贝叶斯

读书笔记: 博弈论导论 - 总结 总结 本文是Game Theory An Introduction (by Steven Tadelis) 的学习笔记的总结。 博弈论 博弈论是关于智能理性决策者的协作和冲突的数学模型的研究。 博弈论的目的可以说是研究寻找博弈均衡的方法。 博弈论的直接目标不是找到一个玩家的最佳策略，而是找到所有玩家的最理性策略组合。 我们称 最理性策略组合 为 均衡 。 博弈论（也叫逆向博弈论）的另外一个作用是机制设计，根据期望的结果，设计一个博弈体系。 博弈论的分类 这本书中将博弈论的只是分为四类： 完整信息的静态博弈 完整信息的动态博弈 不完整信息的静态博弈 不完整信息的动态博弈 博弈论的数学模型 普通形式博弈(normal-form game)的数学表达 一个有限的玩家集合, $N = {1, 2, \cdots, n}$ 每个玩家的纯策略集合的组合, ${S_1, S_2, \cdots, S_n}$ 一套收益函数, ${v_1, v_2, \cdots, v_n}$，对于每个玩家，每一种所有玩家选择的策略组合，都有一个收益值。 $v_i: S_1 \times S_2 \times \cdots \times S_n \text{ for each } i \in N $ 贝叶斯博弈(Bayesian Game) 用于描述不完整信息博弈。 $$

​商业智能bi行业现状。传统的报表系统技术上已经相当成熟，大家熟悉的Excel等都已经被广泛使用。但是，随着数据的增多，需求的提高，传统报表系统面临的挑战也越来越多。 数据太多，信息太少 密密麻麻的表格堆砌了大量数据，到底有多少业务人员仔细看每一个数据?到底这些数据代表了什么信息、什么趋势?级别越高的领导，越需要简明的信息。 难以交互分析、了解各种组合 定制好的报表过于死板。例如，我们可以在一张表中列出不同地区、不同产品的销量，另一张表中列出不同地区、不同年龄段顾客的销量。业务问题经常需要多个角度的交互分析。 难以挖掘出潜在的规则 报表系统列出的往往是表面上的数据信息，但是海量数据深处潜在含有哪些规则呢?什么客户对我们价值最大，产品之间相互关联的程度如何?越是深层的规则，对于决策支持的价值越大，但是，也越难挖掘出来。 难以追溯历史，数据形成孤岛 业务系统很多，数据存在于不同地方。太旧的数据(例如一年前的数据)往往被业务系统备份出去，导致宏观分析、长期历史分析难度很大。 　　 商业智能bi行业现状？随着时代的发展，传统报表系统已经不能满足日益增长的业务需求了，企业期待着新的技术。目前国内报表系统领先者Smartbi报表的创新技术能较好的满足繁杂的业务需求。数据分析和数据挖掘的时代正在来临。值得注意的是，数据分析和数据挖掘系统的目的是带给我们更多的决策支持价值，并不是取代数据报表

你觉得程序员都有什么样的特征呢？会不会说，思维敏捷，逻辑清晰？ 说到这里可能你会想到，程序员的数学一定都很好，可是，实际上，在刚开始学习编程的时候，有很大一部分人会疑惑，我数学不好，学编程能行吗？ 记得之前我在刚开始学习编程的时候，就经常 困惑这个问题 ， 我数学不好，能不能学好编程呢？ 后来得到的一个答案大概就是学编程跟数学其实没多大关系，然后我就信这句话开始学编程了。 不过后来，我有听到这么一句话： 到底要不要学好数学？如果未来你的薪资是一万一个月你就满足的话，那么数学好不好那就无所谓了，如果你不满足月薪一万的话，那数学就很重要了。 什么意思呢？ 数学可以说是一个门槛，这边和那边的区别还是相当大的！ 在以后的编码生活中，我肯定会在数学这块下苦功夫的，这是我一直的计划，也在慢慢的实施中。 这次听到极客时间出了一个关于程序员的基础数学课，毫不犹豫，订购一份！ 那至于你需不需要这个，你自己考虑，反正对于我，是有很大帮助的。 推荐给你们！（长按海报二维码可直接购买！） 你也可以看看详细介绍！ 《程序员的数学基础课》有哪些模块？ 我给大家归纳总结一下： 模块一 ，基础思想篇 梳理了编程中最常用的数学概念和思想，比如余数、迭代、排列、组合等，主要就是让你掌握这些基础与核心的数学知识， 了 解这些知识对编程和算法究竟意味着啥 。 模块二 ，概率统计篇 以概率统计中最核心的贝叶斯公式为圆心

从控制理论的角度谈数据分析 如题，浅谈自己对数学物理模型的认知。这一篇文章也是为了1024勋章，刻意赶制的一篇文章，没有存稿，就简单表述一下自己的想法吧。有问题欢迎大家一起来交流讨论。 我的专业方向和控制是脱离不开关系的，在大三之后，学习到现代控制理论、测试技术、计算机控制原理之后，我才真正意识到应该将数学模型上升到一个的动态系统。 数据分析实则是对系统状态的估计。 这是我这段时间来产生的新的体悟。 在做机器人控制的时候，难免会遇到一个问题——导航。那什么是导航？导航的任务涵盖了三个部分： 我（机器人）在哪里？ 我（机器人）要去哪里？ 我（机器人）要怎么过去？ 我们工作是围绕着这三个问题展开的。首先第一个问题， 定位 。我们怎样来实现定位——机器人在哪里？ 机器人的定位是建立在它感知的基础上的。感知来源于探测器，通常包括了光学传感器如摄像头、激光雷达、超声测距等等。我暂且把这些传感器得到的数据称为观测数据。看过我 统计模式识别系列学习笔记 的朋友们一定知道贝叶斯先验分布和后验分布。即如何从观测数据得到机器人当前在世界坐标系的位姿？下面我直接引用我在 统计模式识别学习笔记（二） 中的话了。 我们如何通过观测数据 x x x 来估计机器人此刻的状态？ 简而言之，我们希望通过观测数据 x x x 来推断出状态（以及它们的概率分布）。所以，我们说对机器人状态的估计，就是已知观测数据 x x

目录 概率论 古典概率模型 商品推荐 概率公式 两种认识 下的两个学派 分布 两点分布 Possion分布 均匀分布 指数分布 正态分布 二元正态分布 总结 Sigmoid函数 Logistic函数的导数 概率论 古典概率模型 实际上两人生日相同的概率还是很小的 商品推荐 概率公式 条件概率和全概率公式推导出贝叶斯公式 已知结果来反推 没有完全理解 两种认识 下的两个学派 分布 两点分布 二项分布 bernoulli distribution Possion分布 均匀分布 指数分布 正态分布 二元正态分布 总结 Sigmoid函数 Logistic函数的导数 来源： oschina 链接： https://my.oschina.net/u/4312499/blog/4315137

转自： https://zhuanlan.zhihu.com/p/36416906 其它机器学习、深度学习算法的全面系统讲解可以阅读 《机器学习-原理、算法与应用》 ，清华大学出版社， 雷明著 ，由SIGAI公众号作者倾力打造。 书的购买链接 书的勘误，优化，源代码资源 导言： 本文为人脸识别算法系列专题的综述文章，人脸识别是一个被广泛研究着的热门问题，大量的研究论文层 出不穷，文中我们将为大家总结近些年出现的具有代表性的人脸识别算法。请大家关注SIGAI公众号，我 们会持续解析当下主流的人脸识别算法以及业内最新的进展。 人脸识别有什么用？ 人脸识别的目标是确定一张人脸图像的身份，即这个人是谁，这是机器学习和模式识别中的分类问题。它主要应用在身份识别和身份验证中。其中身份识别包括失踪人口和嫌疑人追踪、智能交互场景中识别用户身份等场景；而身份验证包括身份证等证件查询、出入考勤查验、身份验证解锁、支付等场景，应用场景丰富。就在前不久，北京多家医院借助“黑科技”人脸识别技术阻击“熟脸”的号贩子，降低其挂号率；目前人脸识别还用到了治理闯红灯问题，改善中国式过马路现象。 人脸识别系统的组成 人脸识别算法主要包含三个模块： 人脸检测（Face Detection） 人脸对齐（Face Alignment） 人脸特征表征（Feature Representation） 如下图所示： 人脸检测

转自： https://zhuanlan.zhihu.com/p/135955964 导语 随着最近几年机器人、无人机、无人驾驶、VR/AR的火爆，SLAM技术也为大家熟知，被认为是这些领域的关键技术之一。本文对SLAM技术及其发展进行简要介绍，分析视觉SLAM系统的关键问题以及在实际应用中的难点，并对SLAM的未来进行展望。 1. SLAM技术 SLAM（Simultaneous Localization and Mapping），同步定位与地图构建，最早在机器人领域提出，它指的是：机器人从未知环境的未知地点出发，在运动过程中通过重复观测到的环境特征定位自身位置和姿态，再根据自身位置构建周围环境的增量式地图，从而达到同时定位和地图构建的目的。由于SLAM的重要学术价值和应用价值，一直以来都被认为是实现全自主移动机器人的关键技术。 如下图，通俗的来讲，SLAM回答两个问题：“我在哪儿？”“我周围是什么？”，就如同人到了一个陌生环境中一样，SLAM试图要解决的就是恢复出观察者自身和周围环境的相对空间关系，“我在哪儿”对应的就是定位问题，而“我周围是什么”对应的就是建图问题，给出周围环境的一个描述。回答了这两个问题，其实就完成了对自身和周边环境的空间认知。有了这个基础，就可以进行路径规划去达要去的目的地，在此过程中还需要及时的检测躲避遇到的障碍物，保证运行安全。 2. SLAM发展简介

人工智能2020秋季 杂谈 ： 机器学习比较难，所以我跑到人工智能这里来避避风头 第一关：知识的表示 1. 一阶谓词逻辑 杂谈 ：谓词逻辑，关键是谓词，其实我觉得就是汉语转化为“英语” 先上菜鸟题： 老王喜欢妹子 并不是所有的男人都喜欢妹子 有些男人不是老王 再上经典的猴子吃香蕉的题： 设房间里有一只猴子，位于a 在c处有一串香蕉，（猴子想吃，但摘不到） 房间b处有一个箱子（如果猴子站到箱子上，就可以摘到香蕉） ​ 解析：要解决这个问题，需要一定的套路。首先，找到有哪些东西（猴子，香蕉，箱子）；其次，定义谓词 ​ 静态属性： ​ 位置关系：AT（x,y） ,其中x的个体域为{monkey,banana,box},y的个体域为{a,b,c} ​ （如果以后涉及到位移的问题，首先应该想到的就是位置关系） ​ ONBOX：表示猴子在箱子上面 ​ HB：猴子摘到香蕉 ​ 从上面就可以找到问题的初始状态和目标状态： ​ AT（monkey,a） AT（monkey,c） ​ AT(box,b) AT(box,c) ​ AT(banana,c) AT(banana,c) ​ ~ONBOX ONBOX ​ ~HB HB ​ 动态属性：动作 ​ GOTO(x,y):表示猴子从x处走到y处 ​ PUSHBOX(x,y):表示猴子推着箱子从x处移动到y处 ​ CLIMBBOX:表示猴子爬上箱子 ​

前言   本文所涉是笔者模式识别课的第一次大作业——用 朴素贝叶斯 来做nemo鱼图像区域分割。它是用贝叶斯来做 二元分类 的简单实践，适合用来做贝叶斯算法入门，现将简要理论和笔者所写代码放在这里，供大家参考。不知道有没有朋友有疑问，明明是图像区域分割，怎么又和二元分类扯上了关系，其实逐像素的图像分割，就是在做分类。当然，这里的分割不是指复杂的语义分割，只是简单的根据灰度或者颜色分布来做区域分割。   贝叶斯理论： 机器学习十大经典算法：深入浅出聊贝叶斯决策 任务与数据 数据   图像 fish.bmp 与掩膜 mask.mat ，掩膜点乘图像，即可获得待分割区域ROI。小鱼区域主要有两种类型的区域，以下就是要用朴素贝叶斯把这两个部分分出来——用不同的颜色表示不同区域。   训练数据 sample.mat ，它是一个二维的matlab数组，第一列为灰度值，第2-4列为RGB值，第五列为当前灰度值或者RGB值对应的类别标签（1，-1）。它蕴含着两种类型区域的灰度值或者RGB值的分布，根据它来估计两种类型区域的类概率密度函数的参数。 任务   任务1：对训练数据用极大似然，估计出两类区域灰度值的概率密度函数，并用最小错误贝叶斯对 fish.bmp ROI灰度图像进行分割。   任务2：对训练数据用极大似然，估计出两类区域RGB值的概率密度函数，并用最小错误贝叶斯对 fish.bmp

推荐引擎算法学习导论：协同过滤、聚类、分类 作者：July 出处：结构之法算法之道 引言 昨日看到几个关键词：语义分析，协同过滤，智能推荐，想着想着便兴奋了。于是昨天下午开始到今天凌晨3点，便研究了一下推荐引擎，做了初步了解。日后，自会慢慢深入仔细研究（日后的工作亦与此相关）。当然，此文也会慢慢补充完善。 本文作为对推荐引擎的初步介绍的一篇导论性的文章，将略去大部分的具体细节，侧重用最简单的语言简要介绍推荐引擎的工作原理以及其相关算法思想，且为了着重浅显易懂有些援引自本人1月7日在微博上发表的文字（特地整理下，方便日后随时翻阅），尽量保证本文的短小。不过，事与愿违的是，文章后续补充完善，越写越长了。 同时，本文所有相关的算法都会在日后的文章一一陆续具体阐述。本文但求微言导论，日后但求具体而论。若有任何问题，欢迎随时不吝赐教或批评指正。谢谢。 1、推荐引擎原理 推荐引擎尽最大努力的收集尽可能多的用户信息及行为，所谓广撒网，勤捕鱼，然后“特别的爱给特别的你”，最后基于相似性的基础之上持续“给力”，原理如下图所示（图引自本文的参考资料之一：探索推荐引擎内部的秘密）： 2、推荐引擎的分类 推荐引擎根据不同依据如下分类： 根据其是不是为不同的用户推荐不同的数据，分为基于大众行为（网站管理员自行推荐，或者基于系统所有用户的反馈统计计算出的当下比较流行的物品）、及个性化推荐引擎（帮你找志同道合