shuhuai007 / machine-learning-session Goto Github PK

首先，非常感谢老师的无私分享，另外决策树、随机森林、xgboost、lightgbm这些模型也挺重要的，老师有空的话也分享一下吧，谢谢了。

感谢！

您好老师，想请教一下，在做序列标注任务时，标注序列Y是我们可以获得的，那么为什么不能用极大似然估计或者贝叶斯估计那样直接求，而是把Y看作隐变量用em算法呢？直接把Y看作分类标签作为观测数据是否合理？

这里红色方框表的W应该是一个向量， 到下面椭圆型标的哪个W应该带下标吧

感谢您的分享

您好。
视频中说，分母中同Xi无关的部分都被约掉。不太明白分母中Xi子节点部分是怎么约掉的，即使没有了Xi也还有其他父节点呀。详见图1。
另外pdf中关于这一部分的公式（图2）是不是写错了？

后悔没有及时保存，希望老师能够重新放回来，谢谢！

讲的很棒，很赞，喜欢

老师，可不可以讲讲狄利克雷分布以及HDP哈，这个根本就看不明白

您好，您的视频做的太好了，对于我们这种只知道个大概，但对很多东西没有深层次的理解太有用了。如果您能再开一节专门讲关于矩阵求导那就完美了。谢谢您的付出。

老师,在看您视频时候.看您在下面回复最近很忙.等您忙完后能否再补充一些决策树、随机森林、xgboost、lightgbm、LDA模型,要求有点过分,但是您讲的真的太好.谢谢您的无私付出

十分感谢。

老师你好，最近在看机器学习-白板推导系列视频，有一个小问题，在第五章降维部分的P3，推导最大投影方差时，计算J(u_1)时用到了(x_i-x_ba)u_1为一个实数，因此可以对调写成u_1(x_i-x_ba),这里怎么说明它是一个实数呢？

感知机的损失函数并不是错分的样本点个数，-y_i w^{T} x_i，w^{T} x_i的结果并不是+1或者-1。这里是错分样本点的函数间隔之和。

对于初学者来说，理论到实现还是一个鸿沟，up主可不可以考虑将这些求解方法用python一步步实现一下？结合简单的数据集进行分类，或者结合现有的框架和库，比如tensorflow,sklearn。
看了你讲的SVM章，确实看西瓜书变得顺利了，但是发现现实中利用二次规划算法来求解模型的很少，所以实际操作的时候还是觉得力不从心，无从下手。如果up主能讲讲怎么和现有实际数据结合那就更好啦！

这样看得人就多了

rt

第一章贝叶斯预测部分
p(x,theta|X) = p(x|theta)p(theta|X)
可以讲一下详细推导么?