_

Bayesian Methods for Hackers Probabilistic Programming and Bayesian Inference pdf翻译完 pdf split pdfsam 分割后可以用 google翻译, 翻译效果更好 (google翻译的坏处是 翻译后目录丢失): google翻译文档 翻译效果

本节贝叶斯线性回归推到主要是根据 张志华 统计机器学习 p39课来的。但是其课中大部分概率p省略了X，最初的时候不知道这一点，(这一点可以看Bishop-Pattern-Recognition-and-Machine-Learning-2006.pdf的书中有提到）所以本节的推导实际上有些问题。所以贴出一个无问题的纸质推导（暂时没时间整理成电子的）：无问题的纸质贝叶斯线性回归推导: （完全不省略X)yi​xi​Tbϵi​yi​∈Rxi​T∈RpD。

机器学习能力自测题—看看你的机器学习知识能打几分？不容错过的机器学习试题与术语

2017年最佳论文, 伯克利改进2016年 DeepMind 突破性论文: NPI (神经编程解释器). 论文题为: MAKING NEURAL PROGRAMMING ARCHITECTURES GENERALIZE VIA RECURSION 能够让机器自己具有推理能力和编程能力一直是人们梦想, 而如今, 即使深度学习和神经网络发展壮大, 我们在这一领域依然是”婴儿学步”. 去年DeepMind的论文NEURAL PROGRAMMER-INTERPRETERS (NPI) 又似乎让我们看到了曙光..

这次，我们要解释一种典型的机器学习算法——动态主题模型（Dynamic Topic Model）。 概率主题模型和概率图模型是每个做文本挖掘的学者的必学课题。其中最常见的主题模型是隐含狄利克雷分布（LDA）。当然，本文的动态主题模型也是主题模型的一种，不过为了方便理解，我们还是来回顾一下LDA。 来自：https://en.wikipedia.org/wiki/Latent_Dirichlet_allocation 我们定义： α 是狄利克雷先验的参数，是每个文档可能的主题分布。 ..