七月算法机器学习 8 信息论、最大熵模型与EM算法
2020-06-30 13:50
453 查看
目录
主要内容
有监督学习
先验概率与后验概率
最大似然法估计
自信息
熵:自信息的期望
互信息
信息论与机器学习的关系
最大熵原理
主要内容
统计学习基础回顾
1.后验概率 2.极大似然法(MLE)
信息论基础
1.(互)信息 2.熵、条件熵 3.交叉熵、相对熵
最大熵模型
1. 凸优化理论推导Maxent 2.与MLE的关系
EM算法
1. GMM实例 2. MLE推导EM
有监督学习
先验概率与后验概率
最大似然法估计
自信息
熵:自信息的期望
最值在三者相同的地方
互信息
信息论与机器学习的关系
最大熵原理
相关文章推荐
- 七月算法机器学习笔记7 最大熵模型
- 七月算法机器学习笔记6 -- 工作流程与模型优化
- 机器学习常用算法:最大熵模型
- 机器学习之期望最大算法(EM算法)
- 机器学习之期望最大算法(EM算法)
- 七月算法机器学习笔记5 回归模型
- 七月算法机器学习笔记6 梯度下降法与拟牛顿法
- 机器学习系列之最大熵模型
- 最大熵模型 DFP学习算法
- 推荐|机器学习中的模型评价、模型选择和算法选择!
- 机器学习中的概率模型和概率密度估计方法及VAE生成式模型详解之五(第3章 之 EM算法)
- 信息论中的熵(信息熵,联合熵,交叉熵,互信息)和最大熵模型
- 机器学习入门 第三课:基本原理、模型、梯度算法
- 机器学习之sklearn-KNN近邻算法分类小案例(乳腺癌预测最优模型)
- 机器学习模型(二)最大熵模型与逻辑斯蒂回归模型
- 七月算法机器学习笔记1--机器学习中的数学之数理统计和参数估计
- 七月算法机器学习笔记1 微积分与概率论
- 七月算法机器学习笔记2 数理统计与参数估计
- 机器学习入门之《统计学习方法》笔记整理——最大熵模型
- 深度 | 机器学习中的模型评价、模型选择及算法选择