大家好,我是Starz,跟第二栏的小编Jason一样,是一名普通的计算机系学生。开这个号的原因是为了记录些好玩好看的小知识:
目前主要分为两大块:
-
《概率图模型》系列
-
机器学习和深度学习的小知识
虽然以上内容会涉及到蛮多数学公式,但我们在阐述过程中会尽量做到生动活泼
鉴于两人的水平也有限,有写得不对的地方请大家多多打脸
1 《概率图模型》系列
1.1 概率图讲的啥
概率图模型(PGM)位于统计学和计算机科学的交叉点上,主要涉及了概率论、图算法还有机器学习相关知识。主要应用场景有医疗诊断、图像理解、语音识别和自然语言处理等[1]
PGM是一个内容相当丰富的框架,很多机器学习算法在这个框架的进行推导下显得通俗易懂。对比某些模型,在这个框架下的模型有更强的解释性,使模型更为可靠
对于解释性强的模型来说,除了会告诉你它的预测之外,它还会告诉你做出这个预测的理由;为了防止模型瞎猜,更严苛的模型还会要求给出推理过程
计算机视觉里有种任务叫目标识别(其实就是瞅瞅图里有啥),在目标识别这个任务中,有些模型勤勤恳恳,有些模型却整天想着浑水摸鱼
根据W. Samek[2]等人的汇报,在识别图片中是否有马的任务中,第一个模型(中图)将注意力都放在了左下角的水印:
放大来看是Pferde fotos,pferde 在德语里是“马匹”,fotos意思是“照片”
由此可见,靠谱的模型是多麽可贵
1.2 内容组织
《概率图模型》系列主要是参考来自南特大学Philippe LERAY教授《Probabilistic Graphical Models》的授课内容,内容组织如下:
-
Probability Foundation (1) (jason)
-
Probability Foundation (2) (starz)
-
(Bayesian) Inference (jason)
-
(Bayesian) Parameter Learning (starz)
-
(Bayesian) Structure Learning (jason)
更新周期为每周一更
2 小知识系列
可能涉及的领域:
-
本体学习
-
知识图谱
-
计算机视觉
-
自然语言处理
这部分因为是目前在学的东西,分享的形式可能是论文笔记以及模型详解
3 写在后面
为了写一个透彻的小专题,小编往往要参考很多个信源,学习任务也比较繁重,可能更着更着我们就跑路了
但只要还在更新,我们就保证参考资料的透明性,只要是摘抄或翻译的部分我们都会详细标明出处;并且尽量做到少提概念,多聊直观理解
如果对我们的小作坊感兴趣的话不妨扫码关注,谢谢观看
[1]Probabilistic Graphical Models. Stanford University