机器学习
关注
分享
扫一扫
werweqg
每天进步一点点。
展开
-
理解EM算法
0 简述EM算法应对的问题随机变量X={Y,Z}中Y为观测变量，存在一部分不能直接观测的变量Z，因此不能直接使用最大似然方法估计参数。EM基本思路<1>[Expectation] 直接假设分布参数的初始值，求隐变量Z期望,从而"补全"不完全观测数据，相当于得到了完全变量X的观测样本。<2>[Maximization] 利用最大似然估计更新假设参数，并迭代<1...原创 2019-05-24 18:07:27 · 228 阅读 · 0 评论 -
理解PCA
0.精简<1>数据投影越分散的方向，代表数据差异越大，即特征越明显。<2>方差可以用来代表分散程度，协方差用于保证不同方向的正交性。<3>协方差矩阵的对角化可以达到在变换方向方差最大，且协方差为0,即保证正交。1.PCA用途PCA全称Principal Component Analysis，即主成分分析。其通过 线性变换，将原始数据变换为一组 线性无关...原创 2019-06-13 15:59:59 · 274 阅读 · 0 评论 -
Andrew Ng 机器学习要点
第二周主题：梯度下降的一些技巧<1>特征处理：使得梯度下降更快。（1）特征缩放：将特征缩放到相同范围（2）均值正规化：将特征处理为0均值。<2>学习速率选择：DEBUG方法 绘制cost 相对于迭代步数的下降曲线如果cost随着迭代次数上升或者振荡，而不收敛，有可能是学习率过大。cost随着迭代次数增加下降得非常缓慢，则可能是学习率设置的过下。<3&g...原创 2019-09-02 18:56:56 · 166 阅读 · 0 评论 -
强化学习笔记1 基本概念
1.强化学习方法汇总分类一：无模型方法Model-Free RLQ-LearningSarsaPolicy Gradients通过环境反馈来决定行动Model-Based RL分类二基于概率 可用于连续动作 Policy Gradients基于价值方法分类三回合更新单步更新分类四在线学习 sarsa离线学习 Q-Learning DQN2.技能前提Open...原创 2019-09-11 18:37:38 · 128 阅读 · 0 评论