摘要: 概率的公理化定义 为了准确理解与深入研究随机现象,我们不能满足于从直觉出发形成的概率定义(概率的稳定值或可能性大小的个人信念),必须把概率论建立在坚实的数学基础上,科尔莫哥洛夫1933年在《概率论基本概念》一书中用集合论观点和功利化方法成功解决了这个问题。 首先,可以看到事件的关系和集合关系之间存在 阅读全文
posted @ 2020-05-04 22:50 Easonshi 阅读(1959) 评论(0) 推荐(0) 编辑
摘要: 卸载 Anaconda 转用 Miniconda 2020/5/3 更新:我在原文中试图保留原 env 中已安装的 package,但这样复制的做法可能带来一些问题,例如 conda 的路径配置问题,我会在下面补充解决方案,但不保障不会出现另外的问题;所以更好的解决方案是完全卸载 Anaconda, 阅读全文
posted @ 2020-04-25 20:56 Easonshi 阅读(3908) 评论(0) 推荐(0) 编辑
摘要: 傅立叶变换 欧拉公式 先给出欧拉公式: \[ e^{i\theta}=\cos(\theta)+i\sin(\theta)\tag{1} \] 参考如何通俗地解释欧拉公式(\(e^πi+1=0\))? 直观的理解:我们知道 \(e=\lim_{n\to \infty}(1+{1\over n})^n 阅读全文
posted @ 2020-04-10 22:07 Easonshi 阅读(1186) 评论(0) 推荐(0) 编辑
摘要: SL 主成分分析(PCA) 本文主要是对于刘建平 "这篇文章" 的笔记,参考《深度学习》一书中的记号 主成分分析(Principal components analysis, PCA)是最常用的降维手段,也是一种典型的无监督学习手段。思路就是对于原空间上的数据点,找到一个合适的子空间,用更小的向量来 阅读全文
posted @ 2020-03-17 14:40 Easonshi 阅读(425) 评论(0) 推荐(0) 编辑
摘要: 前面讲的 BN 是静态的概率推断,而在这里我们考虑在时间上的推移,并且网络的形式更为简单了。时间上的推断在实际中的应用非常广泛,如 Speech recognition, Robot mapping, Medical monitoring。 Markov Models 一个时间点的状态可能取决于前面 阅读全文
posted @ 2020-01-17 00:15 Easonshi 阅读(314) 评论(0) 推荐(0) 编辑
摘要: 贝叶斯网络,我们分成了表示和推断两个课时;另外,因此它和后面的 HMM 等模型密切相关,因此需要熟练掌握。 Preliminaries for Probabilistic Reasoning 概率推断 Probabilistic Reasoning 在很多地方都有用,如 Diagnosis, Spe 阅读全文
posted @ 2020-01-16 13:36 Easonshi 阅读(494) 评论(2) 推荐(0) 编辑
摘要: 博弈 Game 的分类维度 Deterministic or stochastic? One, two, or more players? Zero sum? Perfect information (can you see the state)? Adversarial Search 对抗搜索 A 阅读全文
posted @ 2020-01-16 10:12 Easonshi 阅读(1003) 评论(0) 推荐(0) 编辑
摘要: Constraint Satisfaction Problem 在搜索算法中,我们关心的是从初始节点到目标节点的一条路径;而在约束满足问题中,我们没有初始状态,只关心 goal 而不在乎 path。 Planning: sequences of actions Identification: ass 阅读全文
posted @ 2020-01-16 00:48 Easonshi 阅读(3064) 评论(0) 推荐(0) 编辑
摘要: 首先,我们 定义一个搜索问题 : a state space a successor/result function (with actions, costs) a start state a goal test 例如对于一个 Pacman 世界来说,状态空间就是 Pacman 所在的位置、豆子的状 阅读全文
posted @ 2020-01-15 22:19 Easonshi 阅读(813) 评论(1) 推荐(0) 编辑
摘要: 这学期的课程内容,原本想要整理一下的,但笔记有点乱,另外这门课注重数理推导所以公式有点多;因此只整理习题课上的提纲,基本上覆盖了这学期的主要内容(主要是因为自己懒🐶)。 Estimation: para $\theta$ estimator $\hat\theta$ MLE LSE Unbiase 阅读全文
posted @ 2020-01-06 22:20 Easonshi 阅读(365) 评论(0) 推荐(0) 编辑