linuxcumt1的专栏

==================Overview: Structured CPDs============1.缺点：当父节点多时（k个），整个表有2^k这么多项！2.有好多其他可选择的方法3.条件相互独立性4.小例子================Tree-Structured CPDs================1.注意：中间节

===========Problem Description and Pipeline ==========================Sliding Windows===============瘦点排除=============Getting Lots of D

===============Template Models===============================DBN==============================hmm=========================

================Semantics & Factorization============1.第一个简单贝叶斯网络==============Reasoning Patterns=================

============Overview and Motivation============1.用图论+概率来解决2.应用=============Distributions=========================================Factors

============Learning With Large Datasets============1.数据为王2.当M 很大时，梯度下降每一步的代价都很大。若为左图，再添加更多数据没问题，但若为右图，则若想添加更多特征，先考虑增加更多隐含层（神经网络）或增加更多特征，来解决HIGH BIAS问题。==============Stochastic Gra

===============Problem Formulation================1.推荐系统自动学习哪些特征是重要的。对下图来说，是推测出打？号（没看过）的该得多少分。注意：是对特定的用户推荐。特定的用户有特定的爱好。 =================Content Based Recommendations======================

% ------------------------standard number array-----------------------one=[-1 -1 -1 -1 1 1 -1 -1 -1 -1;-1 -1 -1 -1 1 1 -1 -1 -1 -1;... -1 -1 -1 -1 1 1 -1 -1 -1 -1; -1 -1 -1 -1 1 1 -1 -1 -1 -1;.

=============问题描述================================高斯分布=================================检测算法=================================具体实现=====用评估算法来确定参数的选择=========

===============Motivation I: Data Compression=================1.降维后，需要的数据存储量大大减少。内存、硬盘空间，程序速度优化。=================MotivationII: Visualization======1.可视化一般降到2或3维===主成分分析Princ

博客空间问题，新笔记移到http://blog.csdn.net/linuxcumt1