斯坦福大学机器学习笔记及代码（一）
(Notes and Codes of Machine Learning by Andrew Ng from Stanford University) 说明：为了保证连贯性，文章按照专题而不是原本的课程进度来组织。 零、什么是机器学习？ 机器学习就是：根据已有的训练集D，采用学习算法A，得到 ...
原文：斯坦福大学机器学习，EM算法求解高斯混合模型
斯坦福大学机器学习，EM算法求解高斯混合模型。一种高斯混合模型算法的改进方法 将聚类算法与传统高斯混合模型结合起来的建模方法, 并同时提出的运用距离加权的矢量量化方法获取初始值，并采用衡量相似度的方法来融合高斯分量。从对比结果可以看出，基于聚类的高斯混合模型的说话人识别相对于传统的高斯混合模型在识别率上有所提高。 高斯模型有单高斯模型 SGM 和混合高斯模型 GMM 两种。 单高斯模型： 为简单起 ...
2017-06-06 01:33 0 3967 推荐指数：
相关推荐
LR 算法总结--斯坦福大学机器学习公开课学习笔记
在有监督学习里面有几个逻辑上的重要组成部件[3]，初略地分可以分为：模型，参数 和 目标函数。（此部分转自 XGBoost 与 Boosted Tree） 一、模型和参数 模型指给定输入xi如何去预测 输出 yi。我们比较常见的模型如线性模型（包括线性回归和logistic ...
斯坦福大学Andrew Ng教授主讲的《机器学习》公开课观后感
课程设置和内容 视频课程分为20集，每集72-85分钟。实体课程大概一周2次，中间还穿插助教上的习题课，大概一个学期的课程。 内容涉及四大部分，分别是：监督学习（2-8集）、学习理论（9集-11集）、无监督学习（12-15集）、强化学习（16-20集）。监督学习和无监督学习，基本上是机器学习 ...
CS229 斯坦福大学机器学习复习材料(数学基础) - 线性代数
CS229 斯坦福大学机器学习复习材料(数学基础) - 线性代数 线性代数回顾与参考 1 基本概念和符号 1.1 基本符号 2 矩阵乘法 2.1 向量-向量乘法 ...
机器学习算法总结(六)——EM算法与高斯混合模型
极大似然估计是利用已知的样本结果，去反推最有可能（最大概率）导致这样结果的参数值，也就是在给定的观测变量下去估计参数值。然而现实中可能存在这样的问题，除了观测变量之外，还存在着未知的隐变量，因为变量未知，因此无法直接通过最大似然估计直接求参数值。EM算法是一种迭代算法，用于含有隐变量的概率模型 ...
机器学习之高斯混合模型及EM算法
第一部分： 这篇讨论使用期望最大化算法（Expectation-Maximization）来进行密度估计（density estimation）。 与k-means一样，给定的训练样本是，我们将隐含类别标签用表示。与k-means的硬指定不同，我们首先认为是满足一定的概率分布 ...
[斯坦福大学2014机器学习教程笔记]第四章-正规方程在矩阵不可逆情况下的解决方法（选学）
上节中，我们讲了正规方程。在这节中，我们将学习正规方程以及不可逆性。本节的概念较为深入，所以可以将它看作是选学材料。 我们要讨论的问题如下： 当我们计算θ=(XTX)-1XTy的时候，万一矩阵XTX是不可逆的话怎么办？ 如果懂一点线性代数的知识 ...
【笔记】迈向人工智能 | Coursera-斯坦福大学-机器学习-吴恩达（已完结）
课程首页：Coursera-Stanford-Machine Learning 授课教授：吴恩达（Andrew Ng） ------Week 1------2018.10.10------ ...