贝叶斯推理与机器学习(四)概率图模型

分类: 机器学习
$$ \newcommand\indep{\mathrel{\rlap{\perp}\mkern2mu{\perp}}} \newcommand\dep{\mathrel{\style{display: inline-block; transform: rotate(180deg)}{\indep}}} $$ 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 →

贝叶斯推理与机器学习(三)信念网络

分类: 机器学习
$$ \newcommand\indep{\mathrel{\rlap{\perp}\mkern2mu{\perp}}} \newcommand\dep{\mathrel{\style{display: inline-block; transform: rotate(180deg)}{\indep}}} $$ 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 →

贝叶斯推理与机器学习(一)概率推理基础

分类: 机器学习
$$ \newcommand\indep{\mathrel{\rlap{\perp}\mkern2mu{\perp}}} \newcommand\dep{\mathrel{\style{display: inline-block; transform: rotate(180deg)}{\indep}}} $$ 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 →