- 博客(8)
- 收藏
- 关注
RSS订阅
1原创 Kaldi单音子建模
GMM-HMM和GMM-NN本质上并没有什么区别，基于神经网络的主流语音识别系统仍基于HMM，只不过是用神经网络来代替GMM建模HMM状态的观察概率1 特征提取特诊提取脚本会读取数据文件夹中的音频表单，并依次进行特征提取，将结果写入数据文件夹中的声学特征表单，要求输入音频的采样大小为16比特。特征提取的输出是声学特征表单和用于保存声学特征的二进制文档1.1
2020-08-27 15:45:47
347
转载 贝叶斯估计和极大似然估计
https://blog.csdn.net/feilong_csdn/article/details/61633180在开始接触最大似然估计和贝叶斯估计时，大家都会有个疑问：最大似然估计和贝叶斯估计二者很相似，到底有何区别？本文便来说说二者的不同之处以及求参模型的公式推导！预热知识必知如何求类条件概率密度：我们知道贝叶斯决策中关键便在于知道后验概率，那么问题便集中在求解类条件概率密度！那么...
2019-07-26 16:27:30
295
原创 第四章：K近邻法（K-Nearst Neighbor,KNN）
K近邻法（K-Nearst Neighbor,KNN），它的输入为实例的特征向量，通过计算新数据与训练数据特征值之间的距离，然后选取K（K>=1）个距离最近的邻居进行分类判断。对于分类问题，输出为实例的类别。分类时，对于新的数据，根据K各最近邻的训练实例的类别，通过多数表决方式预测新数据的类别。对于回归问题，取其K个最近邻的训练实例的平均值为预测值。KNN三要素KNN三要素：K值选择...
2019-07-15 21:00:01
1051
原创 第三章：贝叶斯分类器
贝叶斯分类是一种分类算法的总称，以贝叶斯定理为基础，故称为贝叶斯分类。分类原理是通过某对象的先验概率，利用贝叶斯公式计算出其后验概率，即该对象属于某一类的概率，选择具有最大后验概率的类作为该对象所属的类。
2019-07-15 12:15:41
565
原创 第二章：决策树（decision tree）
决策树是一种有监督的分类和预测方法，以树状图为基础。就是一系列的if-then语句。既可以用于分类问题也可以用于回归问题。损失函数最小化原则决策树原理：在特征空间上执行递归的二元分割，由节点和有向边组成。根节点是所有样本的集合。内部节点表示一个特征或者属性（比如天气，体重等等），叶子节点表示一个分类（看电影，去运动等）。在叶子节点Si处有Ni个样本点，但是整个单元都属于Ck类，看那个分类占优...
2019-07-13 21:38:38
865
原创 第一章：线性模型
线性回归f(x)=wx+b有监督学习根据已知的数据集T来计算参数w和b（极大似然法）cost function:注意要特征归一化好处：（1）提升模型收敛速度（2）提升模型精度逻辑回归：（分类）对数概率函数：1/(1+exp(-z)) z=wx+b线性判别分析：(Linear Discriminant Analysis,LDA)LDA是一种监督学习的降维技术，也就是说它的数据集...
2019-07-13 11:39:12
195
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人