《神经网络与机器学习》学习笔记
时间无情努力学习4
这个作者很懒,什么都没留下…
展开
-
第0章 导言
第0章 导言 这一章扫盲式的粗浅概述,不难理解和阅读,唯有两块,值得做一下笔记和演练。不过原谅笔者时间紧张,word绘图以及设计菜的扣脚,所以有关于数学公式推演以及基本模型一律手画手写渣机拍照然后上传。 0.5 反馈 单环反馈系统(P19 图12) 0.7 协方差矩阵假设 X 是以 n 个标量随机变量组成的列向量,并且μk 是其第k个元素的期望值,即,μk= ...原创 2017-02-26 16:48:18 · 88 阅读 · 0 评论 -
第3章 最小均方算法(二)
第3章 最小均方算法(二) Gauss-Newton法推导最小二乘滤波器 Winner滤波器:遍历环境下线性最小二乘滤波器的极限形式原创 2017-03-15 14:19:19 · 282 阅读 · 0 评论 -
第3章 最小均方算法(一)
第3章 最小均方算法(一) 线性自适应滤波结构和无约束最优化之局部迭代下降算法思想 三种以迭代下降思想为基础的无约束最优化方法 ...原创 2017-03-13 21:01:08 · 322 阅读 · 0 评论 -
第2章 通过回归建立模型(四)
第2章 通过回归建立模型(四) 深入探讨过拟合 偏置-方差困境 工具变量方法原创 2017-03-12 14:13:58 · 233 阅读 · 0 评论 -
第2章 通过回归建立模型(三)
第2章 通过回归建立模型(三) 正则最小二乘估计(与ML、MAP估计器的关系) 最小描述长度原则(MDL) 模型阶选择原创 2017-03-11 20:32:59 · 256 阅读 · 0 评论 -
第2章 通过回归建立模型(二)
第2章 通过回归建立模型(二) MAP(最大后验)估计器、ML(最大似然)估计器 高斯环境下的参数估计(前提假设) 高斯环境下的参数估计(推导) (补充): ...原创 2017-03-11 16:53:19 · 202 阅读 · 0 评论 -
第2章 通过回归建立模型(一)
第2章 通过回归建立模型(一) 线性回归模型 贝叶斯方法原创 2017-03-11 13:45:10 · 293 阅读 · 0 评论 -
第1章 Rosenblatt感知器(二)
第1章 Rosenblatt感知器(二) 1.4 高斯环境下感知器与贝叶斯分类器的关系感知器与一类通称为贝叶斯分类器的经典模式分类器具有一定联系。在高斯环境下,贝叶斯分类器退化为线性分类器。但是,感知器的线性特性并不是由于高斯假设而具有的。 贝叶斯分类器 证明高斯分布下的贝叶斯分类器退化为线性分类器: ...原创 2017-02-28 17:41:27 · 258 阅读 · 0 评论 -
第1章 Rosenblatt感知器(一)
第1章 Rosenblatt感知器(一)这一章整体来说并不难理解,推导过程相对简单。 1.3 感知器收敛定理 基本感知器权值自适应算法 证明当学习率为1时,固定增量自适应规则收敛性: ...原创 2017-02-28 10:27:46 · 386 阅读 · 0 评论 -
第3章 最小均方算法(三)
最小均方算法(三) 最小均方算法(LMS) LMS算法信号流图 用马尔可夫模型来描画LMS算法和维纳滤波器的偏差 朗之万方程与Kushner直接平均法 ...原创 2017-03-15 17:19:21 · 457 阅读 · 0 评论