- Introduction - Probabilistic and Statistical Machine Learning 2020
- Lecture 1 - Introduction
- Lecture 2 - Reasoning under Uncertainty
- Lecture 3 - Continuous Variables
- Lecture 4 - Sampling
- Lecture 5 - Markov Chain Monte Carlo
- Lecture 6 - Gaussian Distributions
- Lecture 7 - Gaussian Parametric Regression
- Lecture 8 - Learning Representations
- Lecture 9 - Gaussian Processes
- Lecture 10 - Understanding Kernels
- Lecture 11 - Example of GP Regression
- Lecture 12 - Gauss-Markov Models
- Lecture 13 - Gaussian Process Classification
- Lecture 14 - Generalized Linear Models
- Lecture 15 - Exponential Families
- Lecture 16 - Gaussian Process Classification
- Lecture 17 - Factor Graphs
- Lecture 18 - The Sum-Product Algorithm
- Lecture 19 — Extended Example- Topic Modelling
- Lecture 20 — Latent Dirichlet Allocation
- Lecture 21 — Expectation Maximization (EM)
- Lecture 22 — Variational Inference
- Lecture 23 — Tuning Inference Algorithms
- Lecture 24 — Customizing Probabilistic Models
- Lecture 25 — Making Decisions
- Lecture 26 — Revision
概率推理系統(tǒng)地應(yīng)用于所有的推理問題，包括統(tǒng)計模型的推理參數(shù)，有時被稱為貝葉斯方法。然而，這個詞往往會引起非常強(qiáng)烈的反應(yīng)(積極或消極，取決于你問誰)，所以我們更喜歡中性的術(shù)語“概率方法”。此外，我們將經(jīng)常使用最大似然估計等技術(shù)，它們不是貝葉斯方法，但肯定屬于概率范式。
一、EM算法的基礎(chǔ)和貝葉斯基礎(chǔ)
1）EM算法的基本原理和推導(dǎo)
2）EM算法的基本應(yīng)用，k-means和高斯混合模型
二、隱馬可夫和條件隨機(jī)場
1）隱馬（HMM）的基于原理和對應(yīng)的三個問題及其解法
2）最大熵模型
3）條件隨機(jī)場
三、話題模型
話題
四、其它
1）采樣
2）變化
3) 卡爾曼濾波器
4) 粒子濾波
5）非參數(shù)貝葉斯
