prml 图模型读书笔记

汗 看了那么久的prml今天写第一篇读书笔记，

 看的不多 10页吧，

 

首先是bayesian network这个概念第一章的时候已经讲过了，这次提出来引出了一个新的模型—图模型，具体形式p(x₁,x2)=p(x1|x2)p(x2) bayesian的基本形式，然后由这个公式引出 了图就是x1的父节点就是X2,可以想象一下，之后又把第一章的多项式的回归给搞出来了，回归问题有点忘记，答题意思就是设定一个曲线的参数，然后将variables带入，好像是对这些东西求了个欧氏距离，找到最小值 就ok，没记错的话中间还有个最小二乘法（似乎就是欧氏距离）。感觉这块没怎么看明白，他要表达的意思貌似就是这些variable是分布而不是说给定的具体值（实际上这些值就是给定的嘛。。。。。）（大神总是故弄玄虚，还是我英语不好。。。。。。。。。） 这个例子给了一顿表示方法，将这些已知的点和一些noisy 都当做是参数 来表示一个联合概率分布（好诡异） 那个w不知道是怎么突然提出来的 只是说是高斯prior 不是太懂。。。。。。。。。。。最后给了一个最终公式 要求的输出依赖于已知的点和那个什么W 在这个过程中只是用图给表示了这么个过程 好像是画了个模型 但是真不知道花个图有什么用，感觉就是帮助理解的作用。。。。。

 

 

之后讲了一个generative model我理解的意思 就是能够自身产生变量的分布，貌似原理就是对observed data进行估计，是和position和oriention结合，没怎么明白如何是对已知的点进行分布处理，还是另外一种理解 由这些点产生中间的变量？ 最后再根据这些分布来些人造点？

 

 

 

之后的discrete variable问题没有嘛 大体上就是一个将指数的将为平方的，先决条件就是从高到低来进行条件的依赖。不过到最后思想是给了每个variable一个共同的参数集~~