發(fā)簡信
IP屬地：上海
-
機器學習筆記19: 線性二次型高斯
線性二次型高斯(Linear Quadratic Gaussian (LQG)) 在現(xiàn)實世界中，我們通常不能獲取到所有的狀態(tài)st。比如一個自動駕...
-
機器學習筆記18: 微分動態(tài)規(guī)劃
上一節(jié)中我們介紹了一個特殊的MDP模型：線性二次型調(diào)節(jié)控制(LQR)。事實上很多問題都可以用LQR來解決，即使動態(tài)模型是非線性的。盡管LQR是一...
-
機器學習筆記17: 線性二次型調(diào)節(jié)控制
有限邊界的MDP 在前面兩章關(guān)于強化學習的介紹中，我們定義了馬爾可夫決策過程(MDP)以及價值迭代/策略迭代這兩種用于求解MDP的算法。特別地，...
-
機器學習筆記16: 馬爾可夫決策過程(下)到目前為止，我們一直都在討論有限狀態(tài)下的MDP問題，現(xiàn)在我們來看下當狀態(tài)數(shù)量是無限時如何求解MDP問題。 離散化 也許求解無限狀態(tài)下的MDP問題...
-
機器學習筆記15: 馬爾可夫決策過程(上)
這一節(jié)開始我們介紹強化學習(reinforcement learning)。在監(jiān)督學習中，對于一個給定的輸入x，我們可以明確知道輸出y。而在很多...
-
機器學習筆記14: 獨立成分分析
這一節(jié)的主題是獨立成分分析(Independent Components Analysis, ICA)。和PCA的降維思路不同，ICA主要解決的...
-
機器學習筆記13: 主成分分析上一節(jié)我們介紹了因子分析，該模型通過一系列變換可以將高維數(shù)據(jù)用低維數(shù)據(jù)來表示。因子分析基于的是概率模型，并且需要用到EM算法進行參數(shù)估計。 這一...
-
機器學習筆記12: 因子分析
上一節(jié)我們介紹了用EM算法求解混合高斯模型，但這個算法通常是在樣本數(shù)足夠多的情況下才成立，即滿足樣本數(shù)m遠遠大于特征數(shù)n。 如果n >> m，那...
-
機器學習筆記11: K-Means算法和EM算法這一節(jié)開始我們討論非監(jiān)督學習(Unsupervised Learning)的算法。在監(jiān)督學習算法中，訓練數(shù)據(jù)既包含特征也包含標簽，通常表示為{(...