Nietzsche2015-CSDN博客

原创 Pattern Recognition And Machine Learning读书会前言

Pattern Recognition And Machine Learning读书会各章讲稿的内容简介和博文的链接索引。

2015-02-03 15:50:45 2761

原创 PRML读书会第十四章 Combining Models（committees，Boosting，AdaBoost，决策树，条件混合模型）

最后一章Combining Models，由‘网神’主讲，精彩内容有：committees；Boosting、AdaBoost，并从最优化指数损失函数的角度对其步骤作了解释；最后是决策树和条件混合模型。

2015-02-03 15:51:54 2391

原创 PRML读书会第十三章 Sequential Data（Hidden Markov Models，HMM）

第十三章Sequential Data，由中科院软件所张巍博士主讲，精彩内容有：Hidden Markov Models的数据生成过程及其参数的EM求解方法、HMM的预测和解码。

2015-02-03 15:51:50 1725

原创 PRML读书会第十二章 Continuous Latent Variables（PCA，PPCA，核PCA，Autoencoder，非线性流形)

第十二章连续隐变量，由中科院自动化所戴玮博士分三次讲完。精彩内容有：从最大方差和最小重构误差两个角度解释了PCA；包含连续隐变量的概率生成模型PPCA，其最大似然闭式解的推导以及EM求解方法；核PCA的变换；最后介绍了Autoencoder、非线性流形思想。

2015-02-03 15:51:45 6506

原创 PRML读书会第十一章 Sampling Methods（MCMC， Markov Chain Monte Carlo，Metropolis-Hastings，Gibbs Sampling)

第十一章的主要内容是MCMC（Markov Chain Monte Carlo），包括：马尔科夫链平稳分布的定义及其充分条件：细致平稳条件的证明；Metropolis-Hastings及其接受率满足细致平稳条件的推导，接受率恒为1的Gibbs Sampling；最后是Slice Sampling、Hamiltonian MCMC。

2015-02-03 15:51:41 3798

原创 PRML读书会第十章 Approximate Inference（近似推断，变分推断，KL散度，平均场， Mean Field ）

第十章的主要内容是变分推断（Variational Inference），由中科院自动化所戴玮博士（前后分三次讲完。精彩内容有：为什么需要近似推断、变分推断用到的KL散度、根据平均场（Mean Field）思想的分解以及迭代求最优解的推导，最后用了三个例子来加深理解。

2015-02-03 15:51:38 18482 2

原创 PRML读书会第九章 Mixture Models and EM（Kmeans，混合高斯模型，Expectation Maximization）

第九章Mixture Models and EM，主要内容有：Kmeans算法；混合高斯模型以及EM（Expectation Maximization）算法在GMM中的应用；一般EM算法性质的推导和证明。

2015-02-03 15:51:33 3142

原创 PRML读书会第八章 Graphical Models（贝叶斯网络，马尔科夫随机场）

第八章Graphical Models由‘网神’主讲，精彩内容有：贝叶斯网络和马尔科夫随机场的概念、联合概率分解、条件独立表示；图的概率推断inference。

2015-02-03 15:51:27 3836

原创 PRML读书会第七章 Sparse Kernel Machines（支持向量机， support vector machine ，KKT条件，RVM）

第七章Sparse Kernel Machines由工业界高手‘网神’主讲。主要内容：推导了支持向量机（support vector machine）的Dual Representations；由KKT条件说明了解的稀疏性；为提高泛化能力增加松弛变量后的SVM；最后是加了先验有更稀疏解的RVM。

2015-02-03 15:51:23 3554

原创 PRML读书会第六章 Kernel Methods（核函数，线性回归的Dual Representations，高斯过程，Gaussian Processes）

第六章Kernel Methods，介绍了核函数的定义、构建方法，通过线性回归的Dual Representations推导说明由基于特征到基于样本学习的转换；最后是动感十足的高斯过程Gaussian Processes，包括GP的协方差矩阵形式、超参、预测等内容。

2015-02-03 15:51:17 8603

原创 PRML读书会第五章 Neural Networks（神经网络、BP误差后向传播链式求导法则、正则化、卷积网络）

第五章Neural Networks由网神主讲，精彩内容有：神经网络做回归和分类的训练目标函数、BP误差后向传播的链式求导法则、正则化、卷积网络等。

2015-02-03 15:51:10 3875

原创 PRML读书会第四章 Linear Models for Classification(贝叶斯marginalization、Fisher线性判别、感知机、概率生成和判别模型、逻辑回归)

第四章Linear Models for Classification仍由西北大学planktonli老师主讲，介绍了贝叶斯的marginalization概念、Fisher线性判别、感知机、分类器概率生成和判别模型的区别与联系、逻辑回归的最大似然参数估计、贝叶斯逻辑回归的Laplace近似推断等内容。

2015-02-03 15:51:06 3330

原创 PRML读书会第三章 Linear Models for Regression(线性基函数模型、正则化方法、贝叶斯线性回归等)

理解机器学习莫过于从最基础的线性模型开始，第三章 Linear Models for Regression由西北大学planktonli老师主讲，介绍了线性基函数模型、正则化方法、贝叶斯线性回归及其与核函数的联系等内容，为后面几章打下了良好基础。

2015-02-03 15:51:02 4242

原创 PRML读书会第二章 Probability Distributions(贝塔-二项式、狄利克雷-多项式共轭、高斯分布、指数族等)

第二章Probability Distributions的贝塔-二项式、狄利克雷-多项式共轭、高斯分布、指数族等很基础也很重要。

2015-02-03 15:50:56 4806

原创 PRML读书会第一章 Introduction(机器学习基本概念、学习理论、模型选择、维灾等)

第一章Introduction由西安交通大学常象宇博士主讲，深入浅出的介绍了机器学习的基本概念、学习理论、模型选择、维灾等。

2015-02-03 15:50:52 5283 1

Nietzsche2015的专栏