视频配合文字解析:
https://www.bilibili.com/video/BV1DW41167vr?p=1&vd_source=52aa0aa2682c3170bfde2df48654b0dc机器学习-变分推断1(背景介绍)是机器学习-白板推导系列(十二)-变分推断(Variational Inference)的第1集视频,该合集共计5集,视频收藏或关注UP主,及时了解更多相关视频内容。https://www.bilibili.com/video/BV1DW41167vr?p=1&vd_source=52aa0aa2682c3170bfde2df48654b0dc变分推断(Variational Inference)解析-CSDN博客假设在一个贝叶斯模型中,xxx为一组观测变量,zzz为一组隐变量(参数也看做随机变量,包含在zzz中),则推断问题为计算后验概率密度P=(z∣x)P=(z|x)P=(z∣x)。根据贝叶斯公式,有:p(z∣x)=p(x,z)p(x)=p(x,z)∫p(x,z)dzp(z|x)=\frac{p(x,z)}{p(x)}=\frac{p(x,z)}{\int p(x,z)dz}p(z∣x)=p(x)p(x,z)=∫p(x,z)dzp(x,z)但是在实际应用中,可能由于积分没有闭式解,或者是指数级的计算复杂度_变分推断https://blog.csdn.net/u013602059/article/details/128133379机器学习之变分推断_布吉岛的一筐猪的博客-CSDN博客文章浏览阅读80次,点赞2次,收藏2次。概率模型的中心任务就是求潜变量的后验概率分布pZ∣X,以及关于该后验的期望。前者是推断,后者是决策。px∣X∫Zpx∣ZpZ∣XdZEpZ∣Xpx∣Z)]由此可见,对于后验概率分布的求解是十分重要的。。具体地,对于连续型随机变量,积分可能没有解析解,同时由于空间维度过高和被积函数复杂导致没有数值解;对于离散型随机变量,理论上是可以计算的,但是隐含状态的数量可能有指数多个,从而导致精确计算的计算代价过大。https://blog.csdn.net/weixin_45610907/article/details/132411674?ops_request_misc=&request_id=&biz_id=102&utm_term=%E5%8F%98%E5%88%86%E6%8E%A8%E6%96%AD&utm_medium=distribute.pc_search_result.none-task-blog-2~all~sobaiduweb~default-5-132411674.nonecase&spm=1018.2226.3001.4187
资源来自网络,歉侵删