<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[zhoudinglive的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/carpentercc</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; carpentercc]]></copyright><item><title><![CDATA[非Root服务器环境下安装Python及远程jupyter]]></title><link>https://blog.youkuaiyun.com/carpentercc/article/details/87966703</link><guid>https://blog.youkuaiyun.com/carpentercc/article/details/87966703</guid><author>carpentercc</author><pubDate>Wed, 27 Feb 2019 13:15:15 +0800</pubDate><description><![CDATA[非Root服务器环境下安装Python及远程Jupyter
文章目录非Root服务器环境下安装Python及远程Jupyter1、安装Python32、安装Jupyter3、安装tensorflow-gpu
1、安装Python3


前往python版本库找到需要的版本路径；


通过wget命令下载Python包，我这里选择的是python-3.6.5；
$ wget https://www....]]></description><category></category></item><item><title><![CDATA[Chapter 09 Mixture Models and EM]]></title><link>https://blog.youkuaiyun.com/carpentercc/article/details/83512740</link><guid>https://blog.youkuaiyun.com/carpentercc/article/details/83512740</guid><author>carpentercc</author><pubDate>Mon, 29 Oct 2018 22:31:01 +0800</pubDate><description><![CDATA[Chapter 09 Mixture Models and EM

本章《PRML》主要介绍的概念是期望最大化算法(Expectation Maximization Algorithm, EM)，该方法主要用于含有隐变量(latent variable)的概率模型参数的极大似然估计。混合高斯模型即是利用EM算法进行的计算。
文章目录Chapter 09 Mixture Models and EME...]]></description><category></category></item><item><title><![CDATA[PRML Chapter 08 Graphical Models]]></title><link>https://blog.youkuaiyun.com/carpentercc/article/details/83304878</link><guid>https://blog.youkuaiyun.com/carpentercc/article/details/83304878</guid><author>carpentercc</author><pubDate>Tue, 23 Oct 2018 21:57:20 +0800</pubDate><description><![CDATA[PRML Chapter 08 Graphical Models

本章主要介绍了两种主流的概率图模型，概率图模型是一种将概率分布运用图进行表示的模型。通常一个图由节点集(nodes)和边集(edges)组成，在概率图模型(probabilistic graphical models)中，每个节点表示一个随机变量或一组随机变量，而节点之间的边表示变量之间的概率关系。这样的模型有几个有用的性质，

...]]></description><category></category></item><item><title><![CDATA[PRML Chapter 07 Sparse Kernel Machines]]></title><link>https://blog.youkuaiyun.com/carpentercc/article/details/83143289</link><guid>https://blog.youkuaiyun.com/carpentercc/article/details/83143289</guid><author>carpentercc</author><pubDate>Thu, 18 Oct 2018 11:37:22 +0800</pubDate><description><![CDATA[PRML Chapter 07 Sparse Kernel Machines
第六章提到的核函数和核方法，有一个显著的问题，即核函数k(xn,xm)k(x_n,x_m)k(xn​,xm​)必须对所有的数据点都进行求值，这对于训练阶段是不可接受的，对于预测阶段，同样也是不可以接受的。因此，我们可以考虑使用稀疏核机(Sparse kernel machines)，这种方法的一个典型特征是训练得到的模型...]]></description><category></category></item><item><title><![CDATA[PRML Chapter 06 Kernel Methods]]></title><link>https://blog.youkuaiyun.com/carpentercc/article/details/83085858</link><guid>https://blog.youkuaiyun.com/carpentercc/article/details/83085858</guid><author>carpentercc</author><pubDate>Wed, 17 Oct 2018 16:56:35 +0800</pubDate><description><![CDATA[PRML Chapter 06 Kernel Methods

文章目录PRML Chapter 06 Kernel MethodsIntroductionDual RepresentationsConstructing KernelsRadial Basis Function NetworksGaussian Process
Introduction

核方法(kernel methods)，与...]]></description><category></category></item><item><title><![CDATA[PRML Chapter 05 Neural Networks]]></title><link>https://blog.youkuaiyun.com/carpentercc/article/details/82947515</link><guid>https://blog.youkuaiyun.com/carpentercc/article/details/82947515</guid><author>carpentercc</author><pubDate>Tue, 09 Oct 2018 11:14:56 +0800</pubDate><description><![CDATA[PRML Chapter 05 Neural Networks

《PRML》第三章和第四章提到的线性回归模型和线性分类模型，都采用了固定的基函数形式，这些模型具有一些有用的分析性质和计算性质，然而实际应用中往往会遇到维数灾难的问题，模型的复杂度往往会随着输入向量的维度DDD而增长，导致模型不再可用，因此，神经网络的提出即为解决这一问题。
文章目录PRML Chapter 05 Neural Ne...]]></description><category></category></item><item><title><![CDATA[PRML Chapter 04 Linear Models for Classification]]></title><link>https://blog.youkuaiyun.com/carpentercc/article/details/82799919</link><guid>https://blog.youkuaiyun.com/carpentercc/article/details/82799919</guid><author>carpentercc</author><pubDate>Sun, 23 Sep 2018 17:18:47 +0800</pubDate><description><![CDATA[PRML Chapter 04 Linear Models for Classification

本章的内容主要围绕在基础的线性分类模型上，从判别式模型(discriminative models)的角度介绍了最小平方和、Fisher判别式、感知机三种常用方法，以及logistic regression(虽然叫回归，但是是一种分类算法)等；从生成式模型(generative models)则主要...]]></description><category></category></item><item><title><![CDATA[PRML Chapter 03 Linear Models for Regression]]></title><link>https://blog.youkuaiyun.com/carpentercc/article/details/82632209</link><guid>https://blog.youkuaiyun.com/carpentercc/article/details/82632209</guid><author>carpentercc</author><pubDate>Sat, 15 Sep 2018 16:07:50 +0800</pubDate><description><![CDATA[PRML Chapter 03 Linear Models for Regression



本章主要介绍了监督学习中的基本模型——线性回归模型，即对给定的DDD维输入，输出一个或者多个连续的目标变量ttt，如第一章介绍的多项式拟合模型即是一种简单的线性回归模型。



PRML Chapter 03 Linear Models for Regression
Linear Basis Funct...]]></description><category></category></item><item><title><![CDATA[PRML Chapter 02 Probability Distributions]]></title><link>https://blog.youkuaiyun.com/carpentercc/article/details/82224053</link><guid>https://blog.youkuaiyun.com/carpentercc/article/details/82224053</guid><author>carpentercc</author><pubDate>Sun, 02 Sep 2018 15:33:35 +0800</pubDate><description><![CDATA[PRML Chapter 02 Probability Distributions



本章的内容，主要是对概率论中概率分布的概念进行的扩展，介绍了常见的概率分布。概率分布的一个重要作用是通过仅有的几个参数对模型进行控制，进而完成对数据的描述。本章主要介绍的内容有，二项分布、多项分布、高斯分布、指数族、非参数方法等。



PRML Chapter 02 Probability Distribu...]]></description><category></category></item><item><title><![CDATA[PRML Chapter 01 Introduction]]></title><link>https://blog.youkuaiyun.com/carpentercc/article/details/81871874</link><guid>https://blog.youkuaiyun.com/carpentercc/article/details/81871874</guid><author>carpentercc</author><pubDate>Tue, 21 Aug 2018 18:05:38 +0800</pubDate><description><![CDATA[PRML Chapter 01 Introduction



最近油管上的Siraj Raval小哥发起了一个“100 Days of ML Code Challenge”的活动，在Gayhub上也得到了众多程序员的响应，因此，本系列将以PRML为Base，在100天内，由浅入深，从定义、公式推导到代码实现等几个方面以综述的形式对ML进行学习。 
第一章PRML通过一些例子对机器学习与模式识别的...]]></description><category></category></item></channel></rss>