь ссылками ниже, чтобы ознакомиться с другим моим контентом, узнать больше о репетиторстве, связаться со мной по поводу проектов или просто поздороваться.

Небольшие фрагменты о технологиях, искусственном интеллекте и машинном обучении здесь

«Если вам нравится то, что я пишу, я был бы очень признателен за анонимный отзыв. Вы можете бросить его здесь.

Чтобы помочь мне понять вас, заполните этот опрос (анонимно)

Ознакомьтесь с другими моими статьями на Medium. : https://rb.gy/zn1aiu

Мой Ютуб: https://rb.gy/88iwdd

Свяжитесь со мной в LinkedIn. Подключаемся: https://rb.gy/m5ok2y

Мой Инстаграм: https://rb.gy/gmvuy9

Мой Твиттер: https://twitter.com/Machine01776819