一、凸优化 1、概念 1.1仿射集定义 1.2 凸集 1.3 锥定义 2、凸优化 二、贝叶斯网络 2.1通过贝叶斯网络判定的条件独立 (1）形式1：head-to-head (2) 形式2：tail-to-tail (3) 形式3：head-to-tail 三、SVD奇异值分解 3.1 奇异值分解 例子： 3.2 SVD概念及理解 一、凸优化 1、概念 两个正数的算术平均数大于等于几何平均数：
超级会员免费看
本文深入介绍了机器学习中的关键概念：凸优化、贝叶斯网络和奇异值分解（SVD）。对于凸优化，讲解了凸集、凸函数和凸锥的概念。贝叶斯网络部分探讨了条件独立的三种形式，并解释了其在概率推理中的应用。SVD部分则阐述了奇异值分解的计算流程和在数据降维中的作用。
订阅专栏 解锁全文
扫一扫
503
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
