贝叶斯网络
要注意区分求概率值还是求概率分布
一般要用到以下几条公式：
概率计算
求条件概率（注意不要和分布混淆）：枚举法（把涉及到变量的所有情况列出来再归一化），也可用贝叶斯公式。
求给定情况的概率值（完全联合分布）：连乘即可
求条件概率分布：分情况分别计算条件概率值，
独立性判断
对于独立性判断，按照四步走即可，看下图：
重新构造贝叶斯网络
按顺序依次加入节点，每次加入的新节点都是已加入节点的子节点。每个新加入的节点都要判断和其他已加入节点是否独立（用独立性判断的知识点，将已给点作为已知条件），不独立就连线。
朴素贝叶斯
朴素贝叶斯的本质是使用最原始的贝叶斯公式，将给出的数据集近似为概率，假设属性彼此独立，以此来估算不同输出取值的概率。
决策树
根据给定的属性，分裂构造子树。
一个好的属性应当能尽可能将正样本和负样本区分开。
衡量属性好坏需要用到信息增益理论。
信息增益理论
决策树构造算法
决策树剪枝
动态贝叶斯
如何构建动态贝叶斯网络？
显而易见，按照需要指定的三类信息，先依次列出信息内容（先验概率、转移模型、传感器模型），填上模板即可。
列信息的顺序为：
状态变量集Xt：会动态改变的变量
证据变量集Et：会因改变的变量改变的变量
先验概率（初始状态概率）：状态变量最开始（t0)的概率分布
转移模型：状态变量以上一个时间片的状态为依据的变化模型
传感器模型：证据变量根据状态变量影响的取值分布（变化模型）
人工神经网络
感知器算法
注：感知器算法具有不可分离性（线性超平面），对于单层人工神经网络，感知器算法仅能一分为二。也就是说，感知器算法只能求解线性问题。
反向传播算法（BP）
卷积神经网络（CNN）
分为以下五层(最后一个是标准化)
全连接层部分和人工神经网络类似，每一层的每个神经元都与相邻层的每个神经元连接。
卷积层相关概念与计算公式
滤波器：用于对输入图像进行卷积操作
通常来说，输入图像有多少层（也就是n×n×b中的b），一个滤波器就会有多少层（也就是f×f×b中的b）。
深度与一个滤波器的层数概念是区分开的。滤波器层数依赖于输入图像的层数，因为卷积操作需要滤波器的每一层和输入图像的每一层对应进行计算。而深度则是指一次卷积操作使用几个滤波器，每一个滤波器与输入图像卷积的结果都会产生一个特征映射（也就是输出图像），产生特征映射的个数就是输出图像的层数。
总结来说，滤波器层数由输入图像层数决定，而输出图像层数则由滤波器深度决定。
步长（步幅）是滤波器每次滑过的像素数，之后用s(stride)来表示。
补零（填充）有时候使用，可以使卷积操作不把输出图像变得太小，之后用p(padding)来表示。
对于一次卷积操作，输出图像的边长有一个计算公式如下：
支持向量机
核函数相关计算
注：记得是内积！
支持向量机模型区分
对于支持向量机模型决策边界的直观表示，有几个参数决定部分特征。
决策边界的宽度，ω越小，宽度M越大。
在软margin中，C是惩罚因子，C越大则错误分类的惩罚越大。C趋向无穷大时则为硬margin。
这个过程也可以称作正则，即“损失精度去调整样本的不足产生的拟合”
参数学习
891
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
