$$ \newcommand\indep{\mathrel{\rlap{\perp}\mkern2mu{\perp}}} \newcommand\dep{\mathrel{\style{display: inline-block; transform: rotate(180deg)}{\indep}}} $$ 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 →
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 →
简化的代价函数 还记得上次的代价函数的Octave/MATLAB代码嘛： function [J, grad] = costFunction(theta, X, y) m = length(y); % number of training examples h = sigmoid(X * theta); J = 1 / m * (-y' * log(h) - (1 - y)' * log(1
阅读更多 →