沒課的一天，結合著師兄給的書，寫一寫日常學習的反思。
西瓜書到手了，還不知道怎么學，好的公式233，沒有python相關代碼

西瓜書的學習與建模后的反思

1.隱馬爾科夫模型

隱馬爾科夫模型是關于時序的概率模型，可用于標注問題的統(tǒng)計學問題模型，描述由一個隱藏的馬爾科夫鏈生成不可觀測的狀態(tài)序列，再有各個狀態(tài)生成一個觀測而產(chǎn)生觀測隨機序列的過程。

馬爾科夫模型：

• 因安德烈·馬爾可夫（Andrey Markov，1856－1922）得名，是數(shù)學中具有馬爾可夫性質(zhì)的離散時間隨機過程。該過程中，在給定當前知識或信息的情況下，過去（即當前以前的歷史狀態(tài)）對于預測將來（即當前以后的未來狀態(tài)）是無關的。
  時間和狀態(tài)都是離散的馬爾可夫過程稱為馬爾可夫鏈, 簡記為Xn=X(n),n=0,1,2…
  馬爾可夫鏈是隨機變量X1,X2,X3…的一個數(shù)列。這些變量的范圍，即他們所有可能取值的集合，被稱為“狀態(tài)空間”，而Xn的值則是在時間n的狀態(tài)。如果Xn + 1對于過去狀態(tài)的條件概率分布僅是Xn的一個函數(shù)，則
  
  公式編輯器在這里
  這里x為過程中的某個狀態(tài)。上面這個恒等式可以被看作是馬爾可夫性質(zhì)。
  馬爾可夫在1906年首先做出了這類過程 。而將此一般化到可數(shù)無限狀態(tài)空間是由柯爾莫果洛夫在1936年給出的。

隱馬爾科夫模型

? ????????HMM由初始概率分布π、狀態(tài)轉(zhuǎn)移概率分布A以及觀測概率B確定。

• 對A 的解釋：
  I是長度為T的狀態(tài)序列，O是對應的觀測序列
  
  A是狀態(tài)轉(zhuǎn)移概率矩陣（方陣）
  

  上一時刻是qi,下一時刻為qj的概率。

• 對B的解釋
  觀測概率矩陣：
  
  是在時刻t由i號隱狀態(tài)（Inner）觀測到k號觀測值的概率矩陣N行M列。
  如果是觀測序列的狀態(tài)是連續(xù)的，B則為概率密度函數(shù)。
  對π的解釋

• π是初始狀態(tài)向量，
  
  πi是第一個時刻處于狀態(tài)qi的概率
  這里深入了解隱馬爾科夫模型

2.過擬合與欠擬合

偏差是指我們忽略了多少數(shù)據(jù)，而方差是指我們的模型對數(shù)據(jù)的依賴程度。

說你想學英語。你沒有先前的語言知識，但你聽說最偉大的英國作家是莎士比亞。一個自然的行動方式當然必須是將自己鎖定在圖書館并記住他的作品。經(jīng)過一年的學習，你從學業(yè)中走出來，前往紐約市，并向你看到的第一個人打招呼，“Good dawning to thee, friend!”（這種用法貌似只在莎士比亞作品出現(xiàn)過）作為回應，你看到一臉鄙視和嘀咕’瘋狂’。不受干擾，你再試一次：“Dear gentlewoman, How fares our gracious lady?”另一次失敗，匆匆撤退。在第三次嘗試失敗后，你心煩意亂：“悲傷！多么可悲！”。實際上很遺憾：你剛剛犯了建模中最基本的錯誤之一，過度擬合了訓練數(shù)據(jù)。

過擬合模型表現(xiàn)為在訓練集上具有高方差和低偏差。

這會導致對新測試數(shù)據(jù)預測時與訓練數(shù)據(jù)的不一致。讓我們從學習英語的嘗試中打破這個令人困惑的定義。我們想要構建的模型是如何使用英語進行交流的表示。我們的訓練數(shù)據(jù)是莎士比亞的全部作品，我們的測試集是紐約。如果我們根據(jù)社會接受度來衡量績效，那么我們的模型就無法應用于測試數(shù)據(jù)。到目前為止，這似乎很簡單，但差異和偏見呢？
如下圖

3.神經(jīng)網(wǎng)絡學習感悟

這里可以幫助大家完成對卷積池化的理解

上圖是ppt中的講解，下面我再結合實例說明一下。
以手寫識別為例，網(wǎng)絡輸入是一個32x32的手寫數(shù)字圖像，輸出是其識別結果，CNN復合多個“卷積層”和“采樣層”對輸入信號進行加工，然后在連接層實現(xiàn)與輸出目標之間的映射.例如每個卷積層都包含多個特征映射，每個特征映射是一個28x28的神經(jīng)元陣列，其中每個神經(jīng)元負責從5x5的區(qū)域通過卷積濾波器提取局部特征。采樣層亦稱為“匯合”（pooling）層，其作用是基于局部相關性原理進行亞采樣，從而在減少數(shù)據(jù)量的同時保留有用信息。例第一個神經(jīng)元有6個14x14的特征映射，其中每個神經(jīng)元與上一層中對應特征映射的2x2領域相連，并據(jù)此計算輸出。通過復合卷積層和采樣層，CNN將原始圖像映射成120維特征向量，最后通過一個由84個神經(jīng)元構成的連接層和輸出層連接完成任務。

總結

以上是生活随笔為你收集整理的python入门---日常经验分享的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。