PRML笔记

PRML

  • 1. 简介
    • 1.1. 例子:多项式拟合
    • 1.2. 概率论
      • 1.2.1. 概率密度函数
      • 1.2.2. 期望和方差
      • 1.2.3. Bayes 概率
      • 1.2.4. 高斯分布
      • 1.2.5. 重新理解曲线拟合
      • 1.2.6. Bayes 曲线拟合
    • 1.3. 模型选择
    • 1.4. 维数灾难
    • 1.5. 决策理论
      • 1.5.1. 最小错误率决策
      • 1.5.2. 最小风险决策
      • 1.5.3. 拒绝选项
      • 1.5.4. 推断和决策
      • 1.5.5. 回归问题的损失函数
    • 附录 D 变分法
    • 1.6. 信息论
      • 1.6.1. 相对熵和互信息
    • 附录 E Lagrange 乘子
  • 2. 概率分布
    • 2.1. 二元变量
      • 2.1.1. Beta 分布
    • 2.2. 多元变量
      • 2.2.1. 狄利克雷分布
    • 2.3. 高斯分布
      • 2.3.1. 条件高斯分布
      • 2.3.2. 边缘高斯分布
      • 2.3.3. 高斯变量的贝叶斯理论
      • 2.3.4. 高斯分布最大似然
      • 2.3.5. 序列估计
      • 2.3.6. 高斯分布的贝叶斯估计
      • 2.3.7. 学生 t 分布
      • 2.3.8. 周期变量和 von Mises 分布
      • 2.3.9. 高斯混合模型
    • 2.4. 指数族分布
      • 2.4.1. 最大似然和充分统计量
      • 2.4.2. 共轭先验
      • 2.4.3. 无信息先验
    • 2.5. 非参数方法
      • 2.5.1. 核密度估计量
      • 2.5.2. 近邻方法
  • 3. 线性回归模型
    • 3.1. 线性基函数回归模型
      • 3.1.1. 最大似然和最小二乘
      • 3.1.2. 最小二乘的几何表示
      • 3.1.3. 序贯学习
      • 3.1.4. 带正则的最小二乘
      • 3.1.5. 多维输出
    • 3.2 Bias-Variance 分解
    • 3.3 Bayes 线性回归
      • 3.3.1. 参数的分布
      • 3.3.2. 预测值的分布
      • 3.3.3. 等价核
    • 3.4 贝叶斯模型的比较
  • 4. 线性分类模型
    • 4.1 判别函数

你可能感兴趣的:(数学)