Ch02

C02. 密度估计——参数法2.4 Bayes 估计 ...
2023-10-20

preface

全书总评书本印刷质量 : 4 星PDF 打印，非影印版，字迹清楚，图片清晰。 英文版 排版更利于阅读，请到这里 2006 年版 下载 文中错误需要修正文件，否则会影响理解。 中文版 排版有点紧凑，错误较少，但是中文版的数学符号不如英文版的规范 译者已经将英文版中的错误进行了修订。但是，译文 ...
2023-10-20

Ch14

C14. 组合模型要点 14.2 使用委员会模型：基于所有模型给出的预测的平均值进行预测 14.3 使用 Boosting 方法，它是委员会模型的重要变体。这种方法按顺序训练多个模型，其中用来训练的一个特定模型的误差函数依赖于前一个模型的表现。与单一模型相比，这个模型可以对性能产生显著的提升 14 ...
2023-10-20

Ch10

C10. 近似推断因为隐变量的数量可能有指数多个，精确计算的代价过高，因此需要借助近似方法。 常用的近似方法 随机近似：Markov Monte Carlo 方法（C11）给定无限的计算资源，可以生成精确的结果，但是在实际应用中多处理小规模数据的问题。 确定近似：基于对后验概率分布的解析近似，无法 ...
2023-10-20

Ch09

C09. 混合模型的 EM 算法S09. 前言 重点 用于混合高斯模型的 EM 算法 难点 EM 算法的不同视角 学习基础 $K$ 均值聚类 EM 算法 混合高斯模型（S2.3.） 学习要点 两类隐变量模型 离散的隐变量模型应用于表示混合概率分布 连续的隐变量模型的应用在（C12）介绍 ...
2023-10-20

Ch07

C07. 稀疏核机S07. 前言 重点 支持向量机 ( Support Vector Machine, SVM ) 相关向量机 ( Relevance Vector Machine, RVM ) 难点 用于分类的 SVM 用于回归的 RVM 学习基础 最优化理论 二次规划 对偶表示 Lagr ...
2023-10-20

Ch06

C06. 核方法S06. 前言 重点 径向基函数 高斯过程 难点 高斯过程 学习基础 Laplace 逼近 线性规划的对偶理论和 Lagrange 学习要点 通过将对偶性的概念应用于回归的非概率模型，引出了核的概念 通过在概率判别式模型中使用核，引出了高斯过程的框架 对偶表示：许多线性参 ...
2023-10-20

Ch05

Ch 05. 神经网络提纲重点 前向传播的神经网络函数 难点 Hessian 矩阵的逼近。 基础 固定基函数- 回归模型： ( Ch 03 )- 分类模型： ( Ch 04 ) 要点大规模问题需要可调节基函数 支持向量机： Ch 07 ( 选择不同的基函数 ) 定义以训练数据点为中 ...
2023-10-20

Ch04

Ch 04. 分类的线性模型提纲重点 广义的线性模型 概率模型 ( 注意公式的推导 ) 概率生成式模型 ( Sec 4.2 ) 概率判别式模型 ( Sec 4.3 ) 迭代重加权最小平方 Laplace 近似 难点 Logistic 回归模型 Probit 回归模型 贝叶斯 Logistic ...
2023-10-20

Ch03

C03. 线性分类器3.1 引言线性分类器的设计，其优点是简单和可计算性 3.2 线性判别函数和决策超平面二分类问题 线性判别函数 $g(\text{x})=\text{w}^T\text{x}+w_0=0$ $\text{w}=(w_1,\cdots,w_l)^T$ ...
2023-10-20
1234…33