Nietzsche_复杂网络机器学习 查看新浪微博主页 #PRML读书会一周年# 第十一章的主要内容是MCMC（Markov Chain Monte Carlo），包括：马尔科夫链平稳分布的定义及其充分条件：细致平稳条件的证明；Metropolis-Hastings及其接受率满足细致平稳条件的推导，接受率恒为1的Gibbs Sampling；最后是Slice Sampling、Hamiltonian MCMC。🔗 网页链接 展开全文 #PRML读书会一周年# 第十章的主要内容是变分推断（Variational Inference），由中科院自动化所@戴玮_CASIA 博士前后分三次讲完。精彩内容有：为什么需要近似推断、变分推断用到的KL散度、根据平均场（Mean Field）思想的分解以及迭代求最优解的推导，最后用了三个例子来加深理解🔗 网页链接 展开全文 #MLAPP读书会# Mixture models and the EM algorithm由来自中科院的@priceton 主讲，主要内容：k-Means与Em算法；混合高斯模型与EM算法；EM基本原理及证明；EM对缺失值的处理。讲课记录新鲜出炉：http://t.cn/RvCNjlD读书会参加方式：加qq群177217565，在申请里简短描述一个模型或算法的关键思想即可。展开全文 #PRML读书会一周年# 第二章Probability Distributions的贝塔-二项式、狄利克雷-多项式共轭、高斯分布、指数族等很基础也很重要。出于各种原因我前后讲了三次，直到比较满意为止，在原纪录的基础上修改和增加了一些内容，分享给大家：🔗 网页链接 另下周二将发布整理后的第三章记录，会很精彩。展开全文 #PRML读书会一周年# 光阴似箭，一年前读书会开讲的情景记忆犹新。第一章Introduction由西安交通大学常象宇博士主讲，深入浅出的介绍了机器学习的基本概念、学习理论、模型选择、维灾等。对原始的讲课记录重新进行了整理，方便大家阅读：🔗 网页链接 A tutorial on Deep Learning by Geoffrey E. Hinton 🔗 网页链接 and Deep Learning Reading List 🔗 网页链接 一个问题：为何矩阵对其特征向量具有变换不变性。很简单，请CMU高材生解答。 