本文总结了HIT模式识别与深度学习2022春期末的重点内容，涵盖了贝叶斯决策、聚类与降维、模式识别系统、多层感知器、卷积神经网络、时序神经网络、GAN以及学习准则等多个主题。讨论了贝叶斯分类器的判别准则、PCA与Fisher线性判别的区别、LSTM与GRU的区别、Wasserstein GAN的改进以及小样本学习的应用等关键知识点。
HIT模式识别与深度学习2022春期末
一 贝叶斯决策
-
已知两个类别的条件概率密度函数,分别为指数分布和高斯分布
p ( x ∣ ω 1 ) = { 2 e − 2 x , x ≥ 0 0 , x < 0 p ( x ∣ ω 2 ) = 1 2 2 π e − ( x − 2 ) 2 8 已 知 先 验 为 : p ( ω 1 ) = 3 4 , p ( ω 2 ) = 1 4 p(x|\omega_1)=\left\{\begin{matrix} 2e^{-2x},x\ge0\\ 0,x<0 \end{matrix}\right.\\ p(x|\omega_2)=\frac{1}{2\sqrt{2\pi}}e^{-\frac{(x-2)^2}{8}}\\ 已知先验为:p(\omega_1)=\frac{3}{4},p(\omega_2)=\frac{1}{4}\\ p(x∣ω1)=
最低0.47元/天 解锁文章
1384
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
