课件为人工智能讲师叶梓人工智能基础课程之一,接上一篇,更多课程,及老师资料可点击 个人主页
(人工智能基础课件29页)
MLE示例
- 如图所示,有两枚硬币A、B,每一个实验随机取一枚抛掷10次,共5个实验。
- 如果我们可观测到每一次所取的硬币,就可根据极大似然估计求解参数A、B为正面的概率θ=(θA,θB),。
(30页)
高斯分布的MLE示例
- import numpy as np
- import matplotlib.pyplot as plt
- fig = plt.figure()
- mu = 30 # mean of distribution
- sigma = 2 # standard deviation of distribution
- x = mu + sigma * np.random.randn(10000)
- def mle(x):
- u = np.mean(x)
- return u, np.sqrt(np.dot(x - u, (x - u).T) / x.shape[0])
- print(mle(x))
- num_bins = 100
- plt.hist(x, num_bins)
- plt.show()
(未完,下一篇继续)课件为人工智能讲师叶梓人工智能基础课程之一,接上一篇,更多课程,及老师资料可点击 个人主页
由于小编专业能力有限,无法将老师课件编辑成文章。供一定基础的同学将系列课件下载整理
————————————————