一、频率派 vs 贝叶斯派 机器学习主要解决从数据中获取其概率分布的问题，通过一些机器学习的算法可以从大量数据中找到一定的规律，从而建立模型来解决实际问题，因此机器学习中主要使用数据来求解其参数： data:\(X\) $X= \left[ \begin x_1 & x_2 & \cdots & x ...
分类：
其他好文 时间：
2020-07-22 21:00:17
阅读次数：
102
一、生成模型 假设有两个类别$C_{1}、C_{2}$，$P(C_{1}|x)=\frac{P(x|C_{1})P(C_{1})}{P(x|C_{1})P(C_{1})+P(x|C_{2})P(C_{2})}$其中$P(C_{1})、P(C_{2})$为先验分布，$P(x|C_{1})、P(x|C_ ...
分类：
其他好文 时间：
2020-07-22 20:50:01
阅读次数：
76
一.背景 1.概率：在多元下，（1）联合概率：两个事件同时发生的概率P(A,B) ，（2）条件概率：在某一事件A条件下，另一事件B发生的概率P(B|A)，（3）边缘概率：某一事件发生的概率P(A); 2.独立事件：两个没有任何关系的事件互为独立事件，此时两个事件的联合概率为两者概率相乘P(A,B)= ...
分类：
其他好文 时间：
2020-04-18 21:22:48
阅读次数：
116
超参数调优方法 网格搜索 通过查找搜索范围内的所有的点来确定最优值。如果采用较大的搜索范围以及较小的步长，网络搜索有很大概率找到全局最优值。然而，这种搜索方案十分消耗计算资源和时间，特别是需要调优的超参数比较多的时候，因此，在实际应用中，网格搜索法一般会使用较广的搜索范围和步长，来寻找全局最优值可能 ...
分类：
其他好文 时间：
2020-03-21 17:58:26
阅读次数：
67
概率分布（一) 参数分布 取这个名字是因为少量的参数可以控制整个概率分布。如高斯分布，我们只需要控制其期望和方差就可以得到一个特定的概率分布。 频率学家的观点：通过最优化某些准则（如似然函数）来确定参数的具体值。 贝叶斯观点：给定观察数据，先引入参数的先验分布，然后用贝叶斯定理计算对应的后验概率分布 ...
分类：
其他好文 时间：
2020-01-17 23:33:26
阅读次数：
406
Gamma分布与共轭先验 Gamma函数 对于整数$n$的阶乘，我们有$n!=n\times (n 1)...\times1$。 对于实数$x$的阶乘，计算公式为： $$ \Gamma(x)=\int_0^\infty t^{x 1}e^{ t}\,dt $$ 性质如下： 1. $\Gamma(x+ ...
分类：
其他好文 时间：
2020-01-17 23:16:16
阅读次数：
436
基本思想 生成器 从先验分布中采得随机信号，经过神经网络变换，得到模拟样本 判别器 接受来自生成器的模拟样本，也接受来自实际数据集的真实样本，并进行判断 训练过程 训练判别器：先固定生成器$G(\cdot)$，然后利用生成器随机模拟产生样本$G(z)$作为负样本，并从真实数据集采样正样本$X$;将这 ...
分类：
其他好文 时间：
2019-11-24 17:58:11
阅读次数：
89
快手AI lab 月臻 月臻 月臻 月臻 月臻 月臻 最近想出去实，快手是第一个发来的，所以就去了下。 第一 1. 介绍下NMS，并写出NMS的伪代码，和计算IOU的函数。 先介绍了一下NMS的做法，然后伪代码一时没写出来，计算IOU的函数没完全写对。当头一凉，其实之前在知乎上看到过说面试要准备的， ...
分类：
其他好文 时间：
2019-10-29 15:27:54
阅读次数：
106
，当θ的区间是无穷的时候，没办法定义一个正常的均匀分布，那广义先验分布的应用体现在哪里呢？ 这里不满足 概率空间的完全性 ， p（Ω）等于1 就是你对parameter的分布一点都没有把握的时候， 你知道parameter取值从负无穷到正无穷，但是并不确定它在什么时候概率更大 ...
分类：
其他好文 时间：
2019-05-19 10:25:14
阅读次数：
235
这里的频率学派，认为参数θ是一个常量 ，只有属于置信区间，或者?置信区间，没有属于这个某个置信区间的概率是0.9的说法。第一个意思是整体分布的一个参数θ，取θ的某一个先验分布，计算在该先验分布的条件下的贝叶斯估计的值不能等于该θ在整体分布下面的值。 第二个图片就是例子，第二张图片中因为先验概率取得好 ...
分类：
其他好文 时间：
2019-04-16 09:23:25
阅读次数：
155
