HelloWorld 开发者社区

科技资讯

全部资讯

开源项目

全部项目

推荐好文

一切模型皆可联邦化:高斯朴素贝叶斯代码示例

联邦学习是一种分布式的机器学习方法,其中多个客户端在一个中央服务器的协调下合作训练模型,但不共享他们的本地数据。一般情况下我们对联邦学习的理解都是大模型和深度学习模型才可以进行联邦学习,其实基本上只要包含参数的机器学习方法都可以使用联邦学习的方法保证数据隐私。所以本文将以高斯朴素贝叶斯分类器为例

朴素贝叶斯分类器

朴素贝叶斯分类器toc介绍之前说一个悲伤的故事:由于是自己重新学习机器学习算法,学校期间好多有关机器学习算法的课程都没怎么解释这个算法,而且老师上课一言难尽!然后我参加研究生复试,被问到这个算法当时人都傻了,听说过但是自己真的没有仔细去了解啊!害!被自己菜的一言难尽

贝叶斯推理三种方法:MCMC 、HMC和SBI

对许多人来说,贝叶斯统计仍然有些陌生。因为贝叶斯统计中会有一些主观的先验,在没有测试数据的支持下了解他的理论还是有一些困难的。本文整理的是作者最近在普林斯顿的一个研讨会上做的演讲幻灯片,这样可以阐明为什么贝叶斯方法不仅在逻辑上是合理的,而且使用起来也很简单。这里将以三种不同的方式实现相同的推理问题。

贝叶斯回归:使用 PyMC3 实现贝叶斯回归

PyMC3(现在简称为PyMC)是一个贝叶斯建模包,它使数据科学家能够轻松地进行贝叶斯推断。PyMC3采用马尔可夫链蒙特卡罗(MCMC)方法计算后验分布。这个方法相当复杂,原理方面我们这里不做详细描述,这里只说明一些简单的概念,为什么使用MCMC呢?这是为了避开贝叶斯定理中计算归一化常数的棘

使用python手写Metropolis-Hastings算法的贝叶斯线性回归

在学习贝叶斯计算的解马尔可夫链蒙特卡洛(MCMC)模拟时,最简单的方法是使用PyMC3,构建模型,调用Metropolis优化器。但是使用别人的包我们并不真正理解发生了什么,所以本文通过手写MetropolisHastings来深入的理解MCMC的过程,再次强调我们自己实现该方法并不是并不是为了造

正在加载更多文章…

加载更多

已加载文章中没有匹配内容,可继续加载更多。