Für meine eigene Studie (Algorithmus für maschinelles Lernen und Studium von Python) werde ich die in PRML in Python veröffentlichte Methode implementieren.
In der Regel kann im Algorithmus-Teil zusätzlich zur Standard-Python-Bibliothek ** nur Numpy verwendet werden **. Wir verwenden keine maschinellen Lernpakete wie Scikit-Learn oder Tensorflow. Pakete, die Ergebnisse veranschaulichen, wie z. B. matplotlib, werden verwendet, sofern sie nicht für die Implementierung des Algorithmus relevant sind. Gelegentlich verwende ich bei Bedarf auch andere Pakete wie scipy (bereits für Digamma-Funktionen usw. verwendet). Wir verwenden jedoch keine Optimierungstools (wie scipy.optimize oder die automatische Differenzierungsfunktion von tensorflow), die die Implementierung erheblich vereinfachen.
Grundsätzlich werden wir für jedes Kapitel eine Methode implementieren. ~~ Wenn Sie alle Schritte beendet haben, können Sie die zweite Runde betreten. ~~ Es ist für mein eigenes Studium, deshalb werde ich nicht alles im Detail erklären. Ich werde die Erklärung weglassen, dass ich beschlossen habe, nicht alleine zurückzublicken.
Links zu Artikeln, die bereits implementiert wurden, und eine Liste der Methoden, die implementiert werden.
| PRML | Artikel |
|---|---|
| Kapitel 1 Einleitung | Bayes-Kurvenanpassung |
| Kapitel 2 Wahrscheinlichkeitsverteilung | Verteilung der Schüler |
| Kapitel 3 Lineares Regressionsmodell | Evidenznäherung |
| Kapitel 4 Lineares Diskriminierungsmodell | Bayes Logistic Return |
| Kapitel 5 Neuronales Netz | Fehler bei der Weitergabe、NetzwerkmitgemischterDichte |
| Kapitel 6 Kernelgesetz | Gaußsche Prozessregression |
| Kapitel 7 Kernel-Maschine mit spärlichen Lösungen | Verwandte Vektorregression |
| Kapitel 8 Grafisches Modell | Produktsummenalgorithmus |
| Kapitel 9 Gemischtes Modell und EM | Höchstwahrscheinlich Schätzung der gemischten Gaußschen Verteilung |
| Kapitel 10 Ungefähre Argumentationsmethode | Variantengemischte Gaußsche Verteilung |
| Kapitel 11 Probenahmemethode | Markov-Kette Monte Carlo |
| Kapitel 12 Kontinuierliche latente Variablen | Bayesianische Hauptkomponentenanalyse |
| Kapitel 13 Seriendaten | Höchstwahrscheinlich Schätzung des Hidden-Markov-Modells |
| Kapitel 14 Modelle verbinden | Bedingtes gemischtes Modell |
Recommended Posts