变分推断（Variational Inference）笔记

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​∫Z​px∣ZpZ∣XdZEpZ∣X​px∣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