摘要：
1.1《数学分析》：复旦，陈纪修，214集，151小时 http://www.youku.com/playlist_sh ... ode_pic_page_1.html http://www.youku.com/playlist_show/id_3657450.html 1. 2《数学分析... 阅读全文
摘要：
从cvchina上看到的，转载自demonstrate的blog自己稍作补充。这里搜集了一些常见的和machinelearning相关的网站，按照topic来分。ActiveLearninghttp://active-learning.net/，这里包括了关于ActiveLearning理论以及应用... 阅读全文
摘要：
这里罗列一些看完此书后遗留的问题：常用 model 通过 BP/LBP 重新审视 inference 部分Lauritzen algorithm/Lauritzen-Spiegelhalter algorithmturbo codec 与 LBPGaussian processes 与 Gaussi... 阅读全文
摘要：
这部分讨论决策理论与 PGM 的关系，一个主要的思路就是将决策与 PGM 的 inference 完美的融合在一起。MEU为了引入决策理论中的 maximum expected utility 原则，我们先引入一些概念：lottery（彩票）是一个结果与概率的映射关系，用户对不同的 lottery ... 阅读全文
摘要：
前面结束了关于 learning 部分一些粗浅的讨论，我们大概明白了一些 learning 中 common sense/techniques。剩下的部分我们分为 causality 和 utility 两部分。Koller 的课程上面稍微涉及了一些后者的东西，不过觉得前者也挺有意思的，顺便了解一些... 阅读全文
摘要：
这部分我们讨论结构学习，也就是 graph 的边我们并不清楚。很自然我们可以用 fully observed 数据来做，但是也可能碰到有 missing data 的情况。一般来说前者是比较常见的。就方法而言，我们有 constraint-based structure learning 与 sco... 阅读全文
摘要：
这部分讨论在有数据缺失情况下的 learning 问题，这里仍然假定了图结构是已知的。首先需要讨论的是为什么会缺失，很多情况下缺失并不是“随机”的：有的缺失是人为的，那么某些情况下缺失的可以直接补上，而某些情况下我们需要使用额外的随机变量对缺失进行 modeling；有的缺失是随机的，有的是因为的确... 阅读全文
摘要：
这部分开始，我们将讨论 learning 相关的内容。PGM 为 frequentist 与 Bayesian 系的 model 提供了同一种语言，对前者来说 learning 就是确定一种对“未知但是却是常值”的参数的估计，使得某种“准则”得到满足；对后者来说参数不存在“估计”问题，参数由于成为了... 阅读全文
摘要：
作为 inference 部分的小结，我们这里对 machine learning 里面常见的三个 model 的 inference 问题进行整理，当然很幸运的是他们都存在 tractable 的算法是的我们避免了烦人的 approximate inference。HMM常意所说的 HMM 是对离... 阅读全文
摘要：
这里简要的讨论 hybrid network 与一些时序数据的分析。hybrid network 指网络中存在离散随机变量与连续随机变量，这种情况下一般非常麻烦，这主要是因为连续型随机变量需要使用某个参数族来进行刻画，某些情况下对应的 margin 却不属于给定的参数族。常用的处理手段是离散化，即将... 阅读全文