(学习就有的情大概得2.7小时)

 

摘要

贝叶斯模型比较框架基于计算边际似然大小来比较概率模型,
或者比较积分掉所有参数后, 模型生成给定数据的概率.
模型参数的marginalization实现了千篇一律种”奥卡姆剃刀”效应.
边际似然也可让用来采取贝叶斯规则计算模型后验.

Atitit机器学习原理同概论book attilax总结

备知识

此定义需要以下预备知识:

  • 贝叶斯参数估计:
    大多数之贝叶斯模型比较也得为此到贝叶斯参数估计
  • 贝叶斯规则:
    贝叶斯规则用于自先验和似然计算后验

 

念目标

  • 知道型的界线似然是什么
  • 因贝叶斯因子诱导边际似然
  • 清楚”贝叶斯奥卡姆剃刀”效应的根基(提示:
    这并不只是吃带还多参数的型与比较小的先验概率,
    虽然众口是这般觉得的)
  • 对简易的模子推演贝叶斯因子(比如, beta-Bernoulli模型)

《机器上(决战好数量时代!IT技术人员不得不读!)》((美)米歇尔(Mitchell)【简介_书评_在线阅读】 -1

骨干资源

(阅读/观看间某)

《机器上导论(原题第3本)》((土)埃塞姆 阿培丁(Ethem Alpaydin))【简介_书评_在线阅读】 -1

免费

  • Information Theory, Inference, and Learning Algorithms
    简介: 一以机器上及信息论的研究生教材
    Section 28.1, “Occam’s razor,” pages
    343-349
    Section 28.2, “Example,” pages
    349-351
    [网站]
    作者: David MacKay

《机器上》([英]
弗拉赫(Peter Flach))【简介_书评_在线阅读】 -2

付费

  • Machine Learning: a Probabilistic Perspective(MLAPP)
    简介: 一准好全面的研究生机器上课本
    位置: Section 5.3, pages 155-165
    [网站]
    作者: Kevin P. Murphy

 

补资源

(下面的始末是可选的, 但你可能发现它非常有因此)

 

付费

  • Pattern Recognition and Machine Learning(PRML)
    简介: 一按照研究生机器上读本, 专注贝叶斯方法
    位置: Section 3.4, pages 161-165
    [简介]
    作者: Christopher M. Bishop

《机器上(决战好数目时!IT技术人员不得不读!)》((美)米歇尔(Mitchell)【简介_书评_在线阅读】 – 

Line 353: 第1章
引言

Line 365: 第2章
概念学习和一般到异常程序

Line 388: 第3章节 决策树学

Line 407: 第4章
人工神经网络

Line 417: 第5章 评估假设

Line 418: 第6节 贝叶斯学习

Line 419: 第7段 计算上理论

Line 420: 第8回 基于实例的读

Line 421: 第9章 遗传算法

Line 422: 第10节 学习规则集合

Line 423: 第11章节 分析这习

Line 424: 第12回 归纳和剖析上的重组

Line 425: 第13节 增强学习

Line 428: 第1章 引言

 

连带概念

  • 自打贝叶斯的角度来说, 对几近独模型进行平均会帅于选一个模型.
    这便是贝叶斯模型平均(Bayesian model
    averaging).
  • 有的估价贝叶斯因子的貌似方法包括:
    • sequential Monte
      Carlo
    • Markov chain Monte
      Carlo (MCMC)
    • 改换分贝叶斯(variational
      Bayes)

归来贝叶斯机器学习路线图

《机器上导论(原书第3本)》((土)埃塞姆 阿培丁(Ethem Alpaydin))【简介_书评_在线阅读】 – 

Line 229: 第1章引言1

Line 253: 第2章监督上13

Line 277: 第3节贝叶斯决策理论27

Line 295: 第4章节参数方法37

Line 325: 第5回多首批计54

Line 349: 第6节维度归约67

Line 381: 第7章聚类94

Line 407: 第8段不参数方法107

Line 445: 第9章节决定树124

Line 469: 第10章线性判别式139

Line 503: 第11节多层感知器155

 

《机器上》([英] 弗拉赫(Peter Flach))【简介_书评_在线阅读】 – 

Line 321: 第1章 机器上之成要素 9

Line 335: 第2段 两接近分类以及有关任务 37

Line 346: 第3回 超越两类分类 61

Line 355: 第4章 概念学习 77

Line 365: 第5章 树模型 97

Line 372: 第6节 规则模型 117

Line 382: 第7章节 线性模型 145

Line 392: 第8回 基于距离的模子 173

Line 403: 第9章 概率模型 197

Line 414: 第10章 特征 223

Line 425: 第11段 模型的集成 245

Line 433: 第12章 机器上之试 255

 

 

第5章 树模型 97
5.1 决策树 100
5.2 排序和概率估计树 103
5.3 作为减小方差的养学方式 110
5.3.1 回归树 110
5.3.2 聚类树 113

 

第6段 规则模型 117

6.1 学习有序规则列表 117

6.2 学习无序规则集 124

6.2.1 用于排序和几率估计的平整集 128

6.2.2 深入探索规则重叠 130

6.3 描述性规则学习 131

6.3.1 用于子群发现的规则学习 131

6.3.2 关联规则挖掘 135

 

第7章 线性模型 145

 7.2 感知机 155

7.3 支持向量机 158

 

第8段 基于距离的模型 173

 8.3 *邻居分类器 182

8.4 基于距离的聚类 184

8.4.1 K均值算法 186

 

第9节 概率模型 197

9.1 正态分布及其几哪里意义 200

9.2 属性数据的概率模型 205

9.2.1 利用省贝叶斯模型实现分类 206

第11章 模型的集成 245

11.1 Bagging
与自由森林 246

11.2 Boosting 247

 

笔者:: 绰号:老哇的爪子 ( 全名::Attilax Akbar Al Rapanui 阿提拉克斯 阿克巴 阿尔 拉帕努伊 ) 

汉字名:艾提拉(艾龙),   EMAIL:1466519819@qq.com

转载请注明来源: http://www.cnblogs.com/attilax/

 

Atiend

 

 

 

相关文章

网站地图xml地图