黄岳-开题报告4_百度文库
两大类热门资源免费畅读
续费一年阅读会员，立省24元！
评价文档：
黄岳-开题报告4
阅读已结束，如果下载本文需要使用
想免费下载本文？
把文档贴到Blog、BBS或个人站等：
普通尺寸(450*500pix)
较大尺寸(630*500pix)
你可能喜欢关于贝叶斯决策理论_百度文库
两大类热门资源免费畅读
续费一年阅读会员，立省24元！
文档贡献者
评价文档：
喜欢此文档的还喜欢
关于贝叶斯决策理论
好​东​西
把文档贴到Blog、BBS或个人站等：
普通尺寸(450*500pix)
较大尺寸(630*500pix)
大小：366.00KB
登录百度文库，专享文档复制特权，财富值每天免费拿！
你可能喜欢点击：18861
北京千橡网景科技发展有限公司：
文网文[号··京公网安备号·甲测资字·文化部监督电子邮箱：wlwh@·
文明办网文明上网举报电话： 举报邮箱：admin1@&&&&&&&&&&&&&&&&机器学习日报
机器学习日报
发封空信， 标题: 订阅机器学习日报 & 或点击
博客 机器人 统计
非常棒的贝叶斯决策理论介绍，通过生动有趣的小机器人定位问题展开。贝叶斯决策理论方法是统计模型决策中的一个基本方法，基本思想是：已知类条件概率密度参数表达式和先验概率，利用贝叶斯公式转换成后验概率，根据后验概率进行决策分类
#推荐系统# @好东西传送门 在推荐工程中什么样的指标算得上好指标，这里给出了答案
PDF 矩阵 论文 书籍
@王树森CS 求鉴定下这本random matrix的书
Tropp把数学家用高深装逼的数学语言写的矩阵概率不等式用初等的方法写出来，是非常好的手册，领域内的paper各种证明都在用里面的结果。虽说是初等的，还是非常的难，基本不适合阅读。
转发于 &回复 @王树森CS “Tropp把数学家用高深装逼的数学语...”
转发右边鉴定结果。。。好想在毕业前再静下心来好好读几本书- -
转发于 &回复 @winsty “转发右边鉴定结果。。。好想在毕...”
和我听说过的评价一致...
回复@iB37:我大概翻过里面的几个参考文献，完全看不懂他们在说什么，甚至连结论都看不懂。而tropp给出证明的语言基本都是初等的。明明可以用简单的方法证明和表述，明明可以有很多的读者，却非要用高深的数学语言写，让绝大多数的人都看不懂，在我看来这就是装逼。
转发于 &回复 @王树森CS “回复@iB37:我大概翻过里面的几个...”
不完全同意啦，Tropp在圈内是公认的直觉好，化繁为简的高手，他能给出初等的（elementary）证明并不代表别人就能做到或者很简单
社交网络 书籍
尤其其中 Social Physics: How Good Ideas Spread—The Lessons from a New Science 这本书感觉很不错 -- 我分享了@陈晓晖 的文章
Paul Bloom的Just Babies和Alex Pentland的Social Physics值得看。其他的不懂。Paul Bloom好像是Steven Pinker的学生。最近也在看Steven Pinker的新书The Sense of Style，用认知科学和语言学讲如何写出清晰的文章，看了部分，有启发。
Spark 代码
Spark Graphx:构建graph和聚合消息
第一次rss阅读献给了机器学习日报，rss阅读体验也是醉了。由于内测，私信求feed吧。[江南style]
IEEE PAMI新出的非参数贝叶斯特辑
从作者 这是bnp的一次集邮 还缺几个人
转发于 &回复 @Copper_PKU “从作者 这是bnp的一次集邮 还缺几...”
nHDP在arxiv上挂了有些年头了 实在记得看过
还是在遥远的12年
转发于 &回复 @cswhjiang
超分那个也是12年上网的，一直没出来，我还以为reject了。
幻灯片 集成学习 决策树
上次在公开课分享“决策树和随机森林”的过程中，把混淆矩阵混淆了[思考]。尤其是对查准率和查全率不正确，重新修改了PPT，增加了一个Venn图来加深理解，应该是如下的公式。感谢@阳光女孩_美美的，@研究者July 指出我的错误。
OpenTable：从自由评论中抽取主要话题。以餐馆评论切入，通过文本挖掘技术找到主题关键词。文中用到了词袋模型、TF-IDF和NMF非负矩阵分解，文中还给出了关键部分的python代码（使用sklearn和numpy），处理实际问题总是很有趣。
【神经网络，真有可能在围棋上打败人类】神经网络在面孔和物体识别里已经大获成功，现在研究者将它挪用到围棋里，把棋局的局势当成模式让AI学习，只需训练几天，而且完全不预测将来棋步，AI就已经能击败业余6-8级的棋手。顶尖人类围棋手被击败，恐怕也只是时间问题：
转发于 &回复 @刘鑫Mars “转发微博”
“恐怕也只是时间问题”。。。6-8级到初段，再到5段，再到9段级水平，每个都是深坎吧
看机器学习如何用于强化安全、发现可能的攻击并防范潜在风险。本文没有谈具体的ML技术，只是从应用角度基于Azure ML谈到如何用ML算法进行风险防御，从用户的行为记录中发现异常（时间、空间、行为模式等），对潜在风险进行预警，算是一篇科普文（伴有微软的多处植入广告，哈哈）
lasso from geometry:
相关的论文：1. DEGREES OF FREEDOM IN LASSO PROBLEMS 2. The Accessible Lasso Models 3.Exact post-selection inference with the lasso
【微软研究员解读 “人工智能百年研究”】微软雷德蒙研究院的院长Eric Horvitz计划开展一项能持续一个世纪的研究项目——“人工智能百年研究”（AI100）。一个能持续十年的项目已经足以让人惊叹，那么这个人工智能的研究项目如何持续百年之久呢？Horvitz给出了他的解读。&&
Horivitz指出，这项百年研究项目主要涉及人工智能对人类社会的各个方面产生的影响，包括自动化、国家安全、公众心理、伦理道德、法律、个人隐私、民主等问题。同时，研究小组计划每五年出一份研究报告。第一份研究报告将于明年年底发布。
DCS整理的数据科学领域10篇被广泛持续关注的文章，内容包括：如何发现模式、10种回归类型及选择、选择分析工具的27条准则、数据科学家薪资职业路径、500亿点击数据集分享、如何检测伪相关、庞大惊人的网络拓扑图、数据科学家vs数据工程师、20个Excel的秘密、陨石撞击预测等
今天鱼塘被【EM算法】承包了。你做大数据，算法、机器学习、深度学习必不可少。EM算法3篇：【EM算法概述】 【译：EM算法笔记(a note on the EM algorithm)】 【EM算法——最大期望算法讲义课件PPT】
PNAS的新文章：电脑根据Facebook用户的点赞记录预测人格，准确性高于好友的评定
#机器学习拯救世界#
#深度学习##推荐系统# @好东西传送门 深度学习在推荐系统中的应用
博客 集成学习
2014年H2O全球大会上Trevor Hastie（斯坦福，《统计机器学习》作者）和John Chambers的主题讲座视频，关于梯度提升（Gradient Boosting）机器学习和统计，H2O是基于大数据的统计分析机器学习和数学库包，让用户基于核心的数学积木搭建应用块代码
【一个简单的基于内容的推荐算法】本文只是介绍一下最基础的基于内容的推荐系统（Content-based recommender system）的工作原理，其实基于内容的推荐系统也分三六九等Orz，这里只是简单的较少一下最原始的、最基本的工作流程。
课程 神经网络
推荐与“Ng的斯坦福大学机器学习公开课”，想配套的课堂笔记，方便大家在学习过程中更好的理解记忆。线性规划、梯度下降、正规方程组：；局部加权回归、逻辑斯蒂回归、感知器算法：；牛顿方法、指数分布族、广义线性模型：
【微软亚洲研究院副院长芮勇博士探讨人工智能】1月9日，芮勇博士在东南大学九龙湖校区作题为《人工智能点亮数字生活》的学术报告。他在报告中指出人工智能让现代生活更加“高大上”—高效率，大智慧，上品味。他指出微软小娜和小冰是人工智能的典型代表。近四百名南京四校学子参加讲座,反响热烈。
简报 情感分析 神经网络
机器学习日报
1) 机器学习应用在网络安全的开源项目 2) 斯坦福大学的情感分析课 3) 判断Twitter上点赞的真实目的 4) 基于遗传算法和神经网络的虚拟生物 5) Prolog(PROgramming LOGic) 编程语言 可点击加长版75条
感谢 @网路冷眼 @爱可可-爱生活 @清华南都 @数盟社区 。为减少邮件阅读负担，从今天开始，邮件版的日报就不再包括“温故知新”（当日最新内容之前）的内容了，这些回顾内容还可以在该期的Web版上找到。
PDF 教育网站 课程
看了一下CMU计算机学院机器学习系上学期《高级机器学习导论》课程的期中考试题目，觉得挺有意思的。大家来自测一下，70分钟闭卷11页纸，看看能得几分？题目： 答案： [呵呵]
看了一下，比我们的基本机器学习要难啊
Machine Learning: The High-Interest Credit Card of Technical Debt 出自Google的论文，强烈推荐
Dr. Diego Kuonen：DeepLearning = multi-layer ('deep’)； NeuralNets ('nonlinear statistical models') w/ computational tricks 4 param. estimation ('learning').
Deep Learning: Methods and Applications 197页！推荐！
R语言 生物信息学 统计
Statistics and R for the Life Sciences: New HarvardX course starts January 19 edX上为期四周的新课，关于统计分析和R语言
Sentiment Analysis In Excel With Azure Machine Learning And Power Query 用Azure ML和Excel进行情感倾向性分析
How to Build a Recommendation Engine using Azure Machine Learning and Azure Mobile Services 越来越多的人开始使用Azure ML，值得关注
Python 代码
TNNF开源——#python#基于theano的轻量NN框架，特性：feedforward neural nets、lstm neural nets、maxout、softmax、sigmoid、dropout、unsupervised feature learning and deep learning、saving and loading models、rmsProp、rProp、minibatches、PCA whitening、convolution
三位图灵奖为Arthur Samuel()写的Eulogy 1)Donald Knuth(1935—)第一句朴素感人:The TeX community lost its beloved senior member
2)John McCarthy(),Edward Feigenbaum(1936—) 标题: Pioneer in ML
3)IEEE长文
感觉计算机领域做理论(包括机器学习的)，除了P=NP或张益唐那类，一下子就能知道有没有价值，其余的都要先被证实有用才能得到认可。在被认可之前，作者自己内心要很强大，不在乎外界的看法。
YITANG ZHANG 自己都说自己工作没啥价值，这个价值是指：实用价值。
清华校友人工智能联盟、清华灵云人工智能研究中心共同邀请张钹院士在清华大学与大家谈谈：互联网时代的人工智能。内容涉及人工智能这些年究竟取得哪些进展，又遇到何等困难。网络时代的到来，对人工智能的发展有何新的意义和挑战？时间：日 报名邮箱：ai@tsinghua. @捷通华声灵云
京东DNN Lab首席科学家：用深度学习搞定80%的客服工作-CSDN.NET
转发于 &回复 @刘知远THU “我觉得，客服80％的工作不用深度...”
客服中，语音和问答等都是很重要的系统，DL最近确实表现不错。以后应该是需要比DL更强大的技术和机器人技术进一步解放人工客服。 所以…
转发于 &回复 @丕子 “客服中，语音和问答等都是很重要...”
系统选型中，fashion也是很重要的因素呀
转发于 &回复 @汪洋兽 “不发表评论，先看看再说”
奇怪，怎么不用冰天雪地原地跳起720度学习
转发于 &回复 @Easy “[偷笑]”
这篇文章的url很诡异啊，是时间戳没打上么
【Cell：六大神经科学经典综述】神经科学研究侧重于各种不同的主题，如神经元启动和功能的调控基本机制，神经元系统的发育与可塑性，以及类似阿尔茨海默氏症之类疾病的病理学机制等等。在这个专辑中，Cell杂志收集了这一领域代表近年来重要研究成果的一些代表性综述。
想招1-2个博士后，主要做基于大数据的社交行为预测的研究，欢迎大家报名。要求：机器学习的基本方法；熟悉基本编程算法（比如动态规划、优化）；英语读写；发表过不错的文章。大家有兴趣的给我发email 把（google "jie tang", 我的主页上有email 地址）感谢大家支持。用数据+技术改变世界：）
不试不知道，给500多万个数做一个256类的kmeans聚类会这么慢，scikit-learn的KMeans支持多CPU并行，开了7个CPU一起算，10多分钟了机器死机了；用MiniBatchKMeans (batch_size=256^2)，虽快，但聚出好多重复的中心点；milk说支持百万级的样本，正在跑一个试试；请教各位有什么好方法？@好东西传送门
转发于 &回复 @好东西传送门 “NP-hard的，不能scale也算符合常...”
近似kmean 或者层次kmeans
转发于 &回复 @名字真的是符号 “k-means本身是NP-hard的，不能sc...”
求教,k-means为什么是NP-hard？你是说发现全局最优是NP-hard的，但po主说的是Llyod's alg慢....
试试jordan的那个stream kmeans 鲁东东胖: 求教,k-means为什么是NP-hard？你是说发现全局最优是NP-hard的，但po主说的是Llyod's alg慢....
教育网站 课程 神经网络 书籍
【机器学习入门——浅谈神经网络】
【入门学习资源】Coursera公开课笔记中文版（神经网络的表示）:
Coursera公开课视频（神经网络的学习）:
斯坦福深度学习中文版： 教程
Python 情感分析
Text Classification for Sentiment Analysis - Naive Bayes Classifier #python#手把手，入门推荐
微博算法推荐系统研究4篇：?HipHop算法：利用微博互动关系挖掘社交圈 ? 探寻微博背后的大数据原理：微博推荐算法简述?技术篇：微博推荐引擎体系结构简述 ? 微博背后的那些算法 @微博用户产品研发团队
教育网站 知识库
【Prolog(PROgramming LOGic) 编程语言】 Prolog是一种逻辑编程语言。它建立在逻辑学的理论基础之上， 最初被运用于自然语言等研究领域。现已广泛的应用在人工智能的研究中，可以用来建造专家系统、自然语言理解、智能知识库等。玩Prolog一晃多少年过去了！微博里有玩过的吗？
Prolog程序必须手写，因此很难适应机器学习和大数据的要求。最近2年我们开发了概率化的编程语言ProPPR，对每条Prolog一阶逻辑赋予特征向量，能从数据中做规则/结构学习，用并行SGD学参数，用PPR做快速推断，在一些NLP及知识库任务中取得了不错的结果。论文集：
转发于 &回复 @王威廉 “Prolog程序必须手写，因此很难适...”
不仅玩过Prolog还用C写过一个
计算学科分类 1)CCF: ABC论文分类
2)ACM: 从年发展四十八年
4)维基百科： [Computer science is no more about computers than astronomy is about telescopes.]Edsger Dijkstra()
图灵奖得主Dijkstra曾说：计算机科学并不只是关于计算机，就像天文学并不只是关于望远镜。计算机科学研究的是“计算”，这本身是一门很严格的学问，与数学、物理一样，CS基础研究真正的进展都伴随着理论证明和实验验证。
语义网 知识库
两个关于语义网和知识库的优质讨论合集《常用的知识库》 《Web知识领域如何突破瓶颈》
发表意见的嘉宾主要有东南大学@Gary南京 华东理工大学@昊奋 Wright州立大学@波多野丽猪 和@罗远飞flyf
论文 神经网络
【Deep Learning in Neural Networks: An Overview】 这篇文章非常值得一读，可以比较全面的了解神经网络的相关历史。
幻灯片 集成学习 决策树 课程
OK，机器学习在线公开课第 1 期@是农工熵 讲的决策树与随机森林 结束，晚点共享PPT。后面，还会继续在此群内：，组织几次公开课，欢迎试听，想听啥或有何建议，欢迎随时反馈 [哈哈]。
转发于 &回复 @研究者July “第1期：决策树与随机森林PPT 的下...”
第 2 期来了! 本周六上午10-12点，@北冥乘海生 讲计算广告（ 侧重其中的机器学习模型和最优化问题），欢迎加群候听：，[哈哈]。
转发于 &回复 @研究者July “第2期：本周六上午10-12点，@北冥...”
第3期：本周日晚7点半-9点半，浙大美女硕士@Rachel____Zhang 讲logistic回归 [耶]。
【微软研发犯罪预测系统 让《少数派报告》成为现实】 现在，数据分析和机器学习所取得的进步可以对完全不同的数据源进行分析，这将不仅能够帮助警方确定可能发生的犯罪行为，而且还能知道发生的时间和地点。通过计算机模型和其他一些数据集的分析，警方能够更好地分配警力资源。”
转发于 &回复 @张栋_机器学习 “数据分析和机器学习技术降低犯罪...”
MIT Sandy Pentland 好像也搞这个。这个一旦用了用户的profile信息，估计都麻烦。
转发于 &回复 @Behavioral_Science_Data “这个应该就是文章中提到的东西 F...”
PrePol家的东西早都已经排上用场了
Kaggle 视频
【从Kaggle看机器学习最佳实践】Kaggle首席科学家Ben Hamner做的《Machine learning best practices we've learned from hundreds of competitions》报告，总结了一些在Kaggle五花八门的比赛中机器学习技术的具体应用方向和技巧，干货不少
深度学习很强大，但训练起来非常昂贵，费时费力。然而并非每个问题都必须从头开始训练一个深度模型。这篇博客
详细介绍了为何以及如何使用深度学习做特征提取，并应用到简单机器视觉问题。在imagenet上训练好的模型，通过特征提取，应用到CIFAR10，可轻松达到94％以上测试准确率。
SVM 博客 集成学习 聚类 决策树 统计 主题模型
①最大熵，②Adaboost，③谱聚类，④贝叶斯网络，⑤LDA，⑥决策树，⑦SVM，⑧K近邻，数理，就是要极致爽。
转发于 &回复 @研究者July “贝叶斯网络的LaTeX版本下载地址：...”
@陈笙 刚刚搞定谱聚类LaTeX版，下载地址：。
转发于 &回复 @研究者July “贝叶斯网络的LaTeX版本下载地址：...”
下载地址：。
《从贝叶斯方法谈到贝叶斯网络》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。（来自： 结构之法 算法之道 ）
最新一期CACM对新晋图灵奖得主Leslie Lamport进行了采访，对他一生中最著名的面包店算法，Paxos算法，Latex，TLA等进行了介绍。Lamport采访中的一句话让人内牛满面: The best language that mankind has developed for stating things clearly and precisely is Mathematics.
转发于 &回复 @CS_wwang
自然语言是不完备的。so，无法语言即计算。我觉得。@惠施
【由情感计算带来的惊喜发现】在第15届“21世纪的计算”大会上，Rosalind W.Picard博士带来了关于“情感计算”的主题演讲。Rosalind提出用皮电反应技术研究皮肤电传导，并利用皮肤与交感神经系统、副交感神经系统的应激反应机制追踪心跳，以理解情感。详情&&
再看一遍还是很有收获，翻出来再推荐一下。贝叶斯思维：统计建模的Python学习法 | 数盟社区
出版社: 人民邮电出版社
出版年: 2015-3
定价: 49.00
这本书帮助那些希望用数学工具解决实际问题的人们，仅有的要求可能就是懂一点概率知识和程序设计。而贝叶斯方法是一种常见的利用概率学知识去解决不确定性问题的数学方法，对于一个计算机专业的人士，应当熟悉其应用在诸如机器翻译，语音识别，垃圾邮件检测等常见的计算机问题领域。
可是本书实际上会远远扩大你的视野，即使不是一个计算机专业的人士，你也可以看到在战争环境下（二战德军坦克问题），法律问题上（肾肿瘤的假设验证），体育博彩领域（棕熊队和加人队NFL比赛问题）贝叶斯方法的威力。怎么从有限的信息判断德军装甲部队的规模，你所支持的球队有多大可能赢得冠军，在《龙与地下城》勇士中，你应当对游戏角色属性的最大值有什么样的期望，甚至在普通的彩弹射击游戏中，拥有一些贝叶斯思维也能帮助到你提高游戏水平。
除此以外，本书在共计15章的篇幅中讨论了怎样解决十几个现实生活中的实际问题。在这些问题的解决过程中，作者还潜移默化的帮助读者形成了建模决策的方法论，建模误差和数值误差怎么取舍，怎样为具体问题建立数学模型，如何抓住问题中的主要矛盾（模型中的关键参数），再一步一步的优化或者验证模型的有效性或者局限性。在这个意义上，这本书又是一本关于数学建模的成功样本。
作者：Allen Downey，是欧林工程学院的计算机教授，加州大学伯克利分校的计算机博士。他在韦斯利学院（Wellesley College）、科尔比学院（Colby College）和加州大学伯克利分校讲授计算机科学课程。他也是O’Reilly出版的Think Stats和Think Python图书的作者。
译者：许杨毅，新浪网系统架构师，技术保障部总监，毕业于湖南大学，15年互联网工作经验。
第1章 贝叶斯定理 1
1.1 条件概率 1
1.2 联合概率 2
1.3 曲奇饼问题 2
1.4 贝叶斯定理 3
1.5 历时诠释 4
1.6 M&M豆问题 5
1.7 Monty Hall难题 6
1.8 讨论 8
第2章 统计计算 9
2.1 分布 9
2.2 曲奇饼问题 10
2.3 贝叶斯框架 11
2.4 Monty Hall难题 12
2.5 封装框架 13
2.6 M&M豆问题 14
2.7 讨论 15
2.8 练习 16
第3章 估计 17
3.1 骰子问题 17
3.2 火车头问题 18
3.3 怎样看待先验概率？ 20
3.4 其他先验概率 21
3.5 置信区间 23
3.6 累积分布函数 23
3.7 德军坦克问题 24
3.8 讨论 24
3.9 练习 25
第4章 估计进阶 27
4.1　欧元问题 27
4.2　后验概率的概述 28
4.3　先验概率的湮没 29
4.4　优化 31
4.5　Beta分布 32
4.6　讨论 34
4.7　练习 34
第5章 胜率和加数 37
5.1 胜率 37
5.2 贝叶斯定理的胜率形式 38
5.3 奥利弗的血迹 39
5.4 加数 40
5.5 最大化 42
5.6 混合分布 45
5.7 讨论 47
第6章 决策分析 49
6.1 “正确的价格”问题 49
6.2 先验概率 50
6.3 概率密度函数 50
6.4 PDF的表示 51
6.5 选手建模 53
6.6 似然度 55
6.7 更新 55
6.8 最优出价 57
6.9 讨论 59
第7章 预测 61
7.1　波士顿棕熊队问题 61
7.2　泊松过程 62
7.3　后验 63
7.4　进球分布 64
7.5　获胜的概率 66
7.6　突然死亡法则 66
7.7　讨论 68
7.8　练习 69
第8章 观察者的偏差 71
8.1　红线问题 71
8.2　模型 71
8.3　等待时间 73
8.4　预测等待时间 75
8.5　估计到达率 78
8.6　消除不确定性 80
8.7　决策分析 81
8.8　讨论 83
8.9　练习 84
第9章 二维问题 85
9.1 彩弹 85
9.2 Suite对象 85
9.3 三角学 87
9.4 似然度 88
9.5 联合分布 89
9.6 条件分布 90
9.7 置信区间 91
9.8 讨论 93
9.9 练习 94
第10章 贝叶斯近似计算 95
10.1 变异性假说 95
10.2 均值和标准差 96
10.3 更新 98
10.4 CV的后验分布 98
10.5 数据下溢 99
10.6 对数似然 100
10.7 一个小的优化 101
10.8 ABC（近似贝叶斯计算） 102
10.9 估计的可靠性 104
10.10 谁的变异性更大？ 105
10.11 讨论 107
10.12 练习 108
第11章 假设检验 109
11.1 回到欧元问题 109
11.2 来一个公平的对比 110
11.3 三角前验 111
11.4 讨论 112
11.5 练习 113
第12章 证据 115
12.1 解读SAT成绩 115
12.2 比例得分SAT 115
12.3 先验 116
12.4 后验 117
12.5 一个更好的模型 119
12.6 校准 121
12.7 效率的后验分布 122
12.8 预测分布 123
12.9 讨论 124
第13章 模拟 127
13.1 肾肿瘤的问题 127
13.2 一个简化模型 128
13.3 更普遍的模型 130
13.4 实现 131
13.5 缓存联合分布 132
13.6 条件分布 133
13.7 序列相关性 135
13.8 讨论 138
第14章 层次化模型 139
14.1 盖革计数器问题 139
14.2 从简单的开始 140
14.3 分层模型 141
14.4 一个小优化 142
14.5 抽取后验 142
14.6 讨论 144
14.7 练习 144
第15章 处理多维问题 145
15.1 脐部细菌 145
15.2 狮子，老虎和熊 145
15.3 分层版本 148
15.4 随机抽样 149
15.5 优化 150
15.6 堆叠的层次结构 151
15.7 另一个问题 153
15.8 还有工作要做 154
15.9 肚脐数据 156
15.10 预测分布 158
15.11 联合后验 161
15.12 覆盖 162
15.13 讨论 164
摘自：豆瓣
用户名或邮箱
重新输入密码
点击“注册”表明你已经阅读和。
在此输入你的邮箱
在此输入新密码
插入或编辑链接
输入目标URL
& 在新窗口或标签页打开链接
未指定搜索条件。自动显示近期条目。
搜索或使用上下方向键来选择一项。