10 2019 档案

理解频率派和贝叶斯派
摘要：频率派 $vs$ 贝叶斯派 一、前言 1. 在使用各种概率模型时，比如极大似然估计 $logP(X|\theta)$，已经习惯这么写了，可是为什么这么写？为什么X在前，为什么 $\theta$ 在后，分别代表了什么？这些更深一层的逻辑和理由不是特别清晰，故此梳理一下频率派与贝叶斯派的区别。 2. 本 阅读全文
posted @ 2019-10-12 19:23 SpringC 阅读(3692) 评论(0) 推荐(0)
遵循统一的机器学习框架理解高斯混合模型（GMM）
摘要：遵循统一的机器学习框架理解高斯混合模型（GMM） 一、前言 1. 我的博客仅记录我的观点和思考过程。欢迎大家指出我思考的盲点，更希望大家能有自己的理解。 2. 本文参考了网络上诸多资料，特别是B站UP "shuhuai008" 的视频，讲解东西也是我最喜欢的方式：从多个角度阐述和理解问题。 二、理解 阅读全文
posted @ 2019-10-08 12:06 SpringC 阅读(923) 评论(0) 推荐(0)
Markdown写作
摘要：Markdown写作相关（持续更新） 在使用markdown写作的过程中，有时候会遇到一些公式或者语法问题，直接在网上查询资料会出来太多太多，总是需要筛选。因此在这里做一个资料汇总，需要时直接查询即可。 "查询 数学公式" 阅读全文
posted @ 2019-10-07 22:51 SpringC 阅读(207) 评论(0) 推荐(0)
EM算法之不同的推导方法和自己的理解
摘要：EM算法之不同的推导方法和自己的理解 一、前言 EM算法主要针对概率生成模型解决 具有隐变量的混合模型的参数估计 问题。 对于简单的模型，根据极大似然估计的方法可以直接得到解析解；可以在具有隐变量的复杂模型中，用MLE很难直接得到解析解，此时EM算法就发挥作用了。 E步解决隐变量的问题，M步求解模型 阅读全文
posted @ 2019-10-07 21:58 SpringC 阅读(487) 评论(0) 推荐(0)
遵循统一的机器学习框架理解逻辑回归
摘要：遵循统一的机器学习框架理解逻辑回归 标签： 机器学习 LR 分类 一、前言 1. 我的博客仅记录我的观点和思考过程。欢迎大家指出我思考的盲点，更希望大家能有自己的理解。 2. 本文参考了网络上诸多资料。 二、理解 统一的机器学习框架(MLA)： 1.模型(Model) 2.策略(Loss) 3.算法 阅读全文
posted @ 2019-10-04 17:59 SpringC 阅读(434) 评论(0) 推荐(0)
遵循统一的机器学习框架理解SVM
摘要：遵循统一的机器学习框架理解SVM 一、前言 1. 我的博客仅记录我的观点和思考过程。欢迎大家指出我思考的盲点，更希望大家能有自己的理解。 2. 本文参考了李宏毅教授讲解SVM的课程和李航大大的统计学习方法。 二、理解 统一的机器学习框架(MLA)： 1.模型(Model) 2.策略(Loss) 3. 阅读全文
posted @ 2019-10-03 15:10 SpringC 阅读(584) 评论(0) 推荐(0)