前言 这篇博客简单介绍期望最大化（Expectation-Maximization，EM）算法。 其实很喜欢一些有些年头的算法，名字简明易了。 EM算法便是代表，算法主要迭代Expectation和Maximization两个环节，最后求解

前言 这篇博客中，我主要想复习一下极大似然估计(maximum likelihood estimation, MLE)和最大后验估计(maximum a posteriori estimation, MAP)。 MLE 似然函数 假设我么现

前言 很对模型都会默认一个很基本的假设：噪声是服从高斯分布的（高斯分布也叫做常态分布，这是更好理解的。反而是正态分布z这个名字让人疑惑）。 如果一个随机变量XXX服从高斯分布，即X∼N(μ,σ2)X \sim \mathcal{N}(\mu

简述 对于某一个一维随机变量XXX，我们让它的观测x={x1,x2,…,xN}\boldsymbol{x} = \{x_{1}, x_{2}, \dots, x_{N}\}x={x1​,x2​,…,xN​}为总体。 接下来，我们对XXX的这

Welcome to Hexo! This is your very first post. Check documentation for more info. If you get any problems when using Hex