【概率图模型】

深度学习--概率图模型（一）

一、概率图模型（PGM）引入：在实际应用中，变量之间往往存在很多的独立性假设或近似独立，随机变量与随机变量之间存在极少数的关联。
decan5958·2017-08-03 09:51

计算机常用算法对照表整理

常用对照：NLPCRF算法:中文名称条件随机场算法，外文名称conditionalrandomfieldalgorithm，是一种数学算法，是2001年提出的，基于遵循马尔可夫性的概率图模型。
IT界的小小小学生·2017-07-26 10:01

概率图模型9：贝叶斯网络

概率图模型最棒的性质就是因子分解与独立性之间的内在联系。现在我们将要探讨，这种内在联系是如何在有向图（也就是贝叶斯网络）中体现的。
相国大人·2017-06-15 18:45

概率图模型: Coursera课程资源分享和简介

本博客中概率图模型（ProbabilisticGraphicalModel）系列笔记以Stanford教授DaphneKoller的公开课ProbabilisticGraphicalModel为主线，结合资料
jiandanjinxin·2017-06-08 15:00

变分自编码器（Variational Autoencoder）

最近想了解一下生成模型（generativemodel），这两三天看了很多关于变分自编码器（VariationalAutoencoder）的资料，发现VAE实现起来比较简单，但是因为没什么概率图模型的基础
记忆力衰退来写博客的李同学·2017-05-29 10:42

变分自编码器（Variational Autoencoder）

最近想了解一下生成模型（generativemodel），这两三天看了很多关于变分自编码器（VariationalAutoencoder）的资料，发现VAE实现起来比较简单，但是因为没什么概率图模型的基础
记忆力衰退来写博客的李同学·2017-05-29 10:42

概率图模型之：贝叶斯网络

1、贝叶斯定理P(A∣B)=P(A)P(B∣A)P(B)P(A|B)是已知B发生后A的条件概率，也由于得自B的取值而被称作A的后验概率。P(B|A)是已知A发生后B的条件概率，也由于得自A的取值而被称作B的后验概率。P(A)是A的先验概率或边缘概率。之所以称为”先验”是因为它不考虑任何B方面的因素。P(B)是B的先验概率或边缘概率。贝叶斯定理可表述为：后验概率=(相似度*先验概率)/标准化常量也就
GnahzNib·2017-04-19 19:01

PRML读书笔记——图模型

本章主要分析贝叶斯网络、条件独立、马尔科夫随机场和图模型的推断0前言概率图模型：用概率分布的图形表示变量之间的依赖关系⼀个图由结点（nodes）和它们之间的链接（links）组成。
GZGlenn·2017-04-14 14:32

概率图模型4：贝叶斯网络

作者：孙相国转载请注明出处概率图模型主要研究四方面问题：表示推理学习在本系列博文中，我们将按照下面的路线进行陈述：首先我们研究贝叶斯网络和无向图网络的最基本的概念。
相国大人·2017-04-07 16:33

概率图模型基础 - 贝叶斯网络参数学习（贝叶斯估计+碎权更新法）

前序贝叶斯网络是一种性能优秀的不确定推理方法。其模型结构解释性好，推理过程本质与人的思维模式相似。要采用贝叶斯网络进行推理分析，首先考虑网络模型的搭建。与神经网络的黑盒模式相反，贝叶斯网络模型要真实的反应研究对象，于是需要知道其网络结构和参数。现在已经有越来越多的研究关注于如何通过数据进行贝叶斯网络结构和参数的学习，但实际中我们往往面临数据集的局限，这是专家知识对建模来说依然十分重要。本文考虑整合
Snoopy_Yuan·2017-03-26 17:34

各种概率图模型转换

-本人阅读的材料来主要来自于李航的《统计学习方法》第十一章和之前有人贴出的"Anintroductiontoconditionalrandomfields"(90页太多没读完=_=)-这段文字主要从两个方面描述了CRF公式的由来和其他模型的关系。-阅读前默认读者已了解HMM。知道大致流程是训练，最大似然，然后预测，知道特征函数的定义等细节。-自己感觉，如果只要使用模型的话，只要知道公式，param
lanxin0802·2017-03-24 11:42

概率图模型1：隐马尔科夫(1)

作者：相国大人概率图模型系列博文目录实时更新点此处导读隐马尔科夫模型两个基本假设基本定义隐马尔科夫模型的3个基本问题概率计算问题前向算法后向算法写这篇博文用了很多时间和精力，如果这篇博文对你有帮助，希望您可以打赏给博主相国大人
相国大人·2017-03-14 22:05

概率图模型及序列标注

一、概率图模型概率图模型是一类用图来表达变量相关关系的概率模型。以图作为表示工具，最常见的使用一个节点表示一个或一组随机变量，节点之间的边表示变量间的概率相关关系，即“变量关系图”。
songjinbo3·2017-03-14 14:35

概率图模型学习(3)——贝叶斯网与马尔科夫网的关联

1.从贝叶斯网到马尔科夫网首先看一个命题和一个定义：之前理解的无向图模型是既可以从X推Y，也可以从Y推出X，那么表示同一个例子，就该马尔科夫网比贝叶斯网更简单，但是，从上面定义可以看出，马尔科夫网比贝叶斯网更复杂。现在好像有一点明白这是怎么一回事了。以下面这个例子来说明接下来的贝叶斯网络和马尔科夫网络真的如定义4.1.6所述，将贝叶斯网络中有向边变为无向边，给是同一个节点的父节点的两个点间加无向边
老笨妞·2017-02-08 10:49

概率图模型学习(3)——马尔科夫网表示1

一．基本概念1.基本要素因子∅：从Val(D)映射到实数域R的一个函数。除非另行说明，只关注非负的因子。随机变量集合D。变量集D称为因子的辖域。∅越大，两个值的兼容性越好。因子的运算：马尔科夫网中将联合概率分布和CPD都用因子表示了：令表示那么2.完备子图和极大团团：团是一个两两之间有边的顶点集合。最大（极大）团：一个团不被其他任何一个团包含则为最大团。完备子图：最大团集合的子集。3.主线概念——
老笨妞·2017-02-05 17:04

西瓜书笔记

西瓜书笔记西瓜书笔记1绪论基本术语2模型评估与选择3线性模型4决策树5神经网络6向量机7贝叶斯分类8集成学习9聚类10降维与度量学习11特征选择与稀疏学习12计算学习理论13半监督学习14概率图模型15
苏叶新城·2017-02-02 00:00

概率图模型-原理与技术 第三章 贝叶斯网表示 学习笔记(二)

概率图模型-原理与技术第三章贝叶斯网表示学习笔记(二)概率图模型-原理与技术总目录http://blog.csdn.net/icefire_tyh/article/details/54026071#t33
四去六进一·2017-01-20 00:00

概率图模型-原理与技术 第三章 贝叶斯网表示 学习笔记(一)

概率图模型-原理与技术第三章贝叶斯网表示学习笔记(一)概率图模型-原理与技术总目录http://blog.csdn.net/icefire_tyh/article/details/54026071#t3
四去六进一·2017-01-20 00:00

概率图模型-原理与技术 第三章 贝叶斯网表示 习题与编程

概率图模型-原理与技术第三章贝叶斯网表示习题与编程概率图模型-原理与技术总目录http://blog.csdn.net/icefire_tyh/article/details/54026071#t39.
四去六进一·2017-01-20 00:00

隐式马尔科夫模型

概率图模型采用图来表示随机变量之间的相关关系，最常见的概率图模型是采用有向无环图的贝叶斯网络和采用无向图的马尔科夫随机场。
-Finley-·2017-01-19 20:00

概率图模型（PGM） —— 贝叶斯网络（Bayesian Network）

概率图模型是图论与概率方法的结合产物。
Inside_Zhang·2017-01-11 18:16

条件随机场（CRF）

条件随机场应该是机器学习领域比较难的一个算法模型了，难点在于其定义之多（涉及到概率图模型、团等概率）、数学上近似完美（涉及到概率、期望计算，最优化方面的知识），但是其在自然语言处理方面应用效果比较好，所以本文结合李航老师的
雪伦_·2016-12-28 11:51

概率图模型学习（2）——贝叶斯网络表示

本章的目的：1.说明概率分布中随机变量的独立性如何用于紧凑地表示高纬度分布。2.有向无圈图的建立。一．基本原理1.前面提到了独立性和条件独立性，这张中首先是分布参数化，并利用独立性减少参数，简化分布。2.独立性的运用——朴素贝叶斯模型（假设在某种条件下，所有变量两两互斥，那么所有变量的联合概率模型可以简化为各个个变量的条件概率相乘。）3.贝叶斯网上图是学生实力的贝叶斯图。学生事例伴随着整本书，本章
老笨妞·2016-11-14 10:50

机器学习笔记（十二）——马尔科夫模型

马尔科夫模型是一种概率图模型，它描述了一类重要的随机过程(随机过程又称为随机函数，是随时间而随机变化的过程)。
_Kevin_Duan_·2016-09-03 11:29

概率图模型：贝叶斯网络与朴素贝叶斯网络

http://blog.csdn.net/pipisorry/article/details/51471222贝叶斯与频率派思想频率派思想   长久以来，人们对一件事情发生或不发生，只有固定的0和1，即要么发生，要么不发生，从来不会去考虑某件事情发生的概率有多大，不发生的概率又是多大。而且事情发生或不发生的概率虽然未知，但最起码是一个确定的值。比如如果问那时的人们一个问题：“有一个袋子，里面装着若
pipisorry·2016-05-23 10:00

PGM：概率图模型Graphical Model

http://blog.csdn.net/pipisorry/article/details/51461878概率图模型GraphicalModels简介完全通过代数计算来对更加复杂的模型进行建模和求解
-柚子皮-·2016-05-21 16:42

概率图模型：贝叶斯网络

http://blog.csdn.net/pipisorry/article/details/51461997贝叶斯网络图模型的表示   为了理解有向图对于描述概率分布的作用,首先考虑三个变量a,b,c上的一个任意的联合分布p(a,b,c)。注意,现阶段我们不需要对这些变量做出任何更多的假设,例如它们是离散的还是连续的。实际上,图模型的一个强大的方面是,一个具体的图可以描述一大类概率分布。通过使用
pipisorry·2016-05-21 16:00

概率图模型

http://blog.csdn.net/pipisorry/article/details/51461878概率图模型简介完全通过代数计算来对更加复杂的模型进行建模和求解。
pipisorry·2016-05-21 16:00

概率图模型

人工智能的新纪元自然语言理解智能机器人上下文感知计算视频自动识别语音到语音的翻译面向应用的机器学习占据的份额较大计算机视觉：eigenfaces(图像向量)8维的向量80%的准确度表征人脸Decorrelation:ifD=Mx~=G的转秩*xX~x~的转秩=G的秩概率图模型
TH_NUM·2016-04-25 19:00

文本语言模型的参数估计-最大似然估计、MAP及贝叶斯估计

这类语言模型一般都是对文本的生成过程提出自己的概率图模型，然后利用观察到的语料数据对模型参数做估计。有了语言模型和相应的模型参数，我们可以有很多重要的应用，比如文本特征降维、文本主题分析等等。
littleqqqqq·2016-03-29 19:00

概率图模型基础

概率图模型是
DM张朋飞·2016-02-28 21:00

概率图模型笔记(9-10)——Inference-Belief Propagation

9Inference-BeliefPropagationpart19.1BeliefPropagation9.1.1聚类图(ClusterGraphs)聚类图即这样的一个无向图：节点是团Ci⊆X1,…,Xn，其中Xi是第i个变量；节点Ci和Cj之间的边代表子集S(i,j)⊆Ci∩Cj范围内两节点之间的信息交流。聚类图代表着其中的节点和节点之间的消息传播的通道，两个节点能通过边来传递它们共同知道的变
u010366427·2016-02-25 00:00

概率图模型笔记(8)——Inference Variable Elimination

8.1Overview-ConditionalProbabilityQueries8.1.1ConditionalProbabilityQueries定义如下三个内容:(1)证据：E=e(2)问题：变量集Y(3)任务：计算P(Y|E=e)8.1.2和-积除了问题变量所在的因子，在每个因子上轮流取不同的值并将各个因子做乘积，不同的取值的因子积之和为问题变量的联合分布P，如果不进行归一化则记为P~。8
u010366427·2016-02-02 16:00

概率图模型笔记(7)——Knowledge Engineering

7.1建立模式时应注意到的区别(1)基于模板的VS特殊化的基于模板的(例如图像分割)会有较少的变量类型，并且其提取的特征对预测结果有非常大的影响。特殊化(医学识别)则会有较多的变量类型。另外，也有两者混合的模型，例如对于错误识别模型，一个模型内是特殊化类型，多个需要错误识别的主体可能会采用相同的识别模型(基于模板).(2)有向的VS无向的(3)生成式VS判别式对于有特定预测任务的模型来说，特征丰富
u010366427·2016-01-25 23:00

概率图模型笔记(6)——Markov Network Fundamentals

6.1PairwiseMarkovNetworks6.1.1马尔科夫网络：一个节点之间的联系是无向边的网络，每一条边代表一个因子Φ(Xi,Xj)。6.1.2联合分布如自然连接一样把两个有共同点的边按照共同点的统一属性对应的因子做乘积。6.1.3因子的边缘分布划掉其他因子，剩下因子综合起来即剩下因子的边缘分布。因子的边缘分布可能会被其他更强力的因子淹没掉。6.2GeneralGibbsDistrib
u010366427·2016-01-25 23:00

概率图模型笔记(5)——structured CPDs

5.1overview5.1.1提出问题由于现实世界很多诸如变量太多、变量之间存在一些关系等情况，扁平化CPD表示方法行不通5.1.2解决模型有例如确定性CPDs、树结构CPDs、逻辑CPDs&一般化、含有OR/AND噪声、线性高斯&一般化5.2Tree-StructuredCPDs5.2.1普通树形CPD树形CPD指叶子节点是CPD，内部节点是变量，变量指向CPD或变量，其边被称为弧，注意，该弧
u010366427·2016-01-25 22:00

概率图模型笔记(3)——Template Models

3.1OverviewofTemplateModels(1)在家族基因遗传中，每一个人的表现型都依赖于其基因型，而每一个人的基因型又依赖于其父母的基因型。(2)在图像分割中，每一个超级像素与其分类之间存在一种联系，同时与其周围的超级像素存在一种联系。(3)在学生示例中，对于每一个学生的课程成绩分别依赖于该学生的智力以及所选课程的难度。(4)动态机器人位置识别中，每一个时间点的位置依赖于之前的位置以
u010366427·2016-01-25 22:00

概率图模型笔记(2)——Bayesian Network Fundamentals

2.1semantics&factorization2.1.1CPD：conditionalprobabilitydistribution.条件概率分布2.1.2贝叶斯网络一个非循环的有向图，在图中，点代表了随机变量X1,…,Xn。对于每个节点来说都是一个CPD：P(Xi|ParG(Xi))2.1.3贝叶斯网络链式法则当我们希望得到某个概率P(D,I,G,S,L)时，只需将对应的CPD相乘即可。即
u010366427·2016-01-25 22:00

Theano-Deep Learning Tutorials 笔记:Restricted Boltzmann Machines

看受限波尔兹曼机一定要看的博客，详细得当场就跪下了，博客后面的参考文献也很值得一读，互相对比理解：http://blog.csdn.net/itplus/article/details/19168937有时间也得好好学学概率图模型
u012816943·2016-01-12 21:00

从朴素贝叶斯分类器到贝叶斯网络（下）

在统计学习领域，概率图模型（PGM，ProbabilisticGraphicalModels）常用来指代包括贝叶斯网络在内的更加宽泛的一类机器学习模型，
白马负金羁·2016-01-04 00:20

从朴素贝叶斯分类器到贝叶斯网络（下）

在统计学习领域，概率图模型（PGM，ProbabilisticGraphicalModels）常用来指代包括贝叶斯网络在内的更加宽泛的一类机器学习模型，
baimafujinji·2016-01-04 00:00

图像目标检测（Object Detection）原理与实现(三)

答案:不是，尤其是牵扯到我们今天的基于部件的投票时，这种投票元素互相独立的观点更站不脚，学过概率图模型(pro
hbuxiaofei·2016-01-03 18:00

机器学习 —— 概率图模型（贝叶斯网络）

概率图模型（PGM）是一种对现实情况进行描述的模型。其核心是条件概率，本质上是利用先验知识，确立一个随机变量之间的关联约束关系，最终达成方便求取条件概率的目的。
IronStark·2015-12-29 21:00

地道的表达

shorthand打字和速记assistant助理coast海边onoffer出售中共同的朋友ourmutualfriendbuffet自助餐负一楼basementB1：负一楼B2：负二楼Well,it’s(PGM：概率图模型
lanchunhui·2015-12-27 14:00

《机器学习：算法原理与编程实践》的读书笔记：SMO部分最难，大部分代码基于Scikit-Learn，决策树其实用处不大

[隐藏] 1 机器学习的基础2 中文文本分类3 决策树的发展4 推荐系统原理5 梯度寻优6 神经网络初步7 预测的技术与哲学8 万能分类器：SVM9 人脸识别中的机器学习10 认知计算与深度学习11 概率图模型与词性标注机器学习的基础
cteng·2015-12-12 17:00

LDA理解以及源码分析（二）

LDA系列的讲解分多个博文给出，主要大纲如下：LDA相关的基础知识什么是共轭multinomial分布Dirichlet分布LDAintextLAD的概率图模型LDA的参数推导伪代码GibbsLDA++
pirage·2015-12-09 17:00

LDA理解以及源码分析（一）

LDA系列的讲解分多个博文给出，主要大纲如下：LDA相关的基础知识什么是共轭multinomial分布Dirichlet分布LDAintextLAD的概率图模型LDA的参数推导伪代码GibbsLDA++
蜡笔大龙猫·2015-12-09 17:15

LDA理解以及源码分析（一）

LDA系列的讲解分多个博文给出，主要大纲如下：LDA相关的基础知识什么是共轭multinomial分布Dirichlet分布LDAintextLAD的概率图模型LDA的参数推导伪代码GibbsLDA++
pirage·2015-12-09 17:00

机器学习理论与实战（十六）概率图模型04

        04、概率图模型应用实例         最近一篇文章《Deformable Model Fitting
·2015-11-13 07:44

机器学习理论与实战（十五）概率图模型03

03 图模型推理算法            这节了解一下概率图模型的推理算法（Inference algorithm），也就是如何求边缘概率
·2015-11-13 06:49
上一页 8 9 10 11 12 13 14 15 下一页
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他