bayesian

  前面学习了朴素贝叶斯的原理，并且利用朴素贝叶斯原理对西瓜数据集3.0数据集进行了分类： 朴素贝叶斯（Naive Bayes）原理+编程实现拉普拉斯修正的朴素贝叶斯分类器 ，今天我们更进一步，来探讨一下贝叶斯网络的原理以及应用。 贝叶斯网络 1.定义 2.概率流动的影响性 2.1独立的概念 2.2通过网络判定条件独立 3.有效迹 3.1定义 3.2条件独立与有效迹 3.3 D-separation 3.4判断独立性 4.贝叶斯网络的构建 5.贝叶斯网络的特性 6.贝叶斯网络的缺陷 1.定义   贝叶斯网络（Bayesian network），又称信念网络（belief network）或是有向无环图模型（directed acyclic graphical model），是一种概率图型模型。一个贝叶斯网络是一个有向无环图(Directed Acyclic Graph,DAG),由代表变量结点及连接这些结点有向边构成。   上面只是一些繁琐的定义，接下来的说明比较关键： 结点代表随机变量，结点间的有向边代表了结点间的互相关系(由父结点指向其子结点)，用条件概率进行表达关系强度，没有父结点的用先验概率进行信息表达。 结点变量可以是任何问题的抽象，如：测试值，观测现象，意见征询等。适用于表达和分析不确定性和概率性的事件，应用于有条件地依赖多种控制因素的决策，可以从不完全

脱离视频编解码、投入计算机视觉一年，这个博客也歇业一年，最近偷些时间回顾一下编解码，毕竟花费了整个研一的时间（虽然这一年基本上在上课）。 之前写过几篇H.264标准的几篇介绍文章，详见： http://www.cnblogs.com/DwyaneTalk/category/615769.html 后来转入HEVC，相关知识就记录在某某云笔记了，最近整理出来重新看看，所以打算把与HEVC相关的、觉得有价值的放在这个博客里，希望对新人有所帮助。 这里只是一个目录，主要包括HEVC标准介绍、HEVC帧间预测论文笔记两部分 一、HEVC标准介绍 参考：《High Efficiency Video Coding (HEVC)》，这本书某东1K+大洋，虽然我一直支持正版，但是对于没有收入的学生来数还是挺贵的。所以如果想要这本书电子版（非扫描版）的学生，可以给我留言，对于有经济能力的工作人士，建议还是购买书籍和电子版。 1、 【HEVC简介】CTU、CU、PU、TU结构 2、 【HEVC简介】High Level Syntax 3、 【HEVC简介】Inter Prediction Tools 4、 【HEVC简介】SAO-Sample Adaptive Offset， 样本自适应偏移量 5、 【HEVC简介】ALF-Adative Loop Filter 6、 【HEVC简介】DB

作者：Michael Armanious 翻译：欧阳锦 校对：阿笛 本文 约3400字 ，建议阅读 8 分钟 本文通过一个A/B测试的实例，介绍了贝叶斯方法的各种优点和具体的实现方法，同时也将贝叶斯推断方法与传统的频率推断估计进行了对比。 标签：数据科学，A/B测试，贝叶斯统计，机器学习 本文以一种直观的方式介绍了A/B测试、贝叶斯方法的优点以及它的具体实现方法。 “批判性思维是一个活跃而持续不断的过程。它要求我们所有人都像贝叶斯主义者那样思考，随着新信息的到来更新我们的知识。” —— Daniel J. Levitin，说谎的实地指南：信息时代的批判性思维 绪论 在深入研究使用贝叶斯估计方法之前，我们需要了解一些概念。这些概念包括： 推论统计 贝叶斯主义者与频率主义者 A / B测试 概率分布 推论统计是什么？ 推论统计是指根据人口总体样本推断某个总体人口的某些信息，而不是描述整个人口总体的描述性统计信息。 当涉及推理统计时，主要有两种哲学：频率推断和贝叶斯推断。众所周知，频率推断方法是更传统的统计推断方法，因此在大多数统计课程（尤其是入门课程）中都进行了更多的研究。然而，许多人认为贝叶斯方法更接近于人类自然地认识概率的方式。 贝叶斯方法包含了根据新证据去改变一个人的想法。例如，你去看医生是因为你感觉不适，并且认为自己患有某种疾病。几个医生对你进行检查

　　 作者：张雨嘉 　　 编辑：Joni 　　 本文主要介绍与用户和厨房交互的烹饪机器人：多模态的烹饪辅助、自学习菜谱的系统以及以人为反馈的优化烹饪方法。 　　在人们对未来生活的幻想中，「自动化」占据非常大的比重。除了已经有的家居自动化、办公自动化外，烹饪自动化可以说是 90 后、00 后的一个福音。 　　烹饪机器人的研究，多数以日本的研究者为主，比如日本的 Ogura 等人 [1] 开发了一个机器人系统，可以用多种方式切菜。Kormushev 等人 [2] 在 2010 年 IEEE 上的 Robot Motor Skill Coordination with EM-based Reinforcement Learning 论文中提出了一种向机器人传授翻转煎饼的方法，并通过强化学习来改善动作准确率。 　　作为一个整合的系统，Yamaguchi 总结了烹饪机器人在不同部分的难点和挑战：一是如何正确操作可形变物体（如敲鸡蛋、剥香蕉等），这需要对物体建立具有鲁棒性的动力学模型；二是为了使用多种烹饪技能，机器人必须具备一个灵巧的机械手并会像人类学习；最后我们的目的是制作美味的食物，所以机器人也得具备强大的触觉、味觉或特殊用途传感器，以优化烹饪过程。 　　但该文没有提到的是，通过我们的日常经验可以知道，烹饪不同于利用机械臂装配，它并不是一种标准化的过程。不同的人有不同的烹饪技巧和烹饪风格

Automatic Extraction of Personality from Text Challenges and Opportunities 阅读笔记 论文地址 https://ieeexplore.ieee.org/document/9005467/ 摘要 在这项研究中，我们研究了从文本中提取人格特质的可能性。我们通过让专家在来自多个在线来源的大量文本中注释个性特征来创建了一个大数据集。从这些带注释的文本中，我们选择了一个样本，并进行了 进一步的注释 ，得到了两个数据集 （ 一个是大型低可靠性的数据集， 另一个是小型高可靠性的数据集 ）。然后我们使用这两个数据集来训练和测试几种机器学习模型，以从文本中提取个性。最后，我们对来自不同领域的野生数据集进行了评估。我们的结果表明，基于小型高可靠性数据集的模型比基于大型低可靠性数据集的模型表现更好。而且基于小型高可靠性数据集的语言模型的性能要优于随机Baseline方法。最后，结果表明，在野生数据集测试时， 我们最好的模型的性能没有比随机基准更好 。我们的结果表明，从文本中确定人格特征仍然是一个挑战，并且在野生数据集测试之前无法对模型性能做出明确的结论。 1. 介绍 THE BIG FIVE 模型， 把人的个性分为5种类型： 开放性（openness）：具有想象、审美、情感丰富、求异、创造、智能等特质。 责任心

从贝叶斯方法谈到贝叶斯网络 0 引言 事实上，介绍贝叶斯定理、贝叶斯方法、贝叶斯推断的资料、书籍不少，比如《数理统计学简史》，以及《统计决策论及贝叶斯分析 James O.Berger著》等等，然介绍贝叶斯网络的中文资料则非常少，中文书籍总共也没几本，有的多是英文资料，但初学者一上来就扔给他一堆英文论文，因无基础和语言的障碍而读得异常吃力导致无法继续读下去则是非常可惜的（当然，有了一定的基础后，便可阅读更多的英文资料）。 11月9日上午， 机器学习班 第9次课讲贝叶斯网络，帮助大家提炼了贝叶斯网络的几个关键点：贝叶斯网络的定义、3种结构形式、因子图、以及Summary-Product算法等等，知道了贝叶斯网络是啥，怎么做，目标是啥之后，相信看英文论文也更好看懂了。 故本文结合课程讲义及相关参考资料写就，从贝叶斯方法讲起，重点阐述贝叶斯网络，依然可以定义为一篇读书笔记或学习笔记，有任何问题，欢迎随时不吝指出，thanks。 1 贝叶斯方法 长久以来，人们对一件事情发生或不发生的概率 ，只有固定的0和1，即要么发生，要么不发生，从来不会去考虑某件事情发生的概率有多大，不发生的概率又是多大。而且概率 虽然未知，但最起码是一个确定的值。比如如果问那时的人们一个问题：“有一个袋子，里面装着若干个白球和黑球，请问从袋子中取得白球的概率 是多少？”他们会想都不用想，会立马告诉你，取出白球的概率