hjhomw的博客

简介 贝叶斯网络是一种概率网络，它是基于概率推理的图形化网络，而贝叶斯公式则是这个概率网络的基础。贝叶斯网络是基于概率推理的数学模型，所谓概率推理就是通过一些变量的信息来获取其他的概率信息的过程，基于概率推理的贝叶斯网络(Bayesian network)是为了解决不定性和不完整性问题而提出的，它对于解决复杂设备不确定性和关联性引起的故障有很大的优势，在多个领域中获得广泛应用。 贝叶斯网络又称信

一 自组织竞争神经网络 net=newc([0 1;0 1],2) 1. 网络结构 单层神经元网络 输入节点与输出节点之间全互联 竞争是神经元之间的竞争；当神经元赢时，该神经元输出为1，否则为0。 2. 训练过程 权值调整――Kohonen学习规则：dw=learnk(w,p,[],[],a,[],[],[],[],[],lp,[]); 只对获胜的神经元权值进行调整，使得网络的权值趋

度量学习也可以认为是相似度。knn最合适的是学习马氏距离，怎么学？要给出先验知识，哪两个数据更相似，欧式距离不可靠。SVM也是metric learning的一种，因为kernel matrix就是相似度。state of art的metric learning方法LMNN，有代码可以下载。也未必效果最好，用得很多，因为有代码。度量就是相似度，任何方法只要用到相似度，就可以用到度量学习。度量学习主流

机器学习入门资源不完全汇总： http://ml.memect.com/article/machine-learning-guide.html#%E8%AE%BA%E5%9D%9B%E7%BD%91%E7%AB%99http://qianjiye.de/2014/11/machine-learning-resources值得收藏的机器学习资源 http://blog.youkuaiyun.com/vbskj

蒙特卡罗算法并不是一种算法的名称，而是对一类随机算法的特性的概括。那么“蒙特卡罗”是一种什么特性呢？我们知道，既然是随机算法，在采样不全时，通常不能保证找到最优解，只能说是尽量找。那么根据怎么个“尽量”法儿，我们我们把随机算法分成两类：蒙特卡罗算法：采样越多，越接近最优解；(强调每一个iteration都在进步，提高的过程) 拉斯维加斯算法：采样越多，越有可能找到最优解；(强调直接想要最优解)举个