深度学习（一）：概率图模型引入
一、简介 概率图模型（Probabilistic Graphical Model ,PGM）是用图来表示变量概率依赖关系的理论，结合概率论与图论的知识，利用图来表示与模型有关的变量的联合概率分布。图的每个节点（node）都表示一个随机变量，而图的边（edge）则被用于编码 ...
原文：深度学习（八）：概率生成模型
一 引入 最开始知道生成模型和判别模型，是在李航的统计学习方法里，当时的理解是：生成模型，就是同时考虑了X和Y的随机性，也就是说二者都是随机变量 判别模型，就是只考虑了Y的随机性，而X并不是个随机变量，即使X存在于条件中，但是并没有p x 这种说法。当时同时也知道了，朴素贝叶斯和隐马尔可夫都是生成模型，最主要的原因就是在这两个模型中涉及到的变量都是随机变量。生成模型可以转变成判别模型，也就是生成模 ...
2020-03-27 00:01 0 731 推荐指数：
相关推荐
概率生成模型
对于一个分类问题，首先要有数据，然后需要找到一个模型f，定义loss function，最后找到表现最好的f的参数。 从概率上讲，分类问题其实就是根据训练数据估计新的数据属于哪一类的概率。 在讲概率生成模型前需要介绍高斯分布函数。 输入是特征向量x，输出是x的概率，高斯函数的形状由均值 ...
三大深度学习生成模型：VAE、GAN及其变种
原 三大深度学习生成模型：VAE、GAN及其变种 2017年08月09日 14:52:15 csdn_csdn__AI 阅读数 21331 ...
监督学习模型分类 生成模型vs判别模型 概率模型vs非概率模型 参数模型vs非参数模型
判别模型（discriminative model）和生成模型（generative model）：预测后验概率还是联合概率 判别模型： 直接对输入空间到输出空间的映射h(x)做预测，或者直接对条件概率分布P(y|x)做预测 PM，SVM，NN，KNN，LR，DT ...
zz“深度高斯模型”可能为深度学习的可解释性提供概率形式的理论指导
【NIPS2017】“深度高斯模型”可能为深度学习的可解释性提供概率形式的理论指导？亚马逊机器学习专家最新报告 专知 【导读】在NIPS 2017上，亚马逊机器学习专家Neil Lawrence在12月4日在长滩现场进行了一场“基于高斯模型的深度概率模型”的演讲报告。这场报告Neil ...
概率图模型（学习笔记）
概率图模型(PGM)：有向图模型，无向图模型和混合概率图模型。 有向概率图模型：隐马尔科夫模型，贝叶斯网络和动态贝叶斯网络。 无向概率图模型：马尔科夫随机场 MRF，——>条件随机场 CRF。 混合概率图模型：链图。 Markov-Gibbs的等价性 ...
「学习笔记」概率生成函数
概率生成函数 如果对于数列\(a_0 , a_1 , a_2 , . . . ,\)存在某个离散随机变量\(X\)满足\(\mathrm{Pr}(X = i) = a_i,\)那么\(a_n (n \in \mathbb N)\)的普通生成函数被称为\(X\)的概率生成函数。 也就是说 ...
深度学习的Attention模型
前面看到谷歌发表的运用在机器翻译上的论文《Attention is all you need》，很是让人惊讶，这是一种全新的模型，与之前的经典的seq2seq模型改动较大，它完全摒弃了RNN或CNN神经网络，大大简化了模型的复杂度，而且效果还相当好。当然Attention模型可以单独使用，但这篇 ...