- 博客(12)
- 收藏
- 关注
原创 Probabilistic Graphical Models 4 Structured CPDs
==================Overview: Structured CPDs============ 1.缺点:当父节点多时(k个),整个表有2^k这么多项! 2.有好多其他可选择的方法 3.条件相互独立性 4.小例子 ================Tree-Structured CPDs================ 1.注意:中间节
2013-03-04 10:06:57 404
原创 Stanford机器学习---第十六讲. PHOTO ORC
===========Problem Description and Pipeline ============== ============Sliding Windows=============== 瘦点排除 =============Getting Lots of D
2013-02-27 11:53:34 384
原创 Probabilistic Graphical Models 3 Template Models
===============Template Models============= ==================DBN=============== ===============hmm============== ===========
2013-02-27 10:47:44 346
原创 Probabilistic Graphical Models 2 Bayesian Network Fundamentals
================Semantics & Factorization============ 1.第一个简单贝叶斯网络 ==============Reasoning Patterns============== ===
2013-02-26 15:28:43 424
原创 Probabilistic Graphical Models 1 简介
============Overview and Motivation============ 1.用图论+概率来解决 2.应用 =============Distributions============= ============================Factors
2013-02-24 10:47:34 917
原创 Stanford机器学习---第十五讲. 大规模机器学习
============Learning With Large Datasets============ 1.数据为王 2.当M 很大时,梯度下降每一步的代价都很大。 若为左图,再添加更多数据没问题,但若为右图,则若想添加更多特征,先考虑 增加更多隐含层(神经网络)或增加更多特征,来解决HIGH BIAS问题。 ==============Stochastic Gra
2013-02-22 16:32:29 482
原创 Stanford机器学习---第十四讲. 推荐系统
===============Problem Formulation================ 1.推荐系统自动学习哪些特征是重要的。对下图来说, 是推测出打?号(没看过)的该得多少分。注意:是对特定的 用户推荐。特定的用户有特定的爱好。 =================Content Based Recommendations======================
2013-02-22 09:45:27 666
原创 神经网络6--离散Hopfield神经网络
% ------------------------standard number array----------------------- one=[-1 -1 -1 -1 1 1 -1 -1 -1 -1;-1 -1 -1 -1 1 1 -1 -1 -1 -1;... -1 -1 -1 -1 1 1 -1 -1 -1 -1; -1 -1 -1 -1 1 1 -1 -1 -1 -1;.
2013-02-21 11:42:10 895
原创 Stanford机器学习---第十三讲. 异常检测---此讲综合应用了所有以往知识
=============问题描述============ ====================高斯分布=================== ==============检测算法================== ===============具体实现=====用评估算法来确定参数的选择=========
2013-02-19 15:58:15 732
原创 Stanford机器学习---第十二讲. 数据降维
===============Motivation I: Data Compression================= 1.降维后,需要的数据存储量大大减少。内存、硬盘空间,程序速度优化。 =================MotivationII: Visualization====== 1.可视化一般降到2或3维 ===主成分分析Princ
2013-02-19 09:10:24 682 1
原创 旧笔记-----http://blog.csdn.net/linuxcumt
博客空间问题,新笔记移到http://blog.csdn.net/linuxcumt1
2013-02-19 08:52:59 298
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人