孔明对《Pattern Recognition and Machine Learning》的笔记(15)
孔明 (Find it yourself.)
-
第434页 9. Mixtures models and EM
不明白这段话,做个标记。
-
第703页 Appendix D. Calculus of Variations
对于Python来说,functional是参数为函数的函数~
-
第186页 第4章 Linear models for classification
对于最简单的
($$ y = w^Tx $$)来说,其实是($w$)将D维的($x$)降到了1维,也就是一个标量。这里可以跟PCA比较。 有意思的思考角度!
-
第303页 6. Kernel Methods
The Bayesian viewpoint: everything has a distribution.
-
第305页 6. Kernel Methods
关于高斯过程(Gaussian Process): 对于linear regression来说,高斯过程相当与是对输出y写出了一个分布(后面将其作为y的先验),在假设y的均值为0的情况下,y的协方差矩阵是一个gram矩阵。假设有N个样本,那么gram矩阵的大小是N*N,那么y的维数应该是N,所以说,如果从这个高斯过程中采样,得到的y的维度就只能是N了么?
-
第389页 8. Graphical Models
在这个经典的MRF应用的例子中,Bishop大神还是没能说清楚为什么clique ($\{x_i, y_i\}$) 和 ($\{x_i, x_j\}$)对应的energy function是($-\eta x_iy_i$)和($-\beta x_ix_j$),还有为什么要添加($hx_i$)这一项。 potential function的定义还真是随意啊!如果使用其他的能量函数,也能达到image denoising的效果么?
-
第373页 8. Graphical Models
终于,我可以说,我对D-分离(D-separation)有个比较完整的了解了。 第一次听说是在研一的人工智能课上,老师把自己讲糊涂了(呵呵。。。)。当时没有意识到D-分离的重要性,所以我也就得过且过。考试前突击时发现要考,还在网上搜索关于D-分离的介绍,考试中蒙混过关。 第二次是去年,模式识别课上老师详细介绍了D-分离的三种情况,但是并没有说明为什么是这三种情况,我还以为是人为定义呢。。。 这一次理解就是通过PRML这本书,Bishop大神将D-分离的来龙去脉讲的非常清晰,从三个例子入手,通过概率公式,而且同时考虑conditioning variables是否可见(observed),将D-分离和条件独立连接起来。
-
第89页 2. Probability distributions
今天重新读Gaussian distribution部分,严格按照书中的思路手工进行推导(不包括习题),感慨conditional Gaussian distribution和marginal Gaussian distribution的结果之美。
-
第120页 2. Probability Distributions
关于non-parametric methods: non-parametric和parametric方法是两种概率密度估计方法,两者的不同是:parametric方法“having specific functional forms governed by a small number of parameters whose values are to be determined from a data set.”,例如Gaussian中的均值和方差参数,相反,non-parametric方法则不包含控制概率密度函数的参数,如KDE、k近邻等。 注意,non-parametric方法也可能含参数,例如k近邻方法中的k,只不过这里的k并不控制概率密度函数的形式(functional form)。 关于这两者,虽然提到它们的次数很多,但根据我的经验,很多人说不明白它们之间的不同。
-
第228页 5. Neural Networks
NN和Graphical models的区别:
孔明的其他笔记 · · · · · · ( 全部135条 )
- 自然语言处理:基于预训练模型的方法
- 1
- 一本书读懂Web3.0:区块链、NFT、元宇宙和DAO
- 1
- Tensorflow:实战Google深度学习框架
- 3
- 机器学习
- 4
- 计算机程序的构造和解释(原书第2版)
- 15
- 人类简史
- 1
- Programming Scala
- 3
- 计算机程序设计艺术(第3卷 英文版·第2版)
- 1
- The C Programming Language
- 3
- 算法导论(原书第2版)
- 5
- 编程珠玑
- 3
- The Elements of Statistical Learning
- 11
- 房地产的繁荣与萧条
- 2
- Matplotlib for Python Developers
- 1
- MongoDB权威指南
- 1
- Foundations of Machine Learning
- 4
- 伟大的博弈
- 1
- 深入理解计算机系统(原书第2版)
- 20
- 学术研究,你的成功之道
- 1
- Learning Deep Architectures for AI
- 1
- 模式分类
- 5
- 时间的形状
- 1
- 我编程,我快乐
- 3
- 史蒂夫·乔布斯传
- 5
- C陷阱与缺陷
- 3
- Gaussian Processes for Machine Learning (Adaptive Computation and Machine Learning)
- 1
- 上帝掷骰子吗?
- 3
- 七周七语言
- 2
- 统计自然语言处理
- 1
- 人工智能
- 1
- 软件随想录
- 1
- The Art of R Programming
- 4
- 松本行弘的程序世界
- 1
- Facebook效应
- 2
- Python基础教程(第2版)
- 5