【白板推导】学习笔记

学习视频链接
【机器学习】【白板推导系列】【合集 1～33】

---

P2 频率派 vs 贝叶斯派

---

P3 高斯分布（一维正态分布的各参数估计量 $\theta =(\mu ,\sigma )$ 计算）

---

P4 高斯分布（一维正态分布的各参数估计量 $\theta =(\mu ,\sigma )$ 计算）

未解决的问题：

1. 如何结合图像理解 $\sigma$ 估计小了的问题？
2. 为什么 ${\mu }_{{}_{MLE}}$ 在参与计算的时候可以当作常数，与 $i$ 无关；而不是看作样本均值，与 $i$ 相关？

---

P5 高斯分布（高维正态分布的各参数估计量 $\theta =(\mu ,\sum )$ 计算）

前置知识：

1. $\sum$ :高维的方差写法，读作 $sigma$，一维时写做 $\sigma$
2. $\Lambda$：高维的特征值的写法，读作 $lamda$，一维时写做 $\lambda$