$$ \newcommand\indep{\mathrel{\rlap{\perp}\mkern2mu{\perp}}} \newcommand\dep{\mathrel{\style{display: inline-block; transform: rotate(180deg)}{\indep}}} $$ 概率图模型(Graphical Model) 两个重要应用领域中的典型模型 建模 信念网络、马尔可夫网络、链图和影响图。 推理 因子图和联
阅读更多 →
$$ \newcommand\indep{\mathrel{\rlap{\perp}\mkern2mu{\perp}}} \newcommand\dep{\mathrel{\style{display: inline-block; transform: rotate(180deg)}{\indep}}} $$ 特殊证据 不确定证据(软证据) 决定了证据有多确定。 比如老奶奶对他看到的远处草坪上有一只猫只有50%的把握。 $$ \begin{align*} y =& 有一只猫 \\ \tilde{y} =&
阅读更多 →
$$ \newcommand\negrightarrow{\mathrel{\rlap{\;\,/}\rightarrow}} $$ 图 包含点和边。 边的类型 有向边 边有方向,用箭头表示。有向边构成的图为有向图。 无向边 无向边构成的图为无向图。 路径 $$ A \rightarrow B $$ $$ A_0, A_1, ..., A_{n-1}, A_n, \quad A_0
阅读更多 →
$$ \newcommand\indep{\mathrel{\rlap{\perp}\mkern2mu{\perp}}} \newcommand\dep{\mathrel{\style{display: inline-block; transform: rotate(180deg)}{\indep}}} $$ 归一化条件 $$ \sum_{x \in dom(x)} {p(\chi=x)=1} $$ 两个变量可以互相交互 $$ p(x\ or\ y) = p(x) + p(y) - p(x, y) $$ 集合符号表示 $$ p(x\ or\ y) \equiv p(x \cup y) $$ $$ p(x, y) \equiv p(x \cap y) $$ 边缘分布 $$ p(x) =
阅读更多 →
天亮堂得很,屋子前面两个水塘里面还有几只鸭子在嬉戏。 “嘎嘎” 鸭子的声音,我很熟悉。他们在水中游来游去,荡起一圈圈的水纹——但水面上满是浮萍,
阅读更多 →
简述 前面介绍了人工神经网络的表示,了解了如何利用神经网络预测结果。但我们还不知道如何训练神经网络,确定轴突的权值。 即将介绍的反向传播(bac
阅读更多 →
非线性预测 对一个拥有很多特征的复杂数据集进行线性回归是代价很高的。比如我们对50 * 50像素的黑白图分类,我们就拥有了2500个特征。如果我们
阅读更多 →
多类分类问题 前面我们都是说的二元分类问题,如果数据具有多个类别该怎么办呢?比如天气情况:晴天、多云、小雨、中雨…… 我们可以想到,直接做出一个
阅读更多 →