深度学习基础知识

1  概率图模型

是指一种用图结构来描述多元随机变量之间条件独立关系的 概率模型, 从而给研究高维空间中的概率模型带来了很大的便捷性 其中有三个基本问题
  • (1) 表示问题:对于一个概率模型,如何通过图结构来描述变量之间的依 赖关系.
  • (2) 学习问题:图模型的学习包括图结构的学习和参数的学习.在本章中, 我们只关注在给定图结构时的参数学习,即参数估计问题.
  • (3) 推断问题:在已知部分变量时,计算其他变量的条件概率分布

 

 

 

1.2  概率图的学习问题

图模型的学习可以分为两部分 : 一是 网络结构学习 , 即寻找最优的网络结 构; 二是 网络参数估计 , 即已知网络结构 , 估计每个条件概率分布的参数 . 网络结构学习比较困难 , 一般是由领域专家来构建 . 本节只讨论在给定网络 结构条件下的参数估计问题. 图模型的参数估计问题又分为 不包含隐变量时的参数估计问题 和 包含隐变量时的参数估计问题 .  

利用EM算法解带隐变量的最大参数估计问题

首先理解什么是隐变量和EM算法的直观解释 https://zhuanlan.zhihu.com/p/78311644   EM 算法的核心思想非常简单,分为两步:Expection-Step 和 Maximization-Step。E-Step 主要通过观察数据和现有模型来估计参数,然后用这个估计的参数值来计算似然函数的期望值;而 M-Step 是寻找似然函数最大化时对应的参数。由于算法会保证在每次迭代之后似然函数都会增加,所以函数最终会收敛。                          

参考:

  https://www.bilibili.com/video/BV1aE411o7qd?p=60 白板推导系列关于EM算法的介绍                                
上一篇:持久化实体persist()--往数据表中插入数据


下一篇:CSS3实现柱状图的3D立体动画效果