条件独立(conditional independence) 结合贝叶斯网络(Bayesian network) 概率有向图 (PRML8.2总结)
2015-08-25 09:18
656 查看
本文会利用到上篇,博客的分解定理,需要的可以查找上篇博客
D-separation对任何用有向图表示的概率模型都成立,无论随机变量是离散还是连续,还是两者的结合。
部分图为手写,由于本人字很丑,望见谅,只是想把PRML书的一些部分总结出来,给有需要的人看,希望能帮到一些人理解吧。
D-separation对任何用有向图表示的概率模型都成立,无论随机变量是离散还是连续,还是两者的结合。
部分图为手写,由于本人字很丑,望见谅,只是想把PRML书的一些部分总结出来,给有需要的人看,希望能帮到一些人理解吧。
相关文章推荐
- 贝叶斯网络(Bayesian network))简介(PRML第8.1节总结)概率图模型(Graphical models)
- NSURLSession基本使用
- Android 网络通信框架Volley简介
- 2016网络红人萧天
- HTTP中的重定向和请求转发的区别
- TCP和UDP的"保护消息边界"
- Linux 下apache httpd进程老死
- iOS网络-06-监听Iphone的网络状态
- TCP/IP协议知识科普
- 网络安全技术(二)
- Ubuntu Server配置wireless连接WPA2网络(interfaces)
- BZOJ 3931 网络吞吐量 (最短路+最大流)
- 想写一个网络游戏(PS:纯粹是为了好玩)
- TCP建立和解除连接过程
- tcpclient
- 在x86为arm 编译 httpd 2.2.31
- HTTP报文详解
- 帝云网络网站被攻击了怎么办?各类攻击应对方法
- 帝云网络五大技巧维护服务器安全
- 帝云网络服务器不稳定的影响因素有哪些