Ugly Gardon

标签： 机器学习线性回归模型线性，即关于参数的线性函数；回归，表示需要预测的量是连续的。建模后可以对任意未知的变量求出目标量，或者是目标的概率分布以表示结果的不确定性。线性基函数模型y(x⃗ ,w⃗ )=w0+∑wjϕj(x⃗ )y(\vec x, \vec w) = w_0 +\sum w_j \phi_j (\vec x)其中ϕj(x⃗ )\phi_j (\vec x)为基函数，参数w中有w0w

标签： 机器学习一直没有勇气看这本书的英文，直到翻译了一篇论文以后，发现看英文其实只要抓关键词理解就可以明白个大概。再次感谢扇贝帮助我复习词汇，以及PRML中文翻译的PDF……前言第一章作为绪论部分，对机器学习需要的基础知识作了铺垫，从课后的习题来看，需要用到高等数学、数学分析、概率与统计等一大波数学知识，这本书在做题时会引导性地给出证明过程，很友好。 以这些知识为基础，主要介绍了概率论、决策论、

标签： 机器学习线性分类模型分类的目标是将输入变量 x 分到 K 个离散的类别CkC_k中的某一类。线性分类模型中决策面是x的线性函数，为 D 维输入空间中的 (D − 1) 维超平面。采用决策论分类时，也是要先推断（即训练学习）再做决策。有三种方法得到决策：判别函数，不用概率，直接定义函数进行分类生成式法：∑p(x,Ck)→p(x)→p(x|Ck)→p(Ck|x)\sum p(x,C_k)→p

标签： 机器学习重点：条件独立和概率分解和积算法最大和算法图模型概率论可以使用两个简单的方程(加和规则和乘积规则)表示，可以完全通过代数计算来对更加复杂的模型进行建模和求解。概率图模型是可以用来帮助分析的工具，它提供了几个有用的性质:将概率模型的结构可视化，可以用于设计新的模型。通过观察图形，可以更深刻地认识模型的性质，如条件独立性质。用图计算表达复杂计算，隐式地承载了数学表达式。类

标签： 机器学习概率分布这章主要介绍一些常用的分布模型。 对于变量x的N次观测形成独立同分布的向量x⃗ =(x1,...,xN)\vec x=(x_1,...,x_N)，以此对x做一个密度估计，求出p(x)p(x). 密度估计⎧⎩⎨⎪⎪⎪⎪参数方法⎧⎩⎨⎪⎪给出分布形式，通过最大似然、最大后验等调整参数大小（多为指数族分布）    离散变量：二项式、多项式分布    连续变量：Gauss分布非参

这是一篇发布在 Nature 上面的文章，作为计算机研究僧，其实不怎么了解 Nature 那一套，然而这篇文章，仅仅是介绍什么叫 HMM ，就光荣发布了，当时距离 HMM 被提出应该也有十几二十年了吧，隔行如隔山，看来生物领域还是很需要计算机专业的人才。稍微扯一点，最近在看《未来简史》，作者在书中就有一个看法，以后人类的发展就要靠计算机和生物科学家，人脑是计算机，而计算机也是人脑。文章来自 ...

英文转载自 andrew.cmu.eduContentsHistory and MotivationD-separation Explained, with AppletFormal Definition of D-separation, with Applet中文小结（当然是我写的）ReferencesHistory and MotivationIn the early 19...