总结 5.12

今天学了计算机组成原理,把浮点数和ieee754标准搞明白了一些,首先一般的浮点数形式是左边是阶码,右边是数,然后第一位都是符号位,而754不同的点在于引进符号位,然后取消了阶码和数内部的符号,阶码用移码来表示,移码的计算方式是真值加上一个偏移值,对32位浮点数来说是127.

然后学了数学,首先是学了常数项级数的敛散性的判断,了解了判断敛散性的五种方法,分别是比较判别和比较判别的极限形式,这种方法使用普遍但比较难用,然后是比值和根值判别,一般用在出现a的n次方,n的阶乘之类上面,这种适用范围窄但使用简单。然后学习了交错级数,使用莱布尼茨判断,要求是un具有单调递减并且极限为零。然后是绝对收敛和条件收敛,当绝对收敛时一定条件收敛,然后条件收敛的所有正项或负项级数相加起来一定发散。这一章的例题主要是判断是否发散,还有一些判断哪个是对的题目,这种最好直接法。

相关推荐
computersciencer5 天前
贝叶斯入门:由全概率公式引出贝叶斯公式
笔记·数学建模·概率论
computersciencer5 天前
应用贝叶斯公式:迟到了,那坐的是哪种交通工具呢?
算法·机器学习·概率论
FPGA信号处理14 天前
【应用随机过程】:更新过程与马尔可夫链入门
算法·概率论
金色光环17 天前
【概率论详细笔记】泊松分布是怎么来的?应该怎么用?
笔记·概率论
Samson Bruce19 天前
【数学之美】
线性代数·算法·概率论
程序猿阿森20 天前
【机器学习实战】朴素贝叶斯算法详解:从概率基础到商品评论情感分析
算法·机器学习·概率论
坐看风云变幻23 天前
《飞控数学与控制 · 新手入门连载》第 4 期|概率论与高斯分布:为什么 IMU 永远“测不准“
概率论
努力努力再努力wz24 天前
【机器学习入门系列】从随机事件到正态分布:一文梳理概率论的核心知识
人工智能·机器学习·概率论
没有钱的钱仔1 个月前
最大似然估计(MLE)通俗理解
算法·机器学习·概率论
FPGA信号处理1 个月前
【信号检测与估计】第一次作业:无偏性、均方误差与最小方差无偏估计
人工智能·机器学习·概率论