legend_xiang-CSDN博客

原创 PRML 阅读笔记（十三）<4.3>

4.3 Probabilistic Discriminative Models

2014-11-05 21:30:35 685

原创 PRML 阅读笔记（十二）<4.2>

4.2 Probabilistic Generative Models

2014-11-05 20:20:56 702

原创 PRML 阅读笔记（十一）<4.1>

4 Linear Models for classification 这一章开始jie

2014-11-05 17:43:16 827

原创 PRML 阅读笔记（十）<3.3-3.6>

3.3 Bayesian Linear Regression

2014-11-05 17:14:45 1195

原创 PRML 阅读笔记（九）<3.1-3.2>

3.Linear Models for Regression

2014-10-26 23:26:34 834

转载核函数-Kernel Function汇总

转自：http://www.zhizhihu.com/html/y2010/2292.html Kernel FunctionsBelow is a list of some kernel functions available from the existing literature. As was the case with previous articles, eve

2014-10-25 16:11:57 754

转载机器学习中的范数规则化之（二）核范数与规则项参数选择

上一篇博文，我们聊到了L0，L1和L2范数，这篇我们絮叨絮叨下核范数和规则项参数选择。知识有限，以下都是我一些浅显的看法，如果理解存在错误，希望大家不吝指正。谢谢。三、核范数核范数||W||*是指矩阵奇异值的和，英文称呼叫Nuclear Norm。这个相对于上面火热的L1和L2来说，可能大家就会陌生点。那它是干嘛用的呢？霸气登场：约束Low-Rank（低秩）

2014-10-25 11:10:26 575

转载机器学习中的范数规则化之（一）L0、L1与L2范数

今天我们聊聊机器学习中出现的非常频繁的问题：过拟合与规则化。我们先简单的来理解下常用的L0、L1、L2和核范数规则化。最后聊下规则化项参数的选择问题。这里因为篇幅比较庞大，为了不吓到大家，我将这个五个部分分成两篇博文。知识有限，以下都是我一些浅显的看法，如果理解存在错误，希望大家不吝指正。谢谢。监督机器学习问题无非就是“minimizeyour error whil

2014-10-25 11:07:14 687

原创 PRML 阅读笔记（八）<2.4-2.5>

2.4 The Exponential Family

2014-10-21 08:36:45 752

原创 PRML 阅读笔记（七）<2.3.3-2.3.9>

2.3.3 Bayes'theorem for Gaussian variables

2014-10-20 22:04:42 1372

原创 PRML 阅读笔记（六）<2.3.1-2.3.2>

2.3 The Gaussian Distribution gao's

2014-10-17 21:33:24 865

原创 PRML 阅读笔记（五）<2.1--2.2>

2 Probability Distribution 概率分布在模式识别问题中扮演了很重要的角色，而我们常说的分布都属于参数分布的范畴，因为这些分布都由一些列可调整的参数来控制，如正态分布里的均值与方差。从频率学派的角度看，要通过一些优化准则来对参数的值进行改变，例如似然函数。而在贝叶斯的观点看来，先对参数的先验分布进行预估，然后通过给定的样本数据用贝叶斯理论来计算后验分布。

2014-10-08 19:26:07 770

原创 PRML 阅读笔记（四）<1.6>

1.6 Information Theory

2014-10-07 19:57:27 643

原创 PRML 阅读笔记（三）<1.5>

1.5 Decision Theory

2014-10-07 16:52:26 795

原创 PRML 阅读笔记（二）<1.3--1.4>

1.3 Model Selection

2014-09-29 11:13:06 820

原创 PRML 阅读笔记（一）<1.1--1.2>

第一章《introduction》，一开始先介绍了一些背景zh

2014-09-27 18:06:02 1672

原创 PRML 阅读笔记及疑问（小序言）

基础比较薄弱，所以读起这本《PRML》还是bi'jiao

2014-09-27 18:03:10 572

legend_xiang的专栏