【概率图模型】

机器学习理论与实战（十四）概率图模型02

        02 概率图模型定义         翻开Jordan和Wainwright著作的书，正文开始
·2015-11-13 02:53

概率图模型

算法思想： 1.将用户对物品的反馈记录，转换为2分图 2.使用随机游走算法，计算从用户节点u到物品节点i的概率，作为用户对物品的喜好   （2分图）例子: 数据集 2分图 A a A b B a B c C b   （随机游走）分析： 比如从A点出发，每一步，有$\alpha$的概率继续往下走，$1
·2015-11-12 09:28

7.13 概率图模型和半监督学习 （阅读文章：People on Drugs: Credibility of User Statements in Health Communities）

一、似然函数 likelihood function 现在假设我们有 N 个数据点，并假设它们服从某个分布（记作 p(x) ），现在要确定里面的一些参数的值，使得由这些参数确定的分布函数生成的这些数据点的概率最大，这个概率即为  ，我们把这个乘积称作似然函数 (Likelihood Function)。通常单个点的概率都很小，许多很小的数字相乘起来在计算
·2015-11-05 08:42

概率图模型 vs. 逻辑学

概率图模型 vs. 逻辑学 摘要：本文回顾过去50年人工智能（AI）领域形成的三大范式：逻辑学、概率方法和深度学习。
·2015-11-02 11:13

机器学习&数据挖掘笔记_17（PGM练习一：贝叶斯网络基本操作）

  　　前言： 　　以前在coursera上选过一门PGM的课（概率图模型），今天上去才发现4月份已经开课了，6月份就要结束了，虽然最近没什么时间，挤一点算一点，所以得抓紧时间学下。
·2015-11-01 10:33

机器学习理论与实战（十三）概率图模型01

         01 简单介绍          概率图模型是图论和概率论结合的产物，它的开创者是鼎鼎大名的
·2015-11-01 08:30

书籍

;  社李锐 / 李鹏 / 曲亚东 / 王斌译3.机器学习  tom mitchell  机械工业出版社4.统计学习方法  李航  清华大学出版社5.概率图模型学习理论及应用
·2015-10-31 09:37

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。
winone361·2015-10-30 09:00

[PGM] I-map和D-separation

之前在概率图模型对概率图模型做了简要的介绍。此处介绍有向图模型中几个常常提到的概念，之前参考的多为英文资料，本文参考的是《概率图模型-原理与技术的》中译版本。
·2015-10-29 08:08

文本语言模型的参数估计方法--最大似然估计、MAP、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
lynnucas·2015-08-24 10:00

2015-8-1 收集资料

概率图模型（PGM）有必要系统地学习一下吗？如何用简单易懂的例子解释隐马尔可夫模型？【基于ConvnetJS的图像前/背景分割】O网页链接GitHub:O网
hzyido·2015-08-01 20:20

DBN模型

（一）马尔可夫随机场1.概率图模型：1）用图的形式来表示概率分布；2）用图的方法来求解概率分布问题；3）可分为概率有向图模型跟概率无向图模型；2.马尔可夫随机场定义（又叫概率无向图模型）：（1）G=（V
zakexu·2015-07-19 13:10

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。
Lu597203933·2015-05-23 12:00

条件高斯分布和卡尔曼滤波

这段时间有个卡尔曼滤波的作业，正好在刑波（EricXing）的概率图模型课程上也谈到了这一点，所以从这个角度来阐述卡尔曼滤波，同时介绍其中用到的条件高斯分布的推导过程。
暗海风·2015-05-19 21:00

条件高斯分布和卡尔曼滤波

这段时间有个卡尔曼滤波的作业，正好在刑波（EricXing）的概率图模型课程上也谈到了这一点，所以从这个角度来阐述卡尔曼滤波，同时介绍其中用到的条件高斯分布的推导过程。
暗海风·2015-05-19 21:00

概率图模型推断之Belief Propagation

初步打算把概率图模型中推断方法都介绍一下，包括BeliefPropagation，变分方法，MCMC，以及像是Graphcut也做一些说明。关于BeliefPropagation是什么?
lansatiankongxxc·2015-05-08 02:00

【ML】概率图模型

http://wenku.baidu.com/link?url=-Fa32JAnvwS8fyWgdPjYLNGvmor42lWCT6N7TehNQAnx4ZVmJtC0L0SgnaLtEFMB9Gzw49L-3NbllEnyekS6wz2h8MeSUY2_AvFvxTQWSA3 http://wenku.baidu.com/view/384be6c34028915f804dc276.html?r
·2015-05-07 09:00

概率图模型 vs. 逻辑学

以下为正文：今天，我们一起来回顾过去50年人工智能（AI）领域形成的三大范式：逻辑学、概率方法和深度学习。如今，无论依靠经验和“数据驱动”的方式，还是大数据、深度学习的概念，都已经深入人心，可是早期并非如此。很多早期的人工智能方法是基于逻辑，并且从基于逻辑到数据驱动方法的转变过程受到了概率论思想的深度影响，接下来我们就谈谈这个过程。本文按时间顺序展开，先回顾逻辑学和概率图方法，然后就人工智能和机器
colddie·2015-05-05 23:00

ML方法与概率图模型

一、ML方法分类：        产生式模型和判别式模型假定输入x,类别标签y       —  产生式模型（生成模型）估计联合概率P(x,y),因可以根据联合概率来生成样本：HMMs    — 判别式模型（判别模型）估计条件概率P(y|x),因为没有x的知识，无法生成样本，只能判断分类:SVMs,CRF,MEM一个举例： (1,0),(1,0),(2,0),(2,1)产生式模型：p(x,y)：P
wishchin·2015-04-17 20:00

Discriminative Learning of Relaxed Hierarchy for Large-scale Visual Recognition

(ICCV2011CODE)DiscriminativeLearningofRelaxedHierarchyforLarge-scaleVisualRecognition本文的二作是写概率图模型的斯坦福大牛
tiandijun·2015-03-17 10:00

概率图模型

概率图模型过去的一段时间里，忙于考试、忙于完成实验室要求的任务、更忙于过年，很长时间没有以一种良好的心态来回忆、总结自己所学的东西了。这几天总在想，我应该怎么做。
xiaoYY·2015-03-15 11:00

概率图模型

概率图模型过去的一段时间里，忙于考试、忙于完成实验室要求的任务、更忙于过年，很长时间没有以一种良好的心态来回忆、总结自己所学的东西了。这几天总在想，我应该怎么做。
zdy0_2004·2015-03-13 23:00

概率图模型

这将是对概率图模型的一个很基础的总结，主要参考了《PATTERNRECOGNITIONandMACHINELEARNING》。看这部分内容主要是因为LDPC码中涉及到了相关的知识。概率图
暗海风·2015-03-09 20:00

概率图模型

这将是对概率图模型的一个很基础的总结，主要参考了《PATTERNRECOGNITIONandMACHINELEARNING》。看这部分内容主要是因为LDPC码中涉及到了相关的知识。概率图
暗海风·2015-03-09 20:00

概率图模型上的推断算法汇总

一、概率图模型上计算MAP的算法1.将最优化算法应用于因子乘积2.在概率图上进行信息传输，例如Max-product信念传播3.integerprogramming，这是一种可用于离散空间上的最优化计算的方法
duskwaitor·2015-02-08 11:09

《统计学习方法，李航》：11、条件随机场

先给出概率图模型定义：对于一个联合概率分布P(Y)和表示它的无向图G，只要无向图G表示的随机变量之间存在【成对马尔科夫性、局部马尔
mmc2015·2015-01-26 15:00

PGM（概率图模型）学习之MRF

http://blog.csdn.net/polly_yang/article/details/9716591 之前自己做实验也用过MRF（MarkovRandomFiled，马尔科夫随机场），基本原理理解，但是很多细节的地方都不求甚解。恰好趁学习PGM的时间，整理一下在机器视觉与图像分析领域的MRF的相关知识。    打字不易，转载请注明。http://blog.csdn.net/polly_y
pb09013037·2014-12-17 21:00

概率图模型（PGM）学习笔记（二）贝叶斯网络-语义学与因子分解

概率分布（Distributions）如图1所看到的，这是最简单的联合分布案例，姑且称之为学生模型。图1当中包括3个变量，各自是：I（学生智力，有0和1两个状态）、D（试卷难度，有0和1两个状态）、G（成绩等级，有1、2、3三个状态）。表中就是概率的联合分布了，表中随便去掉全部包括某个值的行，就能对分布表进行缩减。比如能够去掉全部G不为1的行，这样就仅仅剩下了1、4、7、10行，这样他们的概率之和
gcczhongduan·2014-10-28 00:00

对话机器学习大神Michael Jordan：简介

自1988年到1998年，乔丹在麻省理工学院任教授，他的研究方向包括了计算学、统计学、认知科学以及生物科学，最近几年集中在贝叶斯非参数分析，概率图模型，谱方法，核方法和在分布式计算系统、自然语言处
张天雷、adam·2014-09-21 00:00

概率图模型（PGM）里的有向分离（D-separation）

有向分离（DirectedSeparation）是图论中的概念，在PGM中也有着重要的作用。D-separation和前一篇博文PGM中的条件独立（ConditionalIndependent）有很大的联系。回顾：顺连结构：x—>z—>y，x和y关于z条件独立。分连结构：xy，x和y关于Z条件独立。汇连结构：x—>zz—>y或分连结构xy，则节点z包含在集合Z中；如果G中有汇连结构x—>z<—y，
light_lj·2014-09-09 22:00

概率图模型（PGM）里的的条件独立（conditional independent）

条件独立（conditionalindependent）是概率论和概率图模型中的一个基本概念预备知识：贝叶斯公式（bayesianrule）：链式法则（chainrulesofprobabilitytheory
light_lj·2014-09-05 21:00

概率图模型（PGM）学习笔记（五）——模板模型

模板模型（TemplateModels）主要包括模板变量（TemplateVariables）和语言（Language）。 模板模型可以应用于无限大的贝叶斯网络；模板变量是被多次复用的变量：如：地点(时间)、基因型（人物）、标签（像素）、难度（课程），等等。 语言用来描述模板变量如何从模板中继承依赖关系。语言有很多种，各种语言都有各种应用条件，从而构造出大量非常有用的语言。 模板模型可以用紧凑的方
u012428391·2014-09-03 20:00

概率图模型（PGM）学习笔记（三）模式判断与概率图流

我们依旧使用“学生网络”作为样例，如图1。 图1首先给出因果判断（CausalReasoning）的直觉解释。能够算出来即学生获得好的推荐信的概率大约是0.5.但假设我们知道了学生的智商比較低，那么拿到好推荐信的概率就下降了：进一步，假设又同一时候知道了考试的难度非常低，那么他拿到好的推荐信得概率又上升了，甚至还能超过最初的概率：上述这个过程就是因果判断，你看它是顺着箭头的方向进行判断。 其次给出
mengfanrong·2014-07-18 15:00

概率图模型(PGM,Probability Graphical Model)推断简述

1.1     什么是推断直观地讲，推断就是根据已知条件来判断或查询未知信息。比如医生诊断，根据病人的症状（发烧，出汗等），来判断病人最有可能是得了什么病（感冒或其他病）。在这里，病人的症状就是已知条件，而病因就是查询的目标事件。用PGM来表示该类问题，即给定模型P(E,Y)，已知E=e,计算MAP(Y|E=e)=argmaxP（y，e）。上述所举的例子只体现了PGM查询类型之一，实际上通过PGM
huaweimember·2014-07-15 17:00

概率图模型

BuildingprobabilisticgraphicalmodelswithPython
zc02051126·2014-07-10 10:00

比较好的书籍---计算机，信号处理等专业

1.集体智慧编程 电子工业出版社莫映王开福译2.机器学习实战人民邮电出版  社李锐/李鹏/曲亚东/王斌译3.机器学习 tommitchell 机械工业出版社4.统计学习方法 李航 清华大学出版社5.概率图模型学习理论及应用赵悦
u010384318·2014-05-28 23:00

概率图模型（PGM）学习笔记（四）-贝叶斯网络-伯努利贝叶斯-多项式贝叶斯

我们已经用概率图模型把概率关系用图形化G表示了，独立性能从图上直接看出来吗？当然，上一讲已经详细解释过了概
u012428391·2014-05-18 23:00

概率图模型（PGM）学习笔记（三）模式推断与概率图流

我们依然使用“学生网络”作为例子，如图1。 图1首先给出因果推断（CausalReasoning）的直觉解释。可以算出来即学生获得好的推荐信的概率大约是0.5.但如果我们知道了学生的智商比较低，那么拿到好推荐信的概率就下降了：进一步，如果又同时知道了考试的难度很低，那么他拿到好的推荐信得概率又上升了，甚至还能超过最初的概率：上述这个过程就是因果推断，你看它是顺着箭头的方向进行推断。 其次给出信度推
u012428391·2014-05-17 10:00

概率图模型（PGM）学习笔记（二）贝叶斯网络-语义学与因子分解

概率分布（Distributions）如图1所示，这是最简单的联合分布案例，姑且称之为学生模型。图1其中包含3个变量，分别是：I（学生智力，有0和1两个状态）、D（试卷难度，有0和1两个状态）、G（成绩等级，有1、2、3三个状态）。表中就是概率的联合分布了，表中随便去掉所有包含某个值的行，就能对分布表进行缩减。例如可以去掉所有G不为1的行，这样就只剩下了1、4、7、10行，这样他们的概率之和就不为
u012428391·2014-05-15 22:00

概率图模型（PGM）学习笔记（一）动机与概述

PDM(ProbabilisticGraphiccalModels)称为概率图模型。下面分别说明3个词对应的意义。 概率-给出了不确定性的明确量度。-给出了根据不确定性进行推断的有力工具。
u012428391·2014-05-15 08:00

【综述】（MIT博士）林达华老师－“概率模型与计算机视觉

这次我们特别增设了一个问答环节，林老师针对论坛师生提出的许多问题（如概率图模型与目前很热的深度神经网络的联系和区别）一一做了详细解
zhubo22·2014-05-06 10:00

Stanford概率图模型（Probabilistic Graphical Model）— 第一讲 贝叶斯网络基础

概率图模型（Probabilistic GraphicalModel）系列来自Stanford公开课ProbabilisticGraphicalModel中DaphneKoller 老师的讲解。
zhubo22·2014-05-06 09:00

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
u010545732·2014-04-19 18:00

Explaining Away的简单理解

最近在看Stanford大神DaphneKoller的概率图模型，里面贝叶斯网络一节讲到了explainingaway。我看过之后试着谈谈自己的理解。
huangbo10·2014-04-07 11:00

机器学习理论与实战（十七）概率图模型05（极家族函数的引入）

概率图模型中极家族（exponentialfamilies）函数的引入        回顾概率图模型03中的内容，我们用联合树算法进行消息传递，本质是在求解某个变量的分布或者条件分布，求解一个分布不单纯局限在联合树算法上
cuoqu·2014-01-15 12:00

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。
woshizhouxiang·2013-12-25 15:00

概率图模型 conditional independence 一览表

概率图模型的独立和条件独立性质是非常重要的，为了方便以后查阅，特将这些性质记录下来。参考的第八章空心圆圈表示变量，灰色的圆圈表示已知观测量。注意箭头的方向。参考文献【1】【2】其它图模型的资料....
richard2357·2013-12-17 17:00

贝叶斯网络（Bayesian network)）简介（PRML第8.1节总结）概率图模型（Graphical models)

转：http://www.cnblogs.com/Dzhouqi/p/3204353.html部分图为手写，由于本人字很丑，望见谅，只是想把PRML书的一些部分总结出来，给有需要的人看，希望能帮到一些人理解吧。 下一篇，我将继续介绍本章内容8.2，条件独立
·2013-12-12 09:00

Stanford概率图模型 第一讲 有向图-贝叶斯网络

       原文链接（系列）：http://blog.csdn.net/yangliuy/article/details/8067261       概率图模型（Probabilistic GraphicalModel
wishchin·2013-11-04 20:00

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《DeformableModelFittingbyRegularizedLandmarkMean-Shift》中的人脸点检测算法在速度和精度折中上达到了一个相对不错的水平
marvin521·2013-09-09 20:02
上一页 8 9 10 11 12 13 14 15 下一页
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他