模式识别与机器学习

模式识别与机器学习笔记2018.8.20

线性模型多项式函数y(x,w)是x的一个非线性函数，它是系数w的一个线性函数。类似多项式函数的这种关于未知参数满足线性关系的函数称为线性模型区分是否为线性模型，主要是看一个乘法式子中自变量x前的系数w，x只被一个w影响系数的值可以通过调整多项式函数拟合训练数据的方式确定，通过最小化误差函数（errorfunction）的方法实现，常用均方差因子1/2是为了后续运算方便我们可以通过选择使得E(w)尽
菜菜君·2018-08-21 10:56

未来计划

实习未来计划学习智能人机交互网络数据挖掘模式识别与机器学习算法实习在悦享的实习已经一个月了，平胸而论，收获还是有的。
即使迷茫也要努力·2017-11-23 21:14

<教材推荐> PRML_模式识别与机器学习

     ​前两天参加完GMIS_2017全球智能机器峰会，听了很多学术界和工业界的大牛们的精彩分享，后期也会整理视频和PPT，放上来和大家分享。获取最新消息链接：获取最新消息快速通道-lqfarmer的博客-博客频道-CSDN.NET    目前，机器学习技术最新发展的趋势是什么？借用第四范式首席科学家杨强老师观点，机器学习的发展趋势：    昨天：深度学习技术（大量数据，丰富特征和高准确率） 
lqfarmer·2017-05-30 19:00

VALSE 2017 | 人脸检测与识别技术年度进展概述

前言VALSE年度研讨会的主要目的是为计算机视觉、图像处理、模式识别与机器学习研究领域内的中国青年学者提供一个深层次学术交流的舞台。
计算机视觉life·2017-04-26 12:42

【Kernel Method】Kernel Method核方法介绍

引言核方法是20世纪90年代模式识别与机器学习领域兴起的一场技术性革命。其优势在于允许研究者在原始数据对应的高维空间使用线性方法来分析和解决问题，且能有效地规避“维数灾难”。
cjianwyr·2017-02-07 11:24

模式识别与机器学习（一）：概率论、决策论、信息论

本系列是经典书籍《PatternRecognitionandMachineLearning》的读书笔记，正在研读中，欢迎交流讨论。基本概念1.模式识别（PatternRecognition）：是指通过算法自动发现数据的规律，并进行数据分类等任务。2.泛化（generalization）：是指对与训练集数据不同的新样本进行正确分类的能力。（模式识别的主要目标）3.分类（classification）
u014313009·2016-02-27 21:00

线性分类器之感知机算法

感知机算法(Theperceptronalgorithm)，应该是最早运用的机器学习算法，在模式识别与机器学习占有者非常重要的位置，人们尝试通过模拟大脑神经元的工作模式，创造机器智能。
·2015-12-09 16:36

《模式识别与机器学习》学习笔记：4.0 线性分类模型：前言

术语 术语 中文含义 备注 decision regions   p179 decision boundaries (decision surfaces)     linearly separable     discriminant function   p180 activation function &nb
·2015-11-13 07:07

《模式识别与机器学习》学习笔记：2.1 二值变量

术语 术语 中文含义 备注 Bernoulli distribution   p69 sufficient statistic   *, p69 sample mean   p70 binomail distribution   p70 conjugacy   p71页第一次出现 beta distribution &
·2015-11-13 07:06

《模式识别与机器学习》学习笔记：2.3 高斯分布

术语 术语 中文含义 备注 central limit theorem 中心极限理论 p78 Mahalanobis distance 马氏距离 #, p80 orthonormal 正交 p80 eigenvalue 特征值 p81 positive definite 正定的 p81 singular 非平凡的 p81 positive semidefinite
·2015-11-13 07:06

《模式识别与机器学习》学习笔记：2.2 多项变量

术语 术语 中文含义 备注 sufficient statistics   p75 multinomial distribution   p76 Dirichlet distribution   p76 注：#(不确定含义)，*(重点) 2.2 Mutinomial Variables 确定参数的方法：最大似然法 2.2.1 The Dir
·2015-11-13 07:05

《模式识别与机器学习》学习笔记：2.0 前言

术语 术语 中文含义 备注 Bayesian inference     density estimation     ill-posed 不适定的 # parametric distribution     conjugate prior 共轭先验 * exponential family   D
·2015-11-13 07:04

模式识别论坛

模式识别论坛 模式识别网络资源链接 一、模式识别相关网址及其论坛网址 1、中国模式识别与机器学习论坛 http://bbs.pr-ml.cn 2、振动论坛——人工智能与模式识别 http://www.chinavib.com
·2015-11-11 06:48

今天开始学习模式识别与机器学习Pattern Recognition and Machine Learning (PRML)，章节5.1，Neural Networks神经网络-前向网络。

话说上一次写这个笔记是13年的事情了···那时候忙着实习，找工作，毕业什么的就没写下去了，现在工作了有半年时间也算稳定了，我会继续把这个笔记写完。其实很多章节都看了，不过还没写出来，先从第5章开始吧，第2-4章比较基础，以后再补！   第5章 Neural Networks 在第3章和第4章，我们已经学过线性的回归和分类模型，这些模型由固定的
·2015-11-08 15:38

关于系列教程-模式识别与机器学习算法视频教程的说明

　　本人太懒了，为了督促自己能够对模式识别与机器学习方面的知识充分的掌握，也 为了能够传播此领域知识给大众，所以本人决定要做出一系列关于模式识别与机器学习 算法的视频出来。
·2015-11-08 15:45

模式识别与机器学习中数学推导中用到的数学知识

每次手推公式就会遇见各种不会的，在网上搜了个总结的还不错的常用求导公式。。。继续更新中…… 一、基本线性代数 以下部分原文地址：http://blog.163.com/live_freely/blog/static/151142060201023154057339/ 在网上看到有人贴了如下求导公式： Y = A * X --> DY/DX = A' Y = X * A -->
·2015-11-07 11:30

"模式识别与机器学习"读书笔记——1.6 Information Theory

信息论初步。 越少出现的事件其包含的信息量越大，用h(x)表示， h(x)需满足性质：h(x,y)=h(x)+h(y)，x,y是两个不相关事件。 由此可以对h(x)建立模型：h(x)=-log2p(x)。 如果要把本地的随机发生的事件传到另一个地方，需要传输的平均信息量为： 这个H[x]也叫做熵。x的分布越均匀，熵越大。 熵在信息学上很像那个最短路径编码，都表明了传递信息所需要的最短
·2015-11-03 21:35

"模式识别与机器学习"读书笔记——1.5 Decision Theory

经过之前的章节，我们应该可以做到通过训练数据训练后，给一个新的x，得到结果t的可能概率分布，比如通过一张新的x片得出这个人得癌症的概率分布如何，不得癌症的分布如何，然后做出最可能的选择决策。这章开始引入分类的概念，将所得结果分类，即所谓的决策。（既然已经知道概率了，选大的不就完了么？） 1.5.1 Minimizing the misclassification rate 通过前几节我们可以求
·2015-11-03 21:35

"模式识别与机器学习"读书笔记——2.3(2)

2.3.1 Conditional Gaussian distributions 如果两个变量集合共同符合分布高斯分布，那么每个单一变量的条件分布(p(a|b))与边缘分布(p(a))都是符合高斯分布的。 即如果x是高斯分布。 则xa，xb也符合高斯分布。而且他们的期望与协方差可求，可以用两种方法求出。（都是利用矩阵变换的性质） 结论是： 2.3.2 Marginal
·2015-11-02 14:10

"模式识别与机器学习"读书笔记——2.3 The Gaussian Distribution

高斯分布，又叫做正态分布，应用范围很广。比如令单一变量取值分布能够具有最大熵就要用高斯分布；一堆随机数求和，得到的和的分布也满足高斯分布（根据拉普拉斯的中心极限定理）。这第2.3章就要介绍其一些重要性质，对后续章节很有帮助。 2.3的每一小节的内容都不少，所以我拆开写了。另外这章涉及不少数学证明，不是很好写，具体写不写再说了。 单变量的高斯分布形式： 当变量x是个D维向量时，高斯分布形式
·2015-11-02 14:09

"模式识别与机器学习"读书笔记——2.2 Multinomial Variables

2.1章里涉及的x只有两个值：0/1，这太少了，这章允许x有K个离散的值。 它对x取这K个值得表示是用一个k维向量表示的，x也就变成了一个k维向量。例：如果x取值是k个值中的第三个，则表示为： 注意，x向量中的1只能有1个，体会一下他的实际意义，这样才能代表K个离散的值。 所以对某个特定的x出现的概率可以表示为： 其中，对应x向量中每一个位置上出现1的概率。 期望为：(由于x是个
·2015-11-02 14:09

"模式识别与机器学习"读书笔记——2.1 Binary Variables

从最简单的变量谈起——一位二进制变量（只有0/1两种值）。 典型例子翻硬币，假设人头朝上的概率为u，作为这个模型的参数，则其概率分布为： 这个分布也称Bernoullo distribution，期望方差为： 如果有一组观察数据D={x1,x2,...,xn}，则这组观察数据出现的概率为： 选择u的依据就是，让上面这个概率最大化，方法还是那个取对数，再求导令其等于0，得到p最大
·2015-11-02 14:08

"模式识别与机器学习"读书笔记—— 1.4 The Curse of Dimensionality

多项式拟合只有一个输入变量x，在实际中会有n多变量的情况，就想高维度问题那样，本节大致描述如何处理这些问题。 可以降维处理，比如一张图片，本来有x,y两个输入变量，你可以把这张图片切成n多个小图片，给每个小图片一个标号，这样输入变量就变成1个了。这样做的缺点是从高维向低维降的时候，数据规模会指数型的增长。 也可以模仿多项式拟合的，只是引入更多变量的多项式拟合，这样数据规模是幂次增长，比指数稍好
·2015-10-31 13:42

"模式识别与机器学习"读书笔记——1.2 Probability Theory

1.2.0 基本的概率知识回顾，包括概率的乘积原则、求和原则，independent。你可以确定解决这种问题就ok了： 一个红盒子里装了2个苹果与6个橘子，一个蓝盒子里装了3个苹果与1个橘子，拿红盒子的概率是40%， 请问随机选个盒子再拿出一个水果是苹果的概率？如果拿出的是橘子，这个橘子来自红盒子的概率？ 另外要注意，如果红盒子与蓝盒子中的苹果橘子比例相同，则选盒子与选水果是独立事件，要会
·2015-10-31 13:41

"模式识别与机器学习"读书笔记——1.1 Example:Polynomial Curve Fitting

概述： 多项式拟合的入门知识，并给了个简单的例子：给了一堆x，一堆y，当再给你个x时你如何预测y的值。 非常基础，就一些有关多项式参数确定的概念，但并没有提如何确定参数的方法。 多项式拟合，假定原数据是由一个多项式函数产生的，y(x,w)，w是多项式的一些列参数。要通过已知的数据找到w使得你这多项式算出来的数据与实际数据的方差最小。当多项式的项数M越高时，对training数据的匹配就越精确
·2015-10-31 13:39

"模式识别与机器学习"读书笔记——1 Introduction

PATTERN RECOGNITION AND MACHINE LEARNING CHRISTOPHER M.BISHOP 干什么东西都要留下点什么，既然有人说这本书很经典，这回就好好学一学，记一记好了。毕竟这是我初踏这个领域的第一本书嘛。这个系列博客将对这本书得每一节给出概要，相关信息，一些补充。可以当做这本书的框架说明。刚开始入门很多概念肯定会有理解性偏差，会逐步完善的。 1 Intro
·2015-10-31 13:38

"模式识别与机器学习"读书笔记——2 Probability Distributions

由于概率论在模式识别中占有举足轻重的位置，所以这章就专门讲一讲几个典型的概率分布和它们的性质。另外还涉及一些简单的统计学概念。 概率分布就是给p(x)建立模型，又称为密度估计（density estimation）。说到底也就是个建模，所以每一个模型都是不适定的，模型也有无限多可能性，选取合适的模型就成立模式识别中的一个重要议题。 这无限多的模型可以被分成两大类：parametric dist
·2015-10-31 11:03

条件高斯分布和卡尔曼滤波

这一推导过程来自于《模式识别与机器学习》（PRML）。1.条件高斯分布   本节要解决的问题是已知，，计算。   按照的划分方法，可以将均值和协方差矩阵分块如下所示。
暗海风·2015-05-19 21:00

条件高斯分布和卡尔曼滤波

这一推导过程来自于《模式识别与机器学习》（PRML）。1.条件高斯分布   本节要解决的问题是已知，，计算。   按照的划分方法，可以将均值和协方差矩阵分块如下所示。
暗海风·2015-05-19 21:00

以图搜图相关资料

随着近年来模式识别与机器学习的快速发展，该领域又逐渐火热起来，并涌现出很多实际可用的商业系统。同时，越
onlyzkg·2015-05-05 16:00

以图搜图相关资料

随着近年来模式识别与机器学习的快速发展，该领域又逐渐火热起来，并涌现出很多实际可用的商业系统。同时，
Lu597203933·2015-05-05 15:00

【Kernel Method系列】Kernel Method入门

引言：核方法是20世纪90年代模式识别与机器学习领域兴起的一场技术性革命。其优势在于允许研究者在原始数据对应的高维空间使用线性方法来分析和解决问题，且能有效地规避“维数灾难”。
JasonDing1354·2014-07-03 16:51

【Kernel Method系列】Kernel Method入门

引言：核方法是20世纪90年代模式识别与机器学习领域兴起的一场技术性革命。其优势在于允许研究者在原始数据对应的高维空间使用线性方法来分析和解决问题，且能有效地规避“维数灾难”。
JasonDing1354·2014-07-03 16:00

opencv EM算法 源码解读

在看源码前最好看下   模式识别与机器学习 （Bishop）暂无中文版这本书的第9章，有详细的公式推导，斯坦福大学公开课NG的课件，可以两者结合看（Bishop的书和NG的课）NG的课件翻译版本（EM课件
yeyang911·2014-06-30 10:00

以图搜图的一些知识

随着近年来模式识别与机器学习的快速发展，该领域又逐渐火热起来，并涌现出很多实际可用的商业系统。
zwlq1314521·2014-01-02 15:00

以图搜图的相关资料

随着近年来模式识别与机器学习的快速发展，该领域又逐渐火热起来，并涌现出很多实际可用的商业系统。同时，越来越多的公司和机构开始涉足该领域，以此来推动以图搜图的快速发展与成长
a200800170331·2013-10-13 09:00

以图搜图相关材料

随着近年来模式识别与机器学习的快速发展，该领域
tozhangning·2013-10-10 21:00

以图搜图相关资料

随着近年来模式识别与机器学习的快速发展，该领域又逐渐火热起来，并涌现出很多实际可用的商业系统
chenbang110·2013-09-13 14:02

以图搜图相关资料

随着近年来模式识别与机器学习的快速发展，该领域又逐渐火热起来，并涌现出很多
chenbang110·2013-09-13 14:00

以图搜图相关资料

随着近年来模式识别与机器学习的快速发展，该领域又逐渐火热起来，并涌
carson2005·2013-09-13 11:00

LDA-math-神奇的Gamma函数

最近实在太忙，实验室要轮讲bishop的那本模式识别与机器学习，虽然我不是弄这块的，不过任务还是得完成，查资料的过程中发现了这篇个人觉得很有趣的文章，这个系列也是为理解LDA模型做铺垫。
natsu1211·2013-05-18 15:00

今天开始学模式识别与机器学习Pattern Recognition and Machine Learning (PRML)，章节1.2，Probability Theory （下）

原创书写，转载请注明此文出自：http://blog.csdn.net/xbinworld，Bin的专栏今天开始学PatternRecognitionandMachineLearning(PRML)，章节1.2，ProbabilityTheory（下）今天把1.2写完，这一节讲了很多重要的基础内容。1.2.3 贝叶斯概率这一节的上半部分，我们结合一个盒子-水果抽取的问题，从随机可重复事件频率的角度
xbinworld·2013-05-09 20:00

今天开始学模式识别与机器学习Pattern Recognition and Machine Learning (PRML)书，章节1.2，Probability Theory （上）

原创书写，转载请注明此文出自：http://blog.csdn.net/xbinworld，Bin的专栏 PatternRecognitionandMachineLearning(PRML)书，章节1.2，ProbabilityTheory（上）这一节是浓缩了整本书关于概率论的精华，突出一个不确定性（uncertainty）的理解。我看的比较慢，是想要细扣一下，而且写blog码字也很慢，不过我想留
xbinworld·2013-04-26 18:00

今天开始学模式识别与机器学习Pattern Recognition and Machine Learning 书，章节1.1，多项式曲线拟合(Polynomial Curve Fitting)

原创书写，转载请注明此文出自：http://blog.csdn.net/xbinworld，Bin的专栏 PatternRecognitionandMachineLearning(PRML)书学习，章节1.1，介绍与多项式曲线拟合(PolynomialCurveFitting)博士也快念完了，明年毕业，今年开始准备毕业相关的东西，感觉自己做machinelearning的research做的很散，
xbinworld·2013-04-26 18:00

【模式识别与机器学习】贝叶斯公式

1贝叶斯公式设x是个随机变量，表示为鱼的光泽度，w1、w2分别表示鲈鱼和鲑鱼。已知的先验概率为p(w1)+p(w2)=1。P(x|w)表示类别状态为w时的x的概率密度函数，有时也称为状态条件概率密度。因此，p(x|w1)与p(x|w2)之间的区别就表示了鲈鱼与鲑鱼间光泽度的区别。如图2.1在通过观察和测量（这在实际应用中，可以通过训练语料的出），发现了一条鱼的光泽度x，及其所属的类别w。类别w，并
李亚超·2012-07-03 10:08

【模式识别与机器学习】贝叶斯公式

1 贝叶斯公式设x是个随机变量，表示为鱼的光泽度，w1、w2分别表示鲈鱼和鲑鱼。已知的先验概率为p(w1)+p(w2) = 1。P(x | w) 表示类别状态为w时的x的概率密度函数，有时也称为状态条件概率密度。因此，p(x | w1)与p(x | w2)之间的区别就表示了鲈鱼与鲑鱼间光泽度的区别。如图2.1在通过观察和测量（这在实际应用中，可以通过训练语料的出），发现了一条鱼的光泽度x，及其所属
Harry_lyc·2012-07-03 10:00

【模式识别与机器学习】模式识别中的一些基本概念

1特征(feature)：如果有一个区分鱼的类别的系统，可以分类的依据为长度、光泽、宽度、鳍的数目和形状、嘴的位置。这些可以利用的要素称为模式分类的特征。2模型(model)：如果鱼的不同类别之间确实存在某种差异，我们称之为具有不同的模型，即可以用数学形式表达的不同特征的描述。在模式识别系统中，经常会用到三种密切相关的系统，回归分析、函数内插和（概率）密度估计。3回归(regression)分析中
李亚超·2012-07-02 11:55

【模式识别与机器学习】模式识别中的一些基本概念

1 特征(feature)：如果有一个区分鱼的类别的系统，可以分类的依据为长度、光泽、宽度、鳍的数目和形状、嘴的位置。这些可以利用的要素称为模式分类的特征。2 模型(model)：如果鱼的不同类别之间确实存在某种差异，我们称之为具有不同的模型，即可以用数学形式表达的不同特征的描述。在模式识别系统中，经常会用到三种密切相关的系统，回归分析、函数内插和（概率）密度估计。3 回归(regression)
Harry_lyc·2012-07-02 11:00

模式识别与机器学习--- 3.3.1条件高斯分布

 多元高斯分布的一个重要性质是如果两个变量集是联合高斯分布，那么其中一个基于另一个变量集上的条件分布仍然是高斯分布。边缘高斯分布也有类似结论。考虑第一种情形的条件高斯分布。假设X是一个满足高斯分布的D维向量，我们把X分作两个子集Xa和Xb。不失一般性，我们记Xa为X的前M个元素，Xb为剩下D-M个元素，即我们还定义期望向量的分块及协方差矩阵的分块注意到协方差的对称性隐含着和也是对称的，以及。 在许
tonyshenkk·2012-03-09 12:30

模式识别与机器学习--- 3.3 高斯分布

 2.3高斯分布高斯分布又称正态分布，被广泛用于连续变量分布的模型。对于单变量x，高斯分布的形式这里表示期望，表示方差。对于一个D维向量X，其多元高斯分布形式为：这里是一个D维均值向量，是的协方差矩阵，表示的行列式。  高斯分布出现在很多应用中并可以从很多角度来阐释。比如，我们已经见过的实单变量使熵最大的分布就是高斯分布。该性质同样适用于多元高斯分布中。         当考虑多个随机变量和的分布
tonyshenkk·2012-03-08 13:10
上一页 1 2 3 4 5 下一页
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他