roboticcam / machine-learning-notes Goto Github PK

请问dynamic_model.pdf的第33页公式推导最后一步是漏掉了p(y1|q1)吗

pdf第九页将ELOB改写成KL散度时应该是qi(Zi)和那个伪分布p(X,Z)之间的KL散度吧，所以之后的迭代公式里更新的是ln(qj(zj))而不是qj(zj)

首先感谢徐老师的视频和PPT，逻辑清晰，容易理解，帮助我省了很多的时间。
在学习《Variational Inference》时，根据我的理解发现ppt 的几处笔误，具体如下：

1. 第8页ppt <Simplification of (Part 2)> : 第三行公式 q_i(Z_i) ln(q_i(Z_i)) => q_j(Z_j) ln(q_j(Z_j))
2. 第9页ppt <Putting Part(1) and Part(2) together > : " would be some ln[p(Z_i)] " => " would be some ln[p(Z_j)] "
3. 第9页ppt <Putting Part(1) and Part(2) together > : -KL{ E_(i≠j)[ ln( p(X,Z) ) ] || q_i(Z_i)} => -KL{ E_(i≠j)[ ln( p(X,Z) ) ] || q_j(Z_j)}
4. 第9页ppt <Putting Part(1) and Part(2) together >最后一个公式 : ln( q*_i(Z_i) ) = E_(i≠j)ln( p(X,Z)) => ln( q*_j(Z_j) ) = E_(i≠j)ln( p(X,Z))

若以上4处“笔误” 有不对的地方，还请帮助指正

老师您好，麻烦您更新一下二维码，谢谢老师

推荐怎么提高学习效率的方法：方法

徐老师，2023年的网络课还在继续吗？还有的话麻烦发一下更新的二维码。

hello，课件有先后观看顺序吗？

想问一下 老师在课程里面用到的matlab代码 在哪里可以获得

周六直播二维码失效了，求更新

老师，您可以更新一下二维码吗，非常期待听您的课 , 谢谢！

失效了大佬

徐老师，您好！请问在哪里可以看到DeeCamp2018视频，特别是关于NCE和re-parameterization的内容。我在youtube,bilibili和优酷上都只看到变分推断的，非常感谢！

Greetings!
In the last 2 lines of the last slide in dynamic model, what do v_l and δ_(v, l) indicate?
Thanks!

徐老师可不可以出个hdp-hmm的视频讲解呀，还有关于hmm的扩展hsmm的讲解，公式推导之类的

Hi, Dr Xu, the QR code you posted is expired, can you please upload a new version?

Prof Xu said that he already published his code of Paper Geometrically-constrained balloon fitting for multiple
connected ellipses, and I'd like to debug it, but how can I get the code?

如题。期待徐老师讲解高斯过程~

You video help me a lot, and I really appreciate it.

先贴一下课程视频徐亦达机器学习：Kalman Filter 卡尔曼滤波，大概到7分13秒左右在推导$x_{t}|y_{1},...,y_{t-1}$时，使用了$P(x_{t}|x_{t-1})=N(Hx+B,Q)$这个公式，但是$x_{t}|y_{1},...,y_{t-1}$是基于条件$y_{1},...,y_{t-1}$而不是基于条件$x_{t},y_{1},...,y_{t-1}$因此不应该使用$P(x_{t}|x_{t-1})=N(Hx+B,Q)$这个公式直接求$x_{t}|y_{1},...,y_{t-1}$，而应该使用视频右上角的边缘积分去求

在求ln⁡(q_j^* (Z_j))时，
ln⁡(q_j^* (Z_j))=E_(i≠j) [ln⁡(p(X,Z))]
在右侧计算时为什么只考虑与Zj有关的项，而将其他项直接去掉？例如，对于高斯函数，推导了：
ln⁡(q_μ^* (μ))=E_(q_τ ) [ln⁡(p(μ,τ│D)) ]
=-(E_(q_τ ) [τ])/2 [∑_(i=1)^n▒〖(x_i-μ)^2+λ_0 (μ-μ_0 )〗^2 ]+const
这个常数项其实是关于τ的函数，即可以写成：
ln⁡(q_μ^* (μ))=-(E_(q_τ ) [τ])/2 [∑_(i=1)^n▒〖(x_i-μ)^2+λ_0 (μ-μ_0 )〗^2 ]+f(τ)
我觉得这个常数项不能直接忽略，因为：
ln⁡(q_τ^* (τ))=E_(q_μ ) [ln⁡(p(μ,τ│D)) ]
在求解ln⁡(q_τ^* (τ))时用到q_μ^* (μ)，则q_μ^* (μ)中含有τ的项不能忽略，这样理解有什么问题吗。

EM算法ppt第11页，对EM收敛 证明中的 Q函数以及H函数的推导有点疑惑 个人感觉 ln[p(x|theta)] 应该等于 ln[p(z,x|theta)]-ln[p(z|x,theta)]

徐老师你好，决策树 notes 文章里面table后面的那个数字显示不出来，都是问号？？

rt, 有录播能不能分享一些链接