Gao Lan

摘要： 阅读全文

摘要： 最近看机器学习的内容，碰到了无数次关于最大似然性和最小二乘法的概念和应用，今天就把它整理一下。机器学习大体可分为监督式学习和非监督式学习，在这两种学习方式中，最大似然性和最小二乘法都有着广泛的应用，要想正确的理解它们，首先得弄清它们的已知和假设条件，下面就分开讨论。(i)非监督式学习：非监督学习的特征，就是只有输入向量而没有与之对应的输出向量。方便起见，我们在这里讨论单值向量情形，即输入x=(x1,x2,...,xN)，表示训练集有N个输入值，假设xn独立同分布，并且服从高斯分布（单峰），µ、σ2未知，也正是我们要求的量。那么，每个输入值xn的概率分布（高斯分布）如下：p(xn|&# 阅读全文

摘要： 这个实例的具体实现过程，http://www.52nlp.cn/hmm-application-in-natural-language-processing-one-part-of-speech-tagging-3这个链接讲解的很详细，我只补充实现过程中出现的问题和解决方法，这是链接里没提到的。我首先声明，我使用的系统是Ubuntu12.04。主要补充3点：1、进入example0目录后，要先执行文件--link，这是个可执行文件，使用的解释器为csh，由于系统默认是不安装的，所以要先安装该解释器，在执行link。命令如下：sudo apt-get install csh./link2、在ex 阅读全文

摘要： 1、问题当我们描述世界上的很多事物时，常常喜欢用某个已知的分布模型来近似刻画它，比如二项分布和高斯分布（正态分布）等。但是，当我们选定某个模型后，就产生了模型中参数如何确定的问题，为此就引入了极大似然性估计。2、基本思想为了确定合适的参数，我们首先得从现实中获取一定的实例样本S。这时，人们就想了，既然我们获得了实例样本S，那么它在所有样本中出现的概率就应该是最大的，这就转化成求使得P(S)最大的极值点问题。求出的极值点就是所要确定的参数的合适的值。3、示例我们就以简单的抛硬币为例子，演示下最大似然性估计。假设它服从二项分布，P(head)=u设S为人们观察到的事件的特定序列，即上述的实例样本， 阅读全文

摘要： 这是我的第一篇博客，期盼博客园能在以后的日子里伴随我的成长~ 阅读全文