b1ue0cean's blog

这次时间都花在一道题上 当时做到凌晨四点 卡在最后一步 撑不住辣

Here's something encrypted, password is required to continue reading.

学一下java的相关的马 内存马单独拉出来讨论 这里不涉及

xgboost为比赛中的大杀器 今天又是机器学习课 于是复习一下决策树加学一下xgboost

为什么会有这篇水文呢？因为这周末就是TCTF2022 突然想到去年TCTF有道机器学习的题目 然后最近在学校里有上机器学习的水课 忍不住想动手实践实践

Here's something encrypted, password is required to continue reading.

下午上课写一下 orz

手写高斯混合聚类算法 - 我的锅 - 博客园 (cnblogs.com)

热身一下

极大似然估计（Maximum Likelihood Estimate，MLE）

摘自：(175条消息) EM算法——直观理解与详细推导_Twilight Sparkle.的博客-CSDN博客

统计学中，似然函数是一种关于统计模型参数的函数。给定输出x时，关于参数θ的似然函数L(θ|x)（在数值上）等于给定参数θ后变量X的概率：

L(θ|x)=P(X=x|θ)

注：L(θ|x)也可以写为L(θ:x)

极大似然估计也称为最大似然估计。

比如现在有一个袋子，里面装有白球和红球，你在里面随机抓了10个球，发现9个都是红球，那么你可以猜测从这个袋子抓出红球的概率为0.9，而抓出白球的概率为0.1。也就是说，我们根据样本来推测“为什么抓出来的样本会是这样”最可能的原因。

这种根据样本推断最可能的模型未知参数的方法叫做极大似然估计。

回到上面那个抛硬币的例子：如果两次抛硬币都是正面朝上。我们已经计算了当时，似然函数等于0.25；当时，似然函数等于0.36。计算时，似然函数将会等于1，此时是最大的。

那么“两次抛硬币都正面朝上”的实验推出的极大似然估计就是“硬币正面朝上的概率为1”。

算法流程

算法实现

reference

(160条消息) 【机器学习笔记】通俗易懂解释高斯混合聚类原理_lotusng的博客-CSDN博客_高斯混合聚类

https://towardsdatascience.com/gaussian-mixture-models-explained-6986aaf5a95

https://python-course.eu/machine-learning/expectation-maximization-and-gaussian-mixture-models-gmm.php

(175条消息) EM算法——直观理解与详细推导_Twilight Sparkle.的博客-CSDN博客

run哥带你学AI第二期 今天来讲讲k-means算法

学一学Glove模型

https://www.bilibili.com/video/BV1Nt4y137iS/?spm_id_from=333.337.search-card.all.click&vd_source=5b1dc3519b810c31b5011241e547fd0b

来聊聊NLP中的经典模型 word2vec