研究设计与统计

订阅

MedSci主页 / 所有栏目 / 研究设计与统计

机器学习里的贝叶斯基本理论、模型和算法

2017-04-04 朱军 中国人工智能学会通讯

机器学习贝叶斯
关注

本文转自中国人工智能学会通讯第3期，已获授权，特此感谢！  作者：清华大学计算机科学与技术系 朱军 副教授 非常感谢周老师给这个机会让我跟大家分享一下。我今天想和大家分享的是，在深度学习或者大数据环境下我们怎么去看待相对来说比较传统的一类方法——贝叶斯方法。它是在机器学习和人工智能里比较经典的方法。 类似的报告我之前在CCF ADL 讲过，包括去年暑假周老师做学术主任在广州有过

本文转自中国人工智能学会通讯第3期，已获授权，特此感谢！  作者：清华大学计算机科学与技术系 朱军 副教授 非常感谢周老师给这个机会让我跟大家分享一下。我今天想和大家分享的是，在深度学习或者大数据环境下我们怎么去看待相对来说比较传统的一类方法——贝叶斯方法。它是在机器学习和人工智能里比较经典的方法。 类似的报告我之前在CCF ADL 讲过，包括去年暑假周老师做学术主任在广州有过一次报告，大家如果想看相关的工作，我们写了一篇文章，正好我今天讲的大部分思想在这个文章里面有一个更系统的讲述，大家可以下去找这篇文章读。 这次分享主要包括三个部分：  第一部分：基本理论、模型和算法 贝叶斯方法基础  正则化贝叶斯推理和案例 第二部分：可扩展的贝叶斯方法 在线学习  分布式MCMC 第三部分：深度生成模型 第一部分：贝叶斯基础和正则化贝叶斯 贝叶斯方法概念是比较简单的，一般情况下我们做贝叶斯推理，用了一个核心的工具叫贝叶斯定理或者贝叶斯准则，实际上写出来就是这么一个简单的公式，大家学概率基本上都学过这个。公式里有几个基本的对象，我们用θ 描述模型的参数，这个

版权声明：
本网站所有内容来源注明为“梅斯医学”或“MedSci原创”的文字、图片和音视频资料，版权均属于梅斯医学所有。非经授权，任何媒体、网站或个人不得转载，授权转载时须注明来源为“梅斯医学”。其它来源的文章系转载文章，或“梅斯号”自媒体发布的文章，仅系出于传递更多信息之目的，本站仅负责审核内容合规，其内容不代表本站立场，本站不负责内容的准确性和版权。如果存在侵权、或不希望被转载的媒体或个人可与我们联系，我们将立即进行删除处理。
在此留言
评论区 (3)
#插入话题
  1. [GetPortalCommentsPageByObjectIdResponse(id=197532, encodeId=1c1319e5325e, content=看不懂（＃－.－）, beContent=null, objectType=article, channel=null, level=null, likeNumber=68, replyNumber=0, topicName=null, topicId=null, topicList=[], attachment=null, authenticateStatus=null, createdAvatar=http://thirdwx.qlogo.cn/mmopen/vi_32/IibQxuGJg8Nh1KeNMs1nZJeeldYs9olQSmfLFMSmc8OR6afKD5WrY1ktGibkd2ccEG1hMLcfjsTroQ86Z9scbvicQ/132, createdBy=3d661927529, createdName=Mr.Li先生, createdTime=Sat May 13 12:38:26 CST 2017, time=2017-05-13, status=1, ipAttribution=), GetPortalCommentsPageByObjectIdResponse(id=1583008, encodeId=d683158300829, content=<a href='/topic/show?id=f6e1611840d' target=_blank style='color:#2F92EE;'>#机器#</a>, beContent=null, objectType=article, channel=null, level=null, likeNumber=37, replyNumber=0, topicName=null, topicId=null, topicList=[TopicDto(id=61184, encryptionId=f6e1611840d, topicName=机器)], attachment=null, authenticateStatus=null, createdAvatar=null, createdBy=13dc16973127, createdName=ms6279672939590805, createdTime=Thu Apr 06 01:13:00 CST 2017, time=2017-04-06, status=1, ipAttribution=), GetPortalCommentsPageByObjectIdResponse(id=185082, encodeId=d6f7185082d1, content=阅读了谢谢分享, beContent=null, objectType=article, channel=null, level=null, likeNumber=70, replyNumber=0, topicName=null, topicId=null, topicList=[], attachment=null, authenticateStatus=null, createdAvatar=http://cdnapi.center.medsci.cn/medsci/head/2017/04/21/72142930668371951a41ef4ea4b233e6.jpg, createdBy=dcbc1715228, createdName=刘煜, createdTime=Tue Apr 04 10:16:32 CST 2017, time=2017-04-04, status=1, ipAttribution=)]
    2017-05-13 Mr.Li先生

    看不懂（＃－.－）

    0

  2. [GetPortalCommentsPageByObjectIdResponse(id=197532, encodeId=1c1319e5325e, content=看不懂（＃－.－）, beContent=null, objectType=article, channel=null, level=null, likeNumber=68, replyNumber=0, topicName=null, topicId=null, topicList=[], attachment=null, authenticateStatus=null, createdAvatar=http://thirdwx.qlogo.cn/mmopen/vi_32/IibQxuGJg8Nh1KeNMs1nZJeeldYs9olQSmfLFMSmc8OR6afKD5WrY1ktGibkd2ccEG1hMLcfjsTroQ86Z9scbvicQ/132, createdBy=3d661927529, createdName=Mr.Li先生, createdTime=Sat May 13 12:38:26 CST 2017, time=2017-05-13, status=1, ipAttribution=), GetPortalCommentsPageByObjectIdResponse(id=1583008, encodeId=d683158300829, content=<a href='/topic/show?id=f6e1611840d' target=_blank style='color:#2F92EE;'>#机器#</a>, beContent=null, objectType=article, channel=null, level=null, likeNumber=37, replyNumber=0, topicName=null, topicId=null, topicList=[TopicDto(id=61184, encryptionId=f6e1611840d, topicName=机器)], attachment=null, authenticateStatus=null, createdAvatar=null, createdBy=13dc16973127, createdName=ms6279672939590805, createdTime=Thu Apr 06 01:13:00 CST 2017, time=2017-04-06, status=1, ipAttribution=), GetPortalCommentsPageByObjectIdResponse(id=185082, encodeId=d6f7185082d1, content=阅读了谢谢分享, beContent=null, objectType=article, channel=null, level=null, likeNumber=70, replyNumber=0, topicName=null, topicId=null, topicList=[], attachment=null, authenticateStatus=null, createdAvatar=http://cdnapi.center.medsci.cn/medsci/head/2017/04/21/72142930668371951a41ef4ea4b233e6.jpg, createdBy=dcbc1715228, createdName=刘煜, createdTime=Tue Apr 04 10:16:32 CST 2017, time=2017-04-04, status=1, ipAttribution=)]
    2017-04-06 ms6279672939590805

    #机器#

    0

  3. [GetPortalCommentsPageByObjectIdResponse(id=197532, encodeId=1c1319e5325e, content=看不懂（＃－.－）, beContent=null, objectType=article, channel=null, level=null, likeNumber=68, replyNumber=0, topicName=null, topicId=null, topicList=[], attachment=null, authenticateStatus=null, createdAvatar=http://thirdwx.qlogo.cn/mmopen/vi_32/IibQxuGJg8Nh1KeNMs1nZJeeldYs9olQSmfLFMSmc8OR6afKD5WrY1ktGibkd2ccEG1hMLcfjsTroQ86Z9scbvicQ/132, createdBy=3d661927529, createdName=Mr.Li先生, createdTime=Sat May 13 12:38:26 CST 2017, time=2017-05-13, status=1, ipAttribution=), GetPortalCommentsPageByObjectIdResponse(id=1583008, encodeId=d683158300829, content=<a href='/topic/show?id=f6e1611840d' target=_blank style='color:#2F92EE;'>#机器#</a>, beContent=null, objectType=article, channel=null, level=null, likeNumber=37, replyNumber=0, topicName=null, topicId=null, topicList=[TopicDto(id=61184, encryptionId=f6e1611840d, topicName=机器)], attachment=null, authenticateStatus=null, createdAvatar=null, createdBy=13dc16973127, createdName=ms6279672939590805, createdTime=Thu Apr 06 01:13:00 CST 2017, time=2017-04-06, status=1, ipAttribution=), GetPortalCommentsPageByObjectIdResponse(id=185082, encodeId=d6f7185082d1, content=阅读了谢谢分享, beContent=null, objectType=article, channel=null, level=null, likeNumber=70, replyNumber=0, topicName=null, topicId=null, topicList=[], attachment=null, authenticateStatus=null, createdAvatar=http://cdnapi.center.medsci.cn/medsci/head/2017/04/21/72142930668371951a41ef4ea4b233e6.jpg, createdBy=dcbc1715228, createdName=刘煜, createdTime=Tue Apr 04 10:16:32 CST 2017, time=2017-04-04, status=1, ipAttribution=)]
    2017-04-04 刘煜

    阅读了谢谢分享

    0

相关资讯

机器学习助力神经科学的高维数据分析，相得益彰

作者: Moritz Helmstaedter 引言：神经科学家正在生产庞大规模的数据组，其复杂性堪比真实世界中的分类任务。机器学习已经大大帮助了数据分析，但是，其准确性经常不如人类进行的数据分析。本文中，作者讨论了受神经科学启发的机器学习所面临的挑战以及希望。 当有机体在环境中行动时，有机体大脑负责处理高维感官数据。因此，从事大脑研究的神经科学家需要处理极其复杂的高维数据集，这给分析工作

机器学习分类方法在医学诊断中应用——基于R的实现

机器学习，是不是高大上？是不是很艰深？其实，这一切并不难，只要你掌握R语言。现在小编为大家全面展示不同的机器学习的方法的实际应用1．引言随着统计科学的日益发展，其对其他学科的渗透作用日益增强，数据分析方法在医学、生物学、社会学等各个学科中得到了广泛的应用，本文试图对收集到的某个临床医学数据运用决策树、神经网络、支持向量机、随机森林等各种现代分类方法进行分析，以佐证数据挖掘对其他学科的重要意义；

机器学习：从多元拟合，神经网络到深度学习

机器学习，或者更大的一个概念，数据科学这个领域中，同样是学了忘忘了学。不可否认，数学是机器学习的一个基石，但是也是无数人，包括笔者学习机器学习的一个高的门槛，毕竟数学差。而在这篇文章中，原作者并没有讲很多的数学方面的东西，而是以一个有趣实用的方式来介绍机器学习。另一方面，其实很多数学原理也是很有意思的 What is Machine Learning: Machine Learning的概念

机器学习、统计分析、数据挖掘、神经网络、人工智能、模式识别前世今生

在技术飞快进步的时代，下一个计算平台，可能将是量子计算机与人工智能的结合的产物。机器学习、统计分析、数据挖掘、神经网络、人工智能、模式识别，很难说谁包含于谁，只能分开说每一个概念的意义，谁服务于谁。 离线而非在线的云数据才是未来的机会所在。这也是机器人可以进入的领域，因为它能够移动，利用机器人身上装的传感器，它可以感知到周围的真实环境，在与环境互动的过程中学习。 这几者间的基本区别如下：

J Alzheimers Dis：利用机器学习方法建立痴呆预测模型--疾病状态指数

一个新型老年痴呆预测模型——疾病状态指数（Disease State Index，DSI），可能有助于预测10年后的疾病风险。DSI是一个经过验证的风险评估工具，利用“机器学习”方法分析大量健康信息。该研究在线发表于12月6日的Journal of Alzheimer's Disease. 研究者Alina Solomon（东芬兰大学）表示，“我们很高兴看到这个工具能够很好的预测痴呆。”不过她强

机器学习常见算法分类汇总

机器学习无疑是当前数据分析领域的一个热点内容。很多人在平时的工作中都或多或少会用到机器学习的算法。本文为您总结一下常见的机器学习算法，以供您在工作和学习中参考。 机器学习的算法很多。很多时候困惑人们都是，很多算法是一类算法，而有些算法又是从其他算法中延伸出来的。这里，我们从两个方面来给大家介绍，第一个方面是学习的方式，第二个方面是算法的类似性。 学习方式 根据数据类型的不同，对一个问题的