![](https://img-blog.csdnimg.cn/20201014180756919.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
概率论与数理统计
六月麦茬
码农中年人
展开
-
随机网络-无标度网络(带连接偏好的增长网络模型)-(3)
无标度网络(带连接偏好的增长网络模型)原创 2016-08-05 18:53:49 · 2276 阅读 · 0 评论 -
随机网络-小世界网络(小世界网络的协同动力学)概述-(2)
参考:http://blog.csdn.net/database_zbye/article/details/8246889原创 2016-08-05 18:49:40 · 2298 阅读 · 0 评论 -
概率主题模型与LDA模型公式推导(1)
概率主题模型(PTM——Probabilistic Topic Model) 注:关于为何用Dirichlet分布来假设公式中的两个独立分布,可以参考如下链接博文,博主感觉讲的很到位。 链接:http://maider.blog.sohu.com/306392863.html原创 2016-08-06 21:22:15 · 1765 阅读 · 0 评论 -
粗糙集,邻域粗糙集与实域粗糙集概述
粗糙集与邻域、实域粗糙集概述原创 2016-08-29 19:16:23 · 10923 阅读 · 5 评论 -
参数估计-矩估计和极大似然估计概述
参数估计 参数估计:是根据从总体中抽取的样本估计总体分布中包含的未知参数的方法。它是统计推断的一种基本形式,是数理统计学的一个重要分支,分为点估计和区间估计两部分。 点估计:依据样本估计总体分布中所含的未知参数或未知参数的函数。 区间估计(置信区间的估计):依据抽取的样本,根据一定的正确度与精确度的要求,构造出适当的区间,作为总体分布的未知参数或参数的函数的真值所在范围的估计。例如人们原创 2016-09-10 22:38:42 · 65024 阅读 · 3 评论 -
随机网络-概述与E-R模型-(1)
随机网络概述与E-R模型笔记原创 2016-08-05 18:42:31 · 1774 阅读 · 0 评论 -
A Diversity-Promoting Objective Function for Neural Conversation Models
该论文提出了基于最大互信息(Maximum Mutual Information—MMI)的期望计算思想。传统的生成模型计算方式是:target = argmax(logP(T|S)),即在source给定的条件下,寻找出最大概率的target。 这样的计算方式所带来的问题是会生成一般性的,具有大概率事件的target,失去了target的多样性。 由互信息公式得: 该论文基于MMI思想,提出原创 2017-06-05 22:16:02 · 1355 阅读 · 0 评论 -
从PGM到HMM再到CRF(self_note)
问: 有一点不太明白 想请教:MRF和CRF看起来好像就是p(x,y)和p(y|x)的差别,为什么他们两个模型的应用差距那么的大呢?MRF广泛运用在各种领域,CRF大部分都用的linear答: 忽略掉生成模型和判别模型的差别,如果只是给定了观测变量X要计算隐变量Y的概率话,而不需要生成一个新的样本的话,MRF和CRF确实是一样的。很多论文里用MRF,其实就是把MRF当成CRF用的,所以你说他们用原创 2017-06-12 23:21:29 · 1330 阅读 · 0 评论