將無處不在的對時間序列處理的馬爾可夫模型加入層次性狄利克雷過程隱式馬爾可夫鏈（hdp-hmm）作為乙個自然的非引數貝葉斯的擴充套件是很重要的。但是，很多時候，hmm的馬爾可夫性的約束是很不必要的，尤其是當我們想要學習或者編碼非幾何分布的狀態時間的時候。我們可以擴充套件hdp-hmm來獲取一種從確定時間段的半馬爾可夫模型獲取的架構，這種架構現在基本是使用的引數型的非貝葉斯設定。這樣我們可以構建乙個可以使用狀態時間的自然先驗資訊的高解釋性的模型。
本文中，我們介紹了確定時間的hdp-hsmm，同時開發了乙個快速的後驗推理的取樣演算法。這個方法同時也能用來做有限貝葉斯hsmm的推理。我們的結構化吉布斯取樣演算法可以被整合在更大的層次性貝葉斯模型中，給貝葉斯推理新增了另一種工具。
在無監督的前提下，對於一套序列資料，我們經常要推理有意義的狀態或者主題。這些狀態在資料中，可以用資料的一些特徵來描述和區別。比如，speaker diarization問題，我們有乙個記錄乙個會議的單獨的聲音檔案，我們希望來推理一共有多少個人在說話。他們說話的時候，有一些特徵就影響了他們講話的模式。
hlda周邊 非引數貝葉斯模型
hw學長 非參不是指不需要引數，而是指引數是不確定的，且是可以隨著語料的規模，建模需求的改變而動態改變的。對於非參方法亦可分為貝葉斯方法和非貝葉斯方法。比如k 近鄰方法是典型的非貝葉斯非參模型。這裡我們主要討論貝葉斯非參方法。其利用假設無限個數的引數先驗來建模資料，貝葉斯方法則巧妙的使每個引數的取值...
貝葉斯優化引數
貝葉斯優化 貝葉斯優化用於機器學習調參由j.snoek 2012 提出，主要思想是，給定優化的目標函式 廣義的函式，只需指定輸入和輸出即可，無需知道內部結構以及數學性質 通過不斷地新增樣本點來更新目標函式的後驗分布 高斯過程,直到後驗分布基本貼合於真實分布。簡單的說，就是考慮了上一次引數的資訊 從而...
python 樸素貝葉斯之多項式貝葉斯
關注csdn部落格 程志偉的部落格 多項式貝葉斯可能是除了高斯之外，最為人所知的貝葉斯演算法了。它也是基於原始的貝葉斯理論，但假設概率分布是 服從乙個簡單多項式分布。多項式分布 於統計學中的多項式實驗，這種實驗可以具體解釋為 實驗包括n次重複 試驗，每項試驗都有不同的可能結果。在任何給定的試驗中，特...